نموذج مقاومة القص لعناصر الخرسانة خفيفة الوزن قائم على شبكة عصبية عميقة وتحسين مُستوحى من COVID-19

لماذا تهم الخرسانة الأخف والرياضيّات الذكية

المباني والجسور تصبح أعلى وأطول وأكثر كفاءة، والمهندسون يبحثون عن مواد قوية وخفيفة في آن واحد. تساعد الخرسانة خفيفة الوزن في تقليل وزن المنشآت وتحسين العزل، لكن التنبؤ بكيفية تشققها وفشلها تحت أنواع معينة من الأحمال أمر معقد. تُظهر هذه الدراسة كيف يمكن لشكل حديث من الذكاء الاصطناعي، مع خوارزمية مستوحاة من انتشار COVID-19، أن يتنبأ بواحدة من الخصائص الأساسية للخرسانة خفيفة الوزن بدقة أكبر من قواعد التصميم الحالية، مما قد يؤدي إلى منشآت أكثر أمانًا وكفاءة.

تحدي منع تمزق الخرسانة

عندما تحمل عارضة خرسانية في مبنى أو جسر أحمالًا، يمكن أن تفشل بطرق مختلفة. أحد أوضاع الفشل الأكثر مفاجئة وصعوبة في التنبؤ يُسمى القص، حيث تتشكل تشققات قطرية تقطع العارضة. الصيغ التصميمية التقليدية المستخدمة في قوانين البناء العالمية متعمدة في كونها محافظة، لكنها غالبًا ما تختلف عن بعضها وقد تُخطئ في تقدير سلوك العوارض الحقيقية. يصبح الأمر أكثر صعوبة مع الخرسانة خفيفة الوزن، إذ أن انخفاض الوزن والركام المختلف يغيران طريقة تشكل الشقوق وانتقال القوى خلال المادة، مما يُضعف بعض الآليات الداخلية التي عادةً ما تساعد في مقاومة القص.

كيف تفسّر شبكة عميقة سلوك الهيكل

لمعالجة ذلك، بنى المؤلفون شبكة عصبية عميقة، وهو نوع من نماذج الذكاء الاصطناعي المكوَّنة من طبقات عديدة من وحدات معالجة بسيطة تكتشف الأنماط في البيانات. درّبوا هذه الشبكة على نتائج تجريبية لعوارض خرسانة خفيفة الوزن، مُدخلين إليها تفاصيل هندسية، وقوى المواد، وخصائص التسليح الفولاذي، وطريقة تطبيق الحمل. بدلاً من البدء من إعدادات عشوائية، قاموا بضبط المعلمات الداخلية الابتدائية للشبكة باستخدام استراتيجية بحث خاصة أطلقوا عليها اسم خوارزمية تحسين COVID-19، التي تستعير أفكارًا من كيفية انتشار العدوى أو تلاشيها أو احتوائها. يساعد هذا البداية الأذكى الشبكة على التعلم أسرع وتجنّب الوقوع في حلول ضعيفة.

الاختبار مقابل العوارض الحقيقية وقواعد التصميم

ثم اختبر الباحثون نموذجهم بمقارنة تنبؤاته مع قياسات مختبرية فعلية ومع ثلاث قوانين تصميم مستخدمة على نطاق واسع من الولايات المتحدة وأوروبا واليابان. أولوا اهتمامًا خاصًا لمناطق البيانات التي يصبح فيها السلوك شديد اللاخطيّة، أي حيث يمكن أن تؤدي تغييرات صغيرة في المدخلات إلى قفزات كبيرة وغير منتظمة في مقاومة القص. في هذه المناطق الصعبة بالذات، تابعت الشبكة العميقة نتائج الاختبار عن كثب أكثر من معادلات القوانين، التي كانت تميل إلى الانحراف. عبر مجموعة البيانات بأكملها، أنتج النموذج الجديد أقل خطأ متوسط وأقوى تطابق بين القيم المتوقعة والمراقَبة، مع أداء جيد أيضًا في عمليات التحقق المتكررة التي تحمي من الإفراط في التكيّف.

ما يكشفه النموذج عن المكونات الرئيسية

بعيدًا عن مجرد التنبؤ بالأرقام، استخدم المؤلفون شبكتهم المدربة لاستكشاف أي خصائص العارضة والمادة هي الأهم. أبرز التحليل عمق العارضة الفعّال، ومقاومة الانضغاط للخرسانة، وكثافتها النوعية، وعرض العارضة كأقوى محددات سعة القص في الخرسانة خفيفة الوزن. في المقابل، أظهرت بعض العوامل التي يُفترض غالبًا أنها مهمة، مثل حجم الركام وكمية حديد الانحناء، تأثيرًا منخفضًا مفاجئًا في هذه مجموعة البيانات، مما يفتح أسئلة للتجارب المستقبلية ويقترح أن المصممين قد يرغبون في التركيز بشكل أوثق على مجموعة أضيق من المعامل عند تنقيح قواعد الخلطات خفيفة الوزن.

ماذا يعني هذا للمباني المستقبلية

بالنسبة لغير المتخصصين، الخلاصة الرئيسية هي أن نموذج تعلم عميق مُدرَّب بعناية يمكن أن يعمل كمترجم ماهر بين الاختبارات المعملية والممارسات التصميمية اليومية. في هذه الدراسة، قام النموذج المحسّن بواسطة خوارزمية COVID-19 بعمل أفضل من صيغ القوانين الحالية في تقدير كيفية مقاومة عوارض الخرسانة خفيفة الوزن لقوى التمزق، خصوصًا في الحالات الصعبة التي يكون فيها السلوك بعيدًا عن البساطة. بينما سيظل المهندسون يعتمدون على القوانين للموافقات التنظيمية، يمكن لأدوات مثل هذا النموذج أن تساعدهم على اكتشاف التصاميم المبالغ في تحفظها أو المحتملة الخطورة والسير نحو منشآت أخف وأكثر كفاءة تستفيد بذكاء أكبر من المواد.

الاستشهاد: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

الكلمات المفتاحية: الخرسانة خفيفة الوزن, مقاومة القص, شبكة عصبية عميقة, الهندسة الإنشائية, خوارزمية تحسين