تقييم دقة التنبؤ لنماذج التعلم الآلي المراقب لاستكشاف القوة الميكانيكية للخرسانة المحتوية على خبث الأفران النفّاخة

لماذا الخرسانة الأذكى مهمة

تشكل الخرسانة مدننا، لكن تصنيع الأسمنت الذي يربطها يطلق كميات هائلة من ثاني أكسيد الكربون—نحو 8% من الانبعاثات العالمية. إحدى الطرق الواعدة لتقليل هذا الأثر هي استبدال جزء من الأسمنت العادي بمخلفات صناعية مثل خبث الأفران النفّاخة، وهي مادة زجاجية ناتجة عن صناعة الصلب. والعقبة: إيجاد الوصفة الصحيحة لخرسانة قوية ومتينة ومنخفضة الانبعاثات يستغرق عادة شهوراً من الاختبارات المخبرية. تُظهر هذه الدراسة كيف يمكن للتعلم الآلي الحديث أن يقوم بجزء كبير من التجارب الافتراضية، مما يسرع تصميم خرسانة أكثر خضرة.

مكوّن أنظف من صناعة الصلب

يتكوّن خبث الأفران النفّاخة عند صهر خام الحديد لإنتاج الحديد الخنزيري. عندما يُبرَّد هذا الناتج المصهور بسرعة ويُطحن إلى مسحوق ناعم، يتصرف كسمنت بطيء الفعل. عند خلطه بالخرسانة، يتفاعل مع مركبات تتكون أثناء ترطيب الأسمنت ليكوّن هلام ربط إضافي، ما يقلص الفراغات الداخلية. الفوائد ثلاثية: تقليل الحاجة إلى الأسمنت (مما يخفض انبعاثات CO₂)، مقاومة أفضل للهجمات الكيميائية من الأملاح والأحماض، واستمرار نمو القوة على مدى فترات أطول. لكن الأداء يعتمد بدقة على نسبة الخبث المضافة، وكيفية تفاعله مع المواد الأخرى، ومدة معالجة الخرسانة (الصلابة).

تحويل تجارب متفرقة إلى مجموعة بيانات واحدة

بدل إجراء اختبارات مخبرية جديدة لكل خلطة محتملة، استعرض الباحثون دراسات سابقة ومجموعات بيانات مفتوحة عن الخرسانات المحتوية على الخبث. جمعوا 675 سجل بيانات، كل منها يصف وصفة خرسانية وقوة الضغط المقاسة لها (الضغط الذي تصمد له قبل الانهيار). تم تتبع ثمانية مكونات وظروف رئيسية: كميات الأسمنت، خبث الأفران النفّاخة، الرماد المتطاير، الركام الخشن والناعم، الماء، ومضافة مخفضة للماء ذات مدى عالي تُعرف بالمُلَيِّن فائق الأداء، بالإضافة إلى عمر المعالجة بالأيام. تمت مراجعة جميع القيم، توحيدها لوحدات شائعة، تنظيفها من الأخطاء الواضحة، وإعادة تحجيمها حتى تستطيع نماذج التعلم الآلي مقارنة المتغيرات على أساس متكافئ.

تدريب الآلات لتنبؤ قوة الخرسانة

بوجود هذه القاعدة البيانية، درّب الفريق ستة نماذج مختلفة من التعلم الآلي المراقب لتنبؤ قوة الضغط من تصميم الخلطة: AdaBoost، شجرة قرار واحدة، التعزيز التدرجي (Gradient Boosting)، الجار الأقرب k (k-Nearest Neighbors)، وطريقتان متقدمتان معتمِدتان على الأشجار تعرفان بـ LightGBM وXGBoost. استخدموا 80% من البيانات للتدريب و20% لاختبار مدى قدرة كل نموذج على التعامل مع خلطات جديدة لم يرها من قبل. لتجنب الإفراط في التكيّف—حيث يحفظ النموذج البيانات السابقة لكن يفشل في التطبيق العملي—قاموا بضبط إعدادات النماذج بطريقة منظمة عبر بحث الشبكة والتحقق المتقاطع، ثم قيّموا الأداء باستخدام مقاييس شائعة مثل معامل التحديد (R²) وإحصاءات خطأ متنوعة.

ما الذي يتحكم في القوة في الخلطات الأكثر خضرة

النموذجان الأكثر قدرة، LightGBM وXGBoost، أعادا قوى المختبر بدقة عالية، حيث استحوذا على أكثر من 94% من التباين في بيانات الاختبار. لجعل هذه النماذج «صندوقًا أسود» قابلاً للفهم، طبّق المؤلفون طريقة SHAP (التي تخصّص لكل مدخل حصة من التنبؤ) ومخططات الاعتماد الجزئي، التي تُظهر كيف يغيّر تغيير متغير واحد القوة المتوقعة مع تثبيت الآخرين. كشفت هذه الأدوات أن عمر المعالجة كان له التأثير الإيجابي الأكبر: فكلما طالت فترة المعالجة، كانت الخرسانة أقوى باستمرار. تلا ذلك تأثير المُلَيِّن فائق الأداء ومحتوى الأسمنت، اللذان يعززان القوة من خلال تحسين التعبئة وتقليل الماء غير الضروري. أظهر الماء نفسه تأثيرًا سلبيًا قويًا—فزيادة نسبته تضعف الخلطة—بينما ساعد خبث الأفران النفّاخة حتى حد معين، ثم استقرار تأثيره بعد ذلك.

إيجاد نطاق الخبث الأمثل

من خلال مسح النماذج عبر نسب خبث مختلفة، حدّد الباحثون نافذة استبدال مثالية: عندما يشكل خبث الأفران النفّاخة نحو 30–40% من إجمالي المواد السمنتية، تميل الخرسانة إلى تحقيق قوى ضغط أعلى، خاصة عند أعمار معالجة تبلغ 28 يومًا وما بعدها. زيادة نسبة الخبث كثيرًا، وخصوصًا فوق 50%، غالبًا ما تبطئ نمو القوة المبكرة، وهو أمر قد يكون حاسمًا لجداول الإنشاء. هذه الرؤى، المستخلصة من دراسات عديدة صغيرة، تقدم إرشادًا عمليًا: يمكن للمهندسين استهداف هذا النطاق الوسيط من الخبث لتحقيق توازن بين القوة والمتانة وتوفير الكربون دون حاجة إلى اختبارات شاملة لكل مشروع.

ما يعنيه هذا لمستقبل البناء

لغير المتخصصين، الرسالة الأساسية بسيطة: تستطيع الحواسب الآن التعلم من تجارب الخرسانة السابقة بدرجة كافية لاقتراح خلطات قوية ومنخفضة الكربون قبل صب أي دفعة واحدة. في هذا العمل، ظهر نموذج LightGBM بدقة طفيفة أعلى من XGBoost، لكن كلاهما كانا دقيقين وقابلين للتفسير بما يكشف أي المكونات لها الأثر الأكبر وأين يحقق الخبث أفضل أداء. يعني هذا الجمع بين السرعة والشفافية أن المصممين يمكنهم تقليل الزمن والتكلفة وهدر المواد مع الاستفادة أفضل من المخلفات الصناعية. ومع نمو المجموعات البيانية وتوحيدها أكثر، قد تساعد مثل هذه الأدوات صناعة البناء على تقليص أثرها المناخي مع الاستمرار في تقديم منشآت آمنة ومتينة.

الاستشهاد: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

الكلمات المفتاحية: خرسانة خبث الأفران النفّاخة, التعلم الآلي, قوة الضغط, البناء المستدام, استبدال الأسمنت