تنبؤ بمنحنى العمود الرئيسي لأعمدة الخرسانة المسلحة المتآكلة بالاعتماد على التعلم التجميعي باستخدام قاعدة بيانات تجريبية

لماذا تهم أعمدة الخرسانة المتقادمة

تقف العديد من الجسور والمباني التي نعتمد عليها يومياً على أعمدة خرسانية مسلحة تتآكل بصمت عبر العقود. يمكن للملح الناتج عن إزالة الجليد ورذاذ البحر والهواء الملوث أن يهاجم الصلب المخفي ببطء، مضعفاً هذه الدعائم تماماً عندما يُطلب منها مقاومة زلازل. تقدم هذه الورقة طريقة جديدة لاستخدام كميات كبيرة من بيانات الاختبار وتقنيات تعلم الآلة الحديثة للتنبؤ بكيفية تصرف مثل هذه الأعمدة المتضررة أثناء اهتزازات قوية، مما يساعد المهندسين على اتخاذ قرار متى يصلحونها أو يقوونها أو يستبدلونها.

كيف يغيّر الصدأ قصة القوة

عندما يتآكل الصلب داخل عمود خرساني، يشغل الصدأ حجماً أكبر من المعدن الأصلي. هذا التوسع يتسبب في تشقّق الخرسانة المحيطة، بدءاً بخطوط رفيعة داخلية ثم وصولاً إلى انفصال وتقشّر ظاهر. في الوقت نفسه، تفقد قضبان الصلب نفسه مساحة المقطع والقدرة على التحمل والليونة، ويضعف تماسكها مع الخرسانة. تحت تحميل متناوب شبيه بالزلازل، ترسم الأعمدة السليمة حلقات عريضة ومستديرة على مخطط القوة-الإزاحة، مما يدل على امتصاص طاقة جيد. أما الأعمدة المتآكلة، فتنتج حلقات أضيق ومقرنصة وتفقد قوتها بسرعة أكبر بعد الانبعاج الأولي، مما يشير إلى تحول نحو سلوك هش أقل تسامحاً يمكن أن يجعل المنشآت أكثر عرضة للانهيار.

من اختبارات متفرقة إلى صورة شاملة واحدة

اختبر باحثون حول العالم أعمدة متآكلة فردية في مختبرات مختلفة، باستخدام تنوع واسع من الأحجام وتوزيعات القضبان والمواد ومستويات التآكل وظروف التحميل. تجمع هذه الدراسة 200 عينة من هذا النوع في قاعدة بيانات تجريبية واحدة تغطي نطاقات واقعية لهندسة العمود، وقوة الصلب والخرسانة، والحمل المحوري، والتآكل المقاس لكل من القضبان الرئيسية والأطواق. بدلاً من تبسيط سلوك كل عمود إلى نقاط مثالية قليلة، يستخرج المؤلفون المنحنى الرئيسي الكامل—الغلاف الناعم الذي يرسم كيف تنمو المقاومة الجانبية وتبلغ ذروتها ثم تنخفض مع تمايل العمود. ثم يستخدمون هذه المنحنيات المقاسة كأهداف لنماذج قائمة على البيانات تتعلم مباشرة من التجارب بدلاً من الاعتماد على صيغ مختارة مسبقاً.

تعليم الآلات قراءة الضرر

يدرب الفريق عدة طرق للتعلم التجميعي—عائلات من العديد من أشجار القرار الصغيرة التي تصوت معاً—لتنبؤ المراحل الرئيسية على طول منحنى العمود: القوة عند الانبعاج الأول، والقوة القصوى، والقوة المتبقية بعد حدوث ضرر شديد. باستخدام جزء من قاعدة البيانات للتدريب واحتفاظ بالباقي للاختبار، يقومون بضبط النماذج بواسطة بحث بايزي بحيث تلتقط الأنماط العامة دون أن تحفظ عينات فردية. من بين جميع النهج المختبرة، يثبت نموذج التعزيز التدرجي المتطرف أنه الأكثر موثوقية، محققاً دقة عالية عبر مراحل الانبعاج والذروة والباقي، وبشكل حاسم يعيد إنتاج الترخّي الحاد بعد الذروة الذي تغفله أو تقلّله النماذج المثالية الأبسط في كثير من الأحيان.

رؤية أي التفاصيل هي الأكثر أهمية

للتقدم إلى ما بعد التنبؤ كصندوق أسود، يطبق المؤلفون تقنية تسمى SHAP، مستعارة من نظرية الألعاب، لقياس مدى تأثير كل عامل دخل في دفع القوة المتوقعة نحو الارتفاع أو الانخفاض. يكتشفون أن الشكل والنسب الأساسية—مثل مدى القص وعمق العمود الكلي—إلى جانب القوة المتدهورة لقضبان الصلب، هي الأكثر أهمية عند الانبعاج الأول وعند القوة القصوى. ومع تقدم الضرر، تصبح الميزات المرتبطة بالحصر ونمط الفشل أكثر حاسمة، مما يعكس كيف تتولى الشقوق والاهتراء والانثناء للقضبان دوراً أكبر بدلاً من الهندسة البسيطة. يتيح هذا النوع من الرؤى للمهندسين تبيان ما إذا كان ضعف العمود ناتجاً أساساً عن حمل محوري ثقيل أو تفصيل ضعيف أو تآكل شديد، موجهين جهود التقوية بشكل أكثر استهدافاً.

ما الذي يعنيه هذا للسلامة اليومية

من الناحية العملية، تُظهر الدراسة أن نموذج تعلم آلي مدرّب بعناية وذو شفافية يمكنه إعادة بناء المسار الكامل للقوة-الانحراف لعمود خرساني متآكل بشكل موثوق باستخدام خواص قابلة للقياس ومؤشرات التآكل. مقارنةً بالمعادلات التقليدية المبسطة للمنحنى الرئيسي، يلتقط المنهج الجديد بشكل أفضل سرعة تراجع القوة بعد الذروة، خاصة في الحالات شديدة التآكل حيث غالباً ما تم المبالغة في تقدير القدرة المتبقية. هذا يمنح مالكي الجسور والمباني صورة أوضح عن مقدار الاحتياطي الزلزالي المتبقي في الدعائم المتقادمة ويساعدهم على ترتيب أولويات الإصلاحات قبل حدوث الزلزال الكبير التالي، محولاً الاختبارات المخبرية المتفرقة إلى أداة قوية لاتخاذ القرار في العالم الحقيقي.

الاستشهاد: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

الكلمات المفتاحية: تآكل الخرسانة المسلحة, الأداء الزلزالي, تعلم الآلة في الهندسة المدنية, تنبؤ منحنى العمود الرئيسي, البنية التحتية المتقادمة