التنبؤ بالقوة الانضغاطية للخرسانة باستخدام التعلم العميق المحسّن ونماذج اللغة الكبيرة

لماذا هذا مهم لمبانٍ أكثر أمانًا وصداقة للبيئة

الخرسانة تدعم منازلنا وجسورنا وأنفاقنا، لكن اختبار مدى قوتها عادةً ما يتطلب انتظار أسابيع للحصول على نتائج المختبر. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي المتقدم أن يتنبأ بسرعة ودقة بقوة الخرسانة اعتمادًا فقط على وصفة الخلطة. التنبؤات الأسرع والأكثر موثوقية قد تساعد المهندسين على تصميم منشآت أكثر أمانًا، وتقليل التجارب العشوائية المهدرة في المختبر، وتسهيل استخدام مكونات منخفضة الكربون مثل المنتجات الثانوية الصناعية.

من بيانات مخبرية فوضوية إلى مكونات رقمية نظيفة

يبدأ الباحثون بمجموعة بيانات عامة كبيرة لخلاطات الخرسانة. يسرد كل إدخال كمية الأسمنت والخبث (slag) وفضلات الفحم (fly ash) والماء والمضافات الكيميائية والرمل والركام ووقت المعالجة، إلى جانب القوة المقاسة نهائيًا. مثل هذه البيانات الواقعية غالبًا ما تكون غير متسقة: قد تكون القياسات مفقودة، أو الوحدات مختلفة، وقد تتسلل شذوذات غريبة. لمعالجة ذلك، يستخدم الفريق نماذج لغة كبيرة — أنظمة ذكاء اصطناعي عامة تُستخدم عادةً للنصوص — للمساعدة في تنظيف وإعادة هيكلة البيانات. توجه هذه النماذج مهام مثل التحقق من النطاقات، ومطابقة الأسماء والوحدات، وإنشاء كميات مشتقة ذات معنى مثل نسبة الماء إلى المواد الرابطة، والتعامل مع القيم الشاذة. الهدف هو تحويل جدول فوضوي إلى وصف متماسك واعٍ بالفيزياء لكل خلطة يمكن للخوارزميات التعلمية استيعابه.

تعليم الشبكة رؤية الخلطة والزمن معًا

قوة الخرسانة ليست مجرد ما يدخل إلى الخلاط؛ بل تُعزى أيضًا إلى كيفية نمو القوة على مدى أيام وأسابيع أثناء التصلب. ركزت أدوات التنبؤ السابقة إما على المكونات أو على اتجاهات الزمن، لكن نادرًا ما جمعت بينهما معًا. تستخدم هذه الدراسة شبكة تلافيف رسومية مكانية-زمانية، وهو نوع من النماذج يعامل كل مكوّن (مثل الأسمنت والماء والخبث والمضافات) كعقدة في شبكة، مع روابط تعكس مدى تفاعلها. وفي الوقت نفسه، تنظر على طول بُعد الزمن لتتعلم كيف تكسب هذه التركيبات القوة كلما تقدمت في العمر. فعليًا، يتعلم النموذج أنماطًا مثل «الأسمنت العالي مع ماء منخفض يؤدي عادةً إلى قوة أسرع وأعلى»، بينما يلتقط أيضًا أدوارًا أدق للخبث والرماد والمواد الكيميائية خلال فترات التصلب المختلفة.

السماح لمُحسّن "شبيه-بشري" بضبط الذكاء الاصطناعي

حتى الشبكات العصبية القوية قد تُظهر أداءً ضعيفًا إذا اختيرت إعداداتها الداخلية — مثل معدل التعلم، وعدد الطبقات، أو أحجام الفلاتر — بشكل سيئ. بدلًا من التعديل اليدوي، يستخدم المؤلفون طريقة تحسين جديدة تُسمى خوارزمية iHow للتحسين. مستوحاة من كيفية تعلم البشر، تتناوب هذه الخوارزمية بين استكشاف واسع لتصاميم محتملة متعددة وصقل مركز موجه للأكثر وعدًا، مع الاحتفاظ بنوع من الذاكرة الداخلية لما نجح سابقًا. يبحث هذا المحسن في فضاء تصميمات الشبكة وإعدادات التدريب للنموذج القائم على الرسوم بهدف تقليل أخطاء التنبؤ مع تجنب الإفراط في التخصيص. تُستخدم نفس عائلة أفكار التحسين أيضًا لاختيار الميزات، بحيث تُقصَّر قائمة المدخلات إلى الكميات الأكثر إفادة ويُحافظ على نموذج مدمج وقابل للتفسير.

ما مدى فعاليته مقارنة بأدوات الذكاء الاصطناعي الأخرى؟

يجري الفريق مقارنات واسعة ضد مجموعة من البدائل: الشبكات العميقة القياسية، والمحولات على طراز الرؤية، والمشفّرات التغايرية (variational autoencoders)، والشبكات المستندة إلى القوانين الفيزيائية، وعدة محسنات ميتاهيرستية مثل سرب الجسيمات والخوارزميات الجينية. كما يختبرون أربع مسارات معالجة مسبقة مختلفة يقودها نماذج لغوية متنوعة، مبينين أن تنظيف البيانات وصياغة الميزات بشكل أفضل يحسّنان الدقة النهائية بشكل ملحوظ. عبر كل هذه الاختبارات، توفر مجموعة iHow مع الشبكة الرسومية المكانية-الزمانية أدنى أخطاء تنبؤ وأعلى توافق مع القوى المقاسة. وتؤكد الفحوص الإحصائية، بما في ذلك تحليل التباين والاختبارات الترتيبية غير المعلمية، أن هذه التحسينات من غير المرجح أن تكون نتيجة صدفة.

ما الذي يعنيه هذا لممارسات البناء المستقبلية

بعبارات بسيطة، تُظهر الدراسة أن نموذج ذكاء اصطناعي قائم على الرسوم ومضبوط بعناية، ومدعوم ببيانات مُنقّاة جيدًا، يمكنه التنبؤ بقوة الخرسانة بشكل أكثر موثوقية من الطرق السابقة. إنه يلتقط كيفية تفاعل المكونات ووقت التصلب، ويستخدم مُحسّنًا «للتعلم كيف يتعلم» لضبط نفسه بدقة. وبينما يُشدّد المؤلفون على أن الطريقة لا تزال بحاجة إلى اختبار على مجموعات بيانات أكثر تنوعًا وواقعية قبل دمجها في قوانين البناء أو أنظمة ضبط المصانع، فإنها تشير بالفعل إلى مستقبل يستطيع فيه المهندسون تجربة خلائط أكثر خضرة على الحاسوب مع ثقة أن القوى المتنبأ بها ستطابق إلى حد كبير ما يُرى لاحقًا في المختبر أو في الموقع.

الاستشهاد: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

الكلمات المفتاحية: التنبؤ بقوة الخرسانة, التعلم العميق في التشييد, الشبكات العصبية الرسومية, خوارزميات التحسين, مواد خرسانية مستدامة