نهج مختلط للتعلم الآلي للتنبؤ بمقاومة الانحناء للخرسانة المعززة بألياف الألمنيوم المهدورة

تحويل معدن النفايات إلى خرسانة أقوى

تنتج المصانع والمنازل سنوياً كميات كبيرة من قصاصات الألمنيوم من علب المشروبات والأسلاك وبقايا التشغيل. يصعب التخلص من الكثير من هذه النفايات بأمان، مع أن الألمنيوم خفيف وقوي ومتين. تستكشف هذه الدراسة سؤالاً بسيطاً له تداعيات كبيرة: هل يمكننا تحويل تلك القصاصات المزعجة إلى ألياف دقيقة تجعل الخرسانة أكثر صداقة للبيئة وأكثر مقاومة للانحناء والتشقق، مع استخدام نماذج حاسوبية ذكية لتوقع مدى قوة المادة الجديدة؟

لماذا تهم مقاومة الانحناء

الخرسانة ممتازة في حمل الأحمال عند تعرضها للضغط، لكنها أضعف بكثير عند الانحناء. كثيراً ما تفشل الطرق والأرضيات وأسطح الجسور ومدارج الطائرات أولاً بالانحناء والتشقق بدلاً من السحق الصريح. إضافة الألياف هي إحدى الوسائل لمساعدة الخرسانة على الامتداد والبقاء متماسكة عندما تبدأ بالتشقق. ركز الباحثون في هذا العمل على ألياف من الألمنيوم المقطوعة من علب المشروبات المستعملة وقطع الخردة الأخرى. قاموا بخلط هذه الألياف في الخرسانة بنسب حجمية مختلفة بين 1% و5% واختبروا مدى مقاومة العوارض الصغيرة للانحناء. وجدوا نقطة مثالية واضحة: عند نسبة ألياف تقارب 3% حسب الحجم، حملت العوارض أعلى حمولة انحناء وأظهرت تشققاً أوضح وأكثر تحكماً؛ وما فوق ذلك أدى وجود ألياف إضافية إلى تدهور الأداء بسبب تكتلها وتقليل قابلية التشغيل للخرسانة الطازجة.

بناء طريقة أذكى لتوقع المقاومة

تصميم خرسانة بألياف مهدورة ليس مجرد اختيار نسبة ألياف عشوائية. تتفاعل العديد من المكونات — الأسمنت والماء والرمل والركام والمساحيق الخاصة ووقت المعالجة ومحتوى الألياف — بطرق معقدة. للانتقال إلى ما هو أبعد من التجربة والخطأ، جمع الفريق مجموعة بيانات مكونة من 195 نتيجة اختبار من تجاربهم ودراسات سابقة، جميعها تتضمن ألياف ألمنيوم مهدورة. ثم دربوا ثلاثة أنواع مختلفة من نماذج التعلم الآلي للتنبؤ بمقاومة الانحناء من ثمانية متغيرات أساسية للخليط والمعالجة: غابة عشوائية (مجموعة من أشجار القرار المتوسط)، ونموذج تعزيز التدرج المتطرف (XGBoost)، وشبكة عصبية اصطناعية مستوحاة من طريقة اتصال خلايا الدماغ. كل نموذج يجيد التقاط أنماط مختلفة في البيانات.

دمج النماذج وفتح الصندوق الأسود

بدلاً من اختيار نموذج واحد «أفضل»، جمع الباحثون بين النماذج. في هذا النهج المختلط، يقدم كل من النماذج الثلاثة توقعه الخاص، ويتعلم طبقة تجميع نهائية كيف توازن بينها للحصول على أدق نتيجة. تنبأت هذه المنظومة المكدسة بمقاومة الانحناء بدقة عالية جداً: فسرت أكثر من 99% من التباين في بيانات التدريب وحوالي 96% في اختبارات جديدة غير مرئية. وللتأكد من أن النظام ليس مجرد صندوق أسود غامض، لجأوا إلى أداة تفسير تُدعى SHAP. تعطي هذه الطريقة لكل مدخل — مثل عمر المعالجة أو محتوى الركام — حصة من المسؤولية عن المقاومة المتوقعة. أظهر التحليل أن عمر المعالجة ومحتويات الركام كانا أكثر أهمية بشكل خاص، بينما لعبت نسبة ألياف الألمنيوم، رغم فوائدها، دوراً أصغر إجمالاً من الهيكل الصلب للرمل والركام الذي يحمل الأحمال داخل الخرسانة.

ما هو الأهم داخل الخلطة

من خلال الخوض في نتائج التفسير، وجدت الدراسة أن أوقات المعالجة الأطول دفعت مقاومة الانحناء صعوداً باستمرار، مما يؤكد قيمة المعالجة البطيئة والرطبة في المشاريع الواقعية. برز الركام الخشن والناعم معاً كلاعبين رئيسيين: كميتهما وتوازن حجمهما يتحكمان في كيفية بدء وانتشار الشقوق تحت الانحناء. كان للماء والأسمنت أثر أكثر تعقيداً — فالماء الزائد يضعف الرابط بين المعجون والركام، بينما قد يجعل الإسراف في الأسمنت المادة هشة. ساعدت ألياف الألمنيوم المهدورة في ربط الشقوق وتحسين قدرة الخرسانة على تحمل الشد، لكن فقط حتى نحو 3% بالحجم؛ وفوق ذلك أصبحت الخلطة أصعب في الصب وأقل تجانساً، مما ألغى فوائد التعزيز الإضافي. تُرجمت توجيهات النموذج إلى توصيات عملية لنطاقات الركام والأسمنت والماء ومحتوى الألياف التي يمكن للمهندسين استهدافها عند تصميم الخلطات.

من بصيرة المختبر إلى هياكل أكثر خضرة

للقارئ العام، الرسالة الأساسية واضحة: من الممكن تحويل الألمنيوم الملقى إلى مكون مفيد يساعد الخرسانة على مقاومة الانحناء، مع تحويل النفايات بعيداً عن المطامر وتقليل الحاجة لألياف الفولاذ الجديدة. من خلال إقران تجارب دقيقة مع نظام تعلم متعدد النماذج وشفاف، أنشأ الباحثون نوعاً من «الحاسبة» التي تستطيع التنبؤ بمدى قوة خلطة الخرسانة ذات الألياف المهدورة وشرح الأسباب. تشير نتائجهم إلى أن خلطات مصممة جيداً تحتوي على نحو 3% من ألياف الألمنيوم المهدورة يمكن أن تحسّن مقاومة الانحناء وتخفض تكلفة المواد وتقلل الأثر البيئي. إذا نُفّذ هذا الأسلوب على نطاق أوسع وصُقل ببيانات إضافية، فيمكن أن يساعد المهندسين على استخدام قصاصات الصناعة بثقة في البنى اليومية، مما يجعل الجسور والأرصفة والأرضيات أكثر متانة واستدامة.

الاستشهاد: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

الكلمات المفتاحية: ألياف الألمنيوم المهدورة, مقاومة الانحناء, الخرسانة المستدامة, نماذج التعلم الآلي, مواد البناء المعاد تدويرها