تقييم فقدان المقاومة الناجم عن الحرارة في الخرسانة المفعلة قلوياً عبر نماذج الانحدار التجميعي

لماذا تهم الخرسانة الساخنة

عندما يتعرض مبنى لحريق خطير، قد يحدد مدى قوة خرسانته الفرق بين البقاء والانهيار. يتجه المهندسون الآن إلى نوع أكثر صداقة للبيئة من الخرسانة، يُسمى الخرسانة المفعلة قلوياً، الذي يعيد استخدام نفايات صناعية ويتحمل الحرارة أفضل من الأسمنت التقليدي. لكن اختبار كل خلطة ممكنة في فرن عملية بطيئة ومكلفة. تُظهر هذه الدراسة كيف يمكن لأدوات حديثة معتمدة على البيانات أن تتعلم من تجارب سابقة وتتنبأ بسرعة بمدى بقاء قوة هذه الخرسانة الأكثر خضرة بعد تعرضها لدرجات حرارة شديدة.

نوع أكثر خضرة من الخرسانة

تحل الخرسانة المفعلة قلوياً محل جزء كبير من الأسمنت المعتاد بمنتجات ثانوية صناعية مثل رماد المتطاير من محطات الطاقة، وخبث الأفران العالية من صناعة الصلب، وحتى الزجاج المطحون ناعماً من النفايات. هذا الاستبدال يقلل انبعاثات الكربون ويمنح هذه النفايات حياة ثانية. وبفضل بنيتها الداخلية المختلفة الشبيهة بالهلام، غالباً ما تصمد هذه الخرسانة بشكل أفضل عند التسخين. ومع ذلك، فإن سلوكها أثناء الحريق حساس للغاية للتفاصيل: مزيج المساحيق، والكيماويات المستخدمة لتنشيطها، ومدة ودرجة حرارة المعالجة، ودرجة الحرارة القصوى التي تتعرض لها لاحقاً. هذه التعقيدات تجعل من الصعب التنبؤ ـ من المبادئ الأولى وحدها ـ بمدى القوة المتبقية بعد الحريق.

ترك البيانات لتتعلم الأنماط

جمّع الباحثون مجموعة بيانات مفصلة تضم 371 مكعب خرسي مصنوعاً من رماد المتطاير والخبث، استُبدل بعضها جزئياً بمسحوق زجاج نفايات. سُجلت وصفة كل مكعب، إلى جانب كيفية معالجته والدرجة الحرارية—بين ظروف الغرفة المعتادة و1000 درجة مئوية—التي سُخن إليها قبل الاختبار. بدلاً من الاعتماد على معادلات بسيطة، لجأ الفريق إلى خمسة أساليب مُراقبة في التعلم الآلي. تبحث هذه الخوارزميات عن أنماط تربط المدخلات (نِسب الخلطة، ودرجة ووقت المعالجة، ومستوى التسخين) بالمخرج: القوة الانضغاطية المتبقية للخرسانة.

أي «متنبئ» رقمي هو الأفضل

قارنّت الدراسة شجرة قرار بسيطة مع طرق «تجميعية» أكثر تقدماً تدمج العديد من النماذج البسيطة للحصول على تنبؤ أكثر موثوقية. شملت هذه الطرق التجميع العشوائي (bagging)، وآدا بوست، والغابة العشوائية، وتقنية تُدعى التعزيز الأقصى التدرجية (Extreme Gradient Boosting). استخدم المؤلفون تحقق تقاطع محكماً، دربوا النماذج على بعض تصميمات الخلطات واختبروها على تصميمات مختلفة تماماً لمحاكاة الاستخدام في العالم الحقيقي. من بين جميع المتنافسين، جاء نموذج التعزيز التدرجي في المقدمة. أعاد تمثيل نتائج الاختبار بمستوى توافق عالٍ جداً وأدنى متوسط خطأ، تلاه عن كثب الغابة العشوائية. بالمقابل، لم تستطع طريقة خطية بسيطة التقاط الطريقة المنحنية وغير الخطية التي تتغير بها القوة مع التركيب والحرارة.

اكتشاف ما يهم فعلاً داخل الخلطة

بخلاف الدقة الخام، أراد الباحثون معرفة أي المكونات وخطوات المعالجة هي الدافعة الحقيقية للأداء عند التعرض للحرارة. فحصوا الترابطات واستخدموا أدوات التفسير التي تُظهر مقدار تأثير كل متغير مدخل على تنبؤات النموذج. برزت درجة حرارة المعالجة، ومدة المعالجة، وتركيز المُنشط القلوي كالعوامل المهيمنة التي تتحكم بمدى ما تبقيه الخرسانة من قوة بعد التسخين. ولعبت متغيرات مثل كمية الركام الخشن أو التغيرات الطفيفة في محتوى الماء دوراً أقل. عكست التحليلات أيضاً عمليات فيزيائية معروفة: فالمعالجة المعتدلة تساعد على تكوين شبكة ربط كثيفة، لكن الحرارة أو محتوى القلويات المفرطين قد يجعلان المادة المتصلبة أكثر هشاشة وعرضة للتشقق مع صعود درجات الحرارة نحو 1000 درجة مئوية.

من مختبر الاختبار إلى أداة التصميم

بعبارة بسيطة، يحول هذا العمل مجموعة مبعثرة من اختبارات الأفران إلى أداة تصميم عملية. تعمل النماذج التجميعية كمستشارين مدرَّبين وسريعين يمكنهم تقدير كيف ستتصرف وصفة خرسانة خضراء مقترحة في حريق شديد، دون صب وتسخين مئات العينات الجديدة. ومن خلال إبراز المتغيرات الأكثر تأثيراً، ترشد هذه النماذج المهندسين نحو اختيارات أذكى في المعالجة وجرعات المواد الكيميائية. لا تغني الطريقة عن الاختبارات الدقيقة أو عن قوانين البناء، ولا تزال بحاجة إلى توسيع نطاقها لتشمل مواد وظروف أخرى. لكنها تقدم خطوة قوية نحو تصميم منشآت خرسانية أكثر أماناً ومقاومة للحريق وأكثر استدامة باستخدام عدد أقل بكثير من تجارب المحاولة والخطأ.

الاستشهاد: Deepti, Y., Kumar, S., Bandyopadhyay, A. et al. Assessment of thermally induced strength loss in alkali-activated concrete through ensemble regression models. Sci Rep 16, 14475 (2026). https://doi.org/10.1038/s41598-026-44193-1

الكلمات المفتاحية: الخرسانة المفعلة قلوياً, مواد مقاومة للحريق, التعلم الآلي, قوة الضغط, البناء المستدام