تطوير دالة خسارة مخصّصة لتنظيم التقليل والتقدير المفرط لتنبؤات الخصائص الميكانيكية للخرسانة في نماذج الشبكات العصبية

لماذا تهم توقعات الخرسانة الأكثر أمانًا

تعتمد معظم المباني والجسور الحديثة على الخرسانة، ويستخدم المهندسون بشكل متزايد الذكاء الاصطناعي للتنبؤ بمدى قوة هذه الخرسانة. لكن بينما تحاول الشبكات العصبية القياسية أن تكون دقيقة على حد سواء في كل الاتجاهات، فإن المنشآت الحقيقية تكون أكثر أمانًا عندما تكون التوقعات متحفظة بعض الشيء بدلًا من أن تكون متفائلة للغاية. تعرض هذه الدراسة طريقة جديدة لتدريب الشبكات العصبية بحيث تقلّ احتمالية المبالغة في تقدير قوة الخرسانة، مما يساعد المهندسين على الحفاظ على هامش أمان مريح دون التضحية بقدرات الذكاء الاصطناعي.

موازنة السلامة والخوارزميات الذكية

في الممارسة الهندسية المدنية، تُكتب قواعد التصميم بشكل تحفظي بحيث تبقى المنشآت آمنة حتى عندما تتفاوت المواد أو لا تكون أعمال البناء مثالية. عادةً ما يعني التقليل من تقدير قوة الخرسانة زيادة في السلامة، بينما يمكن أن تستهلك المبالغة في التقدير هوامش الأمان بهدوء. طرق تدريب الشبكات العصبية التقليدية لا تفرّق بين هذين النتيجتين؛ فهي تسعى ببساطة لتقليل الحجم الكلّي للأخطاء. يجادل المؤلفون بأن هذا يتعارض مع طريقة تفكير المهندسين حول المخاطر، ويسعون إلى إدخال تفضيل السلامة هذا مباشرةً في عملية التعلم.

دالة خسارة تُفضّل الحذر

جوهر الدراسة هو دالة خسارة مخصّصة، قاعدة تُعلم الشبكة العصبية مدى سوء كل خطأ أثناء التدريب. بدلاً من معاملة كل الأخطاء بالمثل، تعطي الصيغة المقترحة عقوبات أشدّ عندما تتنبأ النموذج بقيمة قوة أعلى من القيمة الحقيقية وعقوبات أخفّ عندما تتنبأ بقيمة أدنى. زوج من الأرقام التحكمية يحكم هذا الانحياز، مما يتيح ضبط النموذج صوب تقديرات أكثر تحفظًا. تُطبع الخسارة أيضًا بحيث تكون مُطبَّعة لتعمل باستقرار عبر مجموعات بيانات ومقاييس مختلفة، وتُدمج مع إعداد شبكة عصبية قياسي باستخدام أدوات شائعة مثل TensorFlow أو PyTorch.

اختبار الفكرة على الخرسانة المطاطية

للتحقق من سلوك قاعدة التدريب الحذرة عمليًا، ركّز المؤلفون على الخرسانة المطاطية، وهي مادة تُستبدل فيها جزء من الحجر بقطع من المطاط النفاية. باستخدام مجموعة بيانات تجريبية، درّبوا عدة شبكات عصبية لها نفس البنية لكنها تختلف في دوال الخسارة، بما في ذلك اختيارات شائعة مثل متوسط مربع الخطأ ومتوسط القيمة المطلقة للخطأ. ثم قارنوا مدى جودة كل نموذج في التنبؤ بخصيصين ميكانيكيين رئيسيين: مقاومة الضغط، التي تعكس مقدار الحمولة التي يمكن أن تتحملها الخرسانة، ومعامل المرونة، الذي يصف مدى صلابتها تحت الحمولة.

كيف تغيّر التعلم التحفظي التنبؤات

النماذج المدربة بدالة الخسارة المخصّصة تحقق تقريبًا نفس الدقة العامة كنماذج الخسارة التقليدية، مع مستويات خطأ تقارب ستة في المئة في معظم الحالات. يكمن الفرق الحاسم في مدى تكرارها للمبالغة في تقدير القوة الحقيقية. بالنسبة لدوال الخسارة التقليدية، تتراوح نسبة التقديرات المبالغ فيها بين ربع التنبؤات وحتى جميعها في بعض الاختبارات. عندما تُضبط دالة الخسارة المخصّصة بالشكل المناسب، تنخفض تلك النسبة بشكل كبير، إلى نحو واحد في المئة لمقاومة الضغط وأقل من عشرة في المئة للصلابة، مع الحفاظ على ملاءمة جيدة للبيانات. تُظهر مخططات القيم المتنبأ بها مقابل المقاسة تكتّل نقاط النموذج الجديد قليلًا أسفل خط التساوي المثالي، مما يعكس انحيازًا متعمدًا نحو التقليل الخفيف.

ماذا يعني هذا للمنشآت الحقيقية

بمفردها، لا تضمن نمذجة التوقع الحذرة بناءً آمنًا؛ يجب على المصممين ما زالوا اتباع القوانين، ومراعاة التسليح والحمولات والهندسة، وفحص سلوك الأعضاء والنظام. لكن من خلال توجيه الشبكات العصبية بعيدًا عن التقديرات المبالغ فيها غير المحافظة على مستوى المادة، تساعد دالة الخسارة الجديدة على ضمان دخول تنبؤات معتمدة على الذكاء الاصطناعي إلى تلك فحوصات التصميم بذهنية تضع السلامة في المقام الأول، وهي العقلية التي تقوم عليها الممارسة الهندسية المدنية. يرى المؤلفون عملهم كبرهان على المفهوم يمكن توسيعه إلى مجموعات بيانات أكبر ونماذج هيكلية كاملة، فعارضًا خطوة عملية نحو أدوات ذكاء اصطناعي تعمل مع، لا ضد، فلسفات السلامة الراسخة.

الاستشهاد: Habib, A., Habib, M., Junaid, M.T. et al. Developing a custom loss function for regulating underestimation and overestimation of concrete mechanical properties predictions in neural network models. Sci Rep 16, 15950 (2026). https://doi.org/10.1038/s41598-026-44200-5

الكلمات المفتاحية: تنبؤ قوة الخرسانة, الشبكات العصبية, دالة الخسارة, الخرسانة المطاطية, سلامة المنشآت