تحويل نفايات المزارع إلى خرسانة أقوى وأكثر صداقة للبيئة
الخرسانة تدعم مبانينا وجسورنا وطرقنا، لكن إنتاج الأسمنت داخلها يطلق كميات كبيرة من ثاني أكسيد الكربون. وفي الوقت نفسه، تولد مصانع زيت النخيل كميات هائلة من الرماد التي تُتخلص منها غالبًا. تدرس هذه الدراسة كيف يمكن تحويل ذلك الرماد إلى مكوّن مفيد للخرسانة، وكيف يمكن لبرامج حاسوبية ذكية أن تتنبأ بدقة بمقاومة هذه «الخرسانة الخضراء» قبل صب أي دفعة من الخرسانة.
لماذا يهم رماد زيت النخيل
رماد وقود زيت النخيل هو منتج ثانوي غباري يتبقى بعد حرق نفايات النخيل لتوليد الطاقة. في البلدان التي تنتج الكثير من زيت النخيل، يتراكم هذا الرماد بكميات هائلة وقد يسبب مشاكل من حيث التخلص والتلوث. ومع ذلك، يحتوي هذا الرماد على جزيئات تفاعلية يمكن أن تحل جزئيًا محل الأسمنت في الخرسانة. يساعد استخدامه قضيتين في آن واحد: تقليل كمية الأسمنت كثيف الاستهلاك للطاقة وإعادة تدوير نفايات زراعية. أظهرت تجارب سابقة أنه إذا تم معالجة هذا الرماد واستخدامه بعناية، يمكن أن ينتج خرسانة قوية ومتينة. التحدي هو أن القوة تعتمد على العديد من المكونات والمتغيرات التفاعلية وظروف المعالجة، لذا يحتاج المصممون إلى طريقة سريعة وموثوقة لتقدير الأداء دون إجراء اختبارات لا حصر لها.
السماح لنموذج ذكي بالتعلم من مئات الخلطات الشكل 1.
جمع الباحثون بيانات من 22 دراسة منشورة، وصلوا في النهاية إلى 469 خلطة خرسانية مختلفة جميعها استخدمت رماد وقود زيت النخيل. لكل خلطة سجلوا ستة مكونات وظروف رئيسية: كمية الأسمنت والرماد المستخدمة، وكمية السائل الكيميائي (مُعَدل اللزوجة أو الملدن الفائق) المضاف، وتوازن الحُصى الخشن والناعِم، ونسبة الماء إلى المِلْزَم (المادة الرابط)، ومدة معالجة الخرسانة قبل اختبارها. ثم لجأوا إلى الذكاء الاصطناعي، وبنوا نموذجًا حاسوبيًا مستوحى من طريقة اتصال الخلايا العصبية في الدماغ، يُعرف بالشبكة العصبية الاصطناعية. يتعلم هذا النوع من النماذج عن طريق الأمثلة: يرى مجموعات كثيرة من المدخلات والقيم الناتجة للمقاومة، ويضبط اتصالاته الداخلية تدريجيًا لتقليد تلك النتائج.
تعزيز «الدماغ» ببحث مستوحى من التطور
بمفرده، قد يكون ضبط معلمات الشبكة العصبية أمراً صعباً. إذا كانت إعداداته الداخلية مختارة بشكل سيئ، فقد يعلق في أداء متوسط. لتجاوز ذلك، جمع الفريق الشبكة العصبية مع خوارزمية ثانية تحاكي كيفية انتشار وتكيّف الأنواع عبر الجزر، تسمى «التحسين القائم على علم الجغرافيا الحيوي». في هذا الأسلوب، تمثل كل «جزيرة» مجموعة مختلفة من إعدادات الشبكة. تنتقل خصائص من الجزر الناجحة إلى الأضعف، بينما التغييرات العشوائية العرضية تمنع البحث من الوقوع في حل محلي. على مدار دورات عديدة، يقوم هذا النهج الهجين بتنقيح الشبكة بحيث تصبح قادرة بشكل أفضل على مطابقة مقاومات الخرسانة المقاسة.
مدى أداء النموذج الهجين الشكل 2.
لاختبار ما إذا كان نموذجهم الهجين يستحق فعلاً مكانه، قسم المؤلفون الخلطات الـ469 إلى مجموعات منفصلة للتدريب والضبط والاختبار المستقل، واستخدموا أيضًا طرق تحقق متقاطعة تعيد خلط البيانات مرارًا. قارنوا الشبكة الهجينة مع شبكة عصبية قياسية ومع نماذج سابقة من الأدبيات. تنبأت النسخة الهجينة بدقة أكبر باستمرار: أكثر من 60% من تنبؤاته كانت ضمن 5% من القيم المقاسة، مقارنة بحوالي 39% للنموذج التقليدي. كان خطأها الكلي أصغر، وكانت تنبؤاتها أكثر استقرارًا عند إعادة أخذ عينات البيانات بطرق مختلفة. كما كشف تحليل النموذج المدرب العوامل ذات الأثر الأكبر، مشيرًا إلى أن زمن المعالجة ونسبة الماء إلى الملدِن هما أقوى العوامل المؤثرة في المقاومة.
ماذا يعني هذا للبناء الأخضر
بالنسبة للمهندسين والمخططين، تقدم الدراسة أداة عملية: بالنظر إلى خلطة مرشحة تتضمن رماد وقود زيت النخيل، يمكن للنموذج الهجين تقدير سرعة لمقاومة الخرسانة الناتجة ضمن نطاق الخلطات التي رآها سابقًا. هذا يمكن أن يوفر الوقت، ويقلل من دفعات الاختبار المكلفة، ويشجع الاستخدام الأوسع للمواد المبنية على النفايات التي تقلل من استخدام الأسمنت والانبعاثات. وبينما لا يزال النموذج محدودًا بفجوات واختلافات في الدراسات التجريبية الأساسية، فإنه يبيّن أن الجمع بين التعلم من البيانات والبحث المستوحى من التطور يمكن أن يساعد في ترويض تعقيد الخرسانات المستدامة الحديثة ويقرب البناء الأخضر خطوة نحو الممارسة اليومية.
الاستشهاد: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash.
Sci Rep16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w
الكلمات المفتاحية: الخرسانة المستدامة, رماد وقود زيت النخيل, توقع مقاومة الانضغاط, الشبكة العصبية الاصطناعية, التحسين الميتاهيرستيك
