التنبؤ بمقاومة الانضغاط غير المحصورة للطين المستقر بالجيوبوليمر باستخدام آلة تعلم متطرّفة مدعومة بذبابة الفاكهة القطاعية

أرض أقوى بتكلفة بيئية أقل

في جميع أنحاء العالم، يحتاج المهندسون إلى تحويل الترب الطينية اللينة إلى قواعد صلبة للطرق والمباني والأرصفة. تقليدياً، كان ذلك يتطلب إضافة كميات كبيرة من أسمنت بورتلان العادي، وهو مصدر رئيسي لانبعاثات ثاني أكسيد الكربون. تستكشف هذه الدراسة مساراً أنظف: استخدام نواتج صناعية ثانوية تُسمى الجيوبوليمرات لتقوية الطين، وتطبيق شكل ذكي من الذكاء الاصطناعي للتنبؤ بمدى قوة التربة المعالجة دون الحاجة إلى إجراء تجارب مختبرية لا حصر لها.

تحويل النفايات الصناعية إلى مواد رابط مفيدة

الجيوبوليمرات هي مواد رابط تُصنع بتنشيط مساحيق غنية بالألمنوسيليكات—مثل خبث الأفران المطحون (GGBS) والرماد المتطاير—بحلول قلوية. عند خلطها مع الطين، تُكوّن شبكات صلبة تشبه الحجر يمكن أن تمنح مقاومة عالية، وانكماشاً منخفضاً، ومتانة جيدة، مع انبعاثات أقل بكثير من CO₂ مقارنة بالأسمنت التقليدي. أظهرت تجارب سابقة أن الطين المستقر بالجيوبوليمر يمكن أن يحقق مقاومات تتراوح من قرب الصفر حتى أكثر من 40 ميغاباسكال، اعتماداً على الخلطة. لكن النتيجة تعتمد بحساسية على العديد من المكونات في وقت واحد: اللدونة الطبيعية للطين، وكمية الخبث أو الرماد المضافة، وقوة المحلول القلوي، وتوازن عناصر رئيسية مثل الصوديوم والسيليكون والألومنيوم.

لماذا التنبؤ بمقاومة التربة صعب للغاية

لتصميم خلطة عملية، يود المهندسون معرفة مسبقة بمدى قوة وصفة معينة. إجراء برامج مختبرية كاملة لكل خليط مرشح بطيء ومكلف. كما تفشل الصيغ الإحصائية التقليدية لأن العلاقات بين نوع التربة وتركيب الجيوبوليمر والمقاومة الناتجة غير خطية بدرجة كبيرة. أدوات التعلم الآلي الحديثة—مثل الشبكات العصبية وآلات الدعم الناقلة—حسنت التنبؤات، لكنها قد تتطلب ضبطاً مكثفاً، وقد تُبالغ في التكيف مع مجموعات بيانات صغيرة، وغالباً ما تتصرف كـ "صناديق سوداء" غامضة لا تُظهر بوضوح أي المكونات هي الأهم.

آلة تعلم أذكى موجهة بسرب رقمي

جمع المؤلفون 270 نتيجة اختبار من دراسات سابقة على طين مستقر بالجيوبوليمر، شملت أنواع تربة مختلفة، ومخاليط رابط متنوعة، وتركيزات قلوية وظروف معالجة مختلفة. ثم درّبوا ثلاثة نماذج تنبؤية مترابطة. المحرك الأساسي، المسمى آلة التعلم المتطرّفة، هو شبكة عصبية سريعة تضبط معظم إعداداتها الداخلية في خطوة تحليلية واحدة بدلاً من تدريب بطيء عبر المحاولات والخطأ. لتحسين تلك الإعدادات الداخلية، ربط الفريق الشبكة بروتين تحسين "ذبابة الفاكهة" الذي يحاكي كيفية بحث ذباب الفاكهة عن الطعام. في نسختهم المطورة، تحسين ذبابة الفاكهة القطاعي، لا يتجول السرب الافتراضي عشوائياً؛ بل يستكشف فضاء البحث في قطاعات متباعدة بالتساوي، مما يحسّن الاستقرار ويساعد الخوارزمية على الوصول بسرعة إلى حل جيد.

تنبؤات أفضل ورؤية أوضح لما يهم

عند اختباره على بيانات غير مرئية، تنبأت آلة التعلم الأساسية بالفعل بمقاومة الانضغاط غير المحصورة—أي مقدار الضغط الذي يمكن أن يتحمله الطين المعالج—بشكل مقبول. أضافت عملية البحث بالسرب الأصلي تحسناً إضافياً في الدقة. قدّم السرب القطاعي أفضل أداء من بين الجميع، حيث خفّض خطأ التنبؤ بحوالي 42 بالمئة مقارنة بالنموذج الأساسي وحوالي 19 بالمئة مقارنة بنسخة ذبابة الفاكهة السابقة، مع إبقاء الحسابات خفيفة بما يكفي للعمل على حاسوب محمول عادي. كانت معظم القيم المتنبأ بها قريبة من القيم المقاسة، وأشارت أنماط الأخطاء إلى أن النموذج عمم أداءه جيداً بدلاً من حفظ بيانات التدريب فحسب.

ترجمة النماذج المعقدة إلى وصفات تربة عملية

لفتح "الصندوق الأسود"، طبّق الباحثون تقنية تُسمى تحليل SHAP، التي تُنسب لكل مُدخل مساهمة في التنبؤ النهائي. أظهرت هذه التقنية أن محتوى الخبث (GGBS) كان العامل الأكثر تأثيراً في تعزيز المقاومة، مع لعب لدونة الطين وحد السائل دورين مهمين أيضاً. بعض معلمات الخلطة—مثل زيادة كبيرة في الرماد المتطاير أو لدونة مرتفعة جداً—كانت تميل إلى خفض المقاومة، بينما قدّمت تركيزات قلوية مناسبة وتوازن الصوديوم إلى الألومنيوم تأثيرات إيجابية معتدلة أكثر. هذه الرؤى، جنباً إلى جنب مع التنبؤات الدقيقة، تجعل آلة التعلم المحسّنة بسرب ذبابة الفاكهة القطاعي أداة واعدة لتوجيه تصميم خلطات الجيوبوليمر، ومساعدة المهندسين على اختيار وصفات تُنتج أرضاً قوية ومستقرة مع عدد أقل من الاختبارات وبصمة بيئية أصغر.

الاستشهاد: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

الكلمات المفتاحية: طين مستقر بالجيوبوليمر, تنبؤ مقاومة التربة, تعلم الآلة في الجيوتقنية, تحسين الأرض المستدام, آلة التعلم المتطرّفة