تقييم مقارن لطرائق التعلم الآلي والتعلم العميق لتنبؤ مقاومة الانضغاط للخرسانة الجيوبوليمرية

طريقة جديدة لتصميم خرسانة أكثر خضرة

الخرسانة هي العمود الفقري للمدن الحديثة، ولكن تصنيع الأسمنت التقليدي يطلق كميات كبيرة من ثاني أكسيد الكربون. تقدم الخرسانة الجيوبوليمرية بديلاً أنظف، ومع ذلك لا يزال المهندسون يجدون صعوبة في التنبؤ بمدى قوتها بعد تصلبها. تُظهر هذه الدراسة كيف يمكن لأدوات البيانات الحديثة، بما في ذلك التعلم الآلي والتعلم العميق، أن تتعلم من مئات التجارب السابقة للتنبؤ بمقاومة خلطات الخرسانة الجيوبوليمرية وإرشاد البناء الأكثر خضرة مع تقليل دفعات الاختبار المكلفة.

لماذا يصعب الوصول إلى خرسانة أكثر استدامة

تحل الخرسانة الجيوبوليمرية محل جزء كبير من الأسمنت العادي بمنتجات صناعية ثانوية مثل رماد الفحم، الخبث، الميتاكاولين، والرماد السيليكي. تتفاعل هذه المساحيق مع محاليل قلوية لتكوّن مادة صلبة تشبه الحجر يمكن أن تطابق أو تتجاوز قوة الخرسانة القياسية مع خفض الانبعاثات الكربونية بنحو 70 بالمئة تقريبًا. لكن هذه الوصفة الأكثر استدامة دقيقة: فالمقاومة تعتمد على عوامل متعددة مترابطة، بما في ذلك نوع وكمية المساحيق، جرعة وتركيز المحاليل القلوية، كمية الماء والمواد المضافة الكيميائية، حبيبات الرمل والركام، الألياف المضافة للمتانة، ومدة وظروف المعالجة. وبما أن كل هذه المكونات تتفاعل بطرق معقدة وغير خطية، فإن المعادلات البسيطة لا تكفي للتنبؤ بمدى قوة خلطة جديدة.

بناء مجموعة بيانات شاملة

لمعالجة هذه التعقيدات، جَمَع المؤلفون قاعدة بيانات كبيرة وموحدة من 19 دراسة منشورة، تغطي 594 خلطة خرسانة جيوبوليمرية مختلفة. كل سجل يصف المكونات الأساسية مثل كميات رماد الفحم، الخبث، الميتاكاولين، الرماد السيليكي، الرمل، الركام، الماء، المحاليل القلوية، والمزلق الفائق، إلى جانب ألياف الفولاذ والبولي بروبيلين وعمر المعالجة بالأيام. عمل الفريق على تنظيف البيانات بعناية: أزالوا السجلات المكررة، وموّحوا الوحدات وأسماء المتغيرات، واحتفظوا فقط بالخلطات ذات المعلومات الكاملة. نتج عن ذلك مجموعة متنوعة لكنها متسقة تمتد عبر نطاق واسع من المقاومات، من الخلطات الضعيفة نسبياً إلى خرسانات ذات أداء عالٍ جداً، ما يعكس التشتت الحقيقي الموجود عبر العديد من المختبرات.

سماح الآلات بالتعلّم من الخلطات السابقة

بوجود هذه القاعدة البيانية، درّب الباحثون مجموعة من نماذج التنبؤ. على الجانب الكلاسيكي، استخدموا عدة طرق تعلم آلي، بما في ذلك أشجار القرار، الغابات العشوائية، وتقنيات «التعزيز» المتقدمة التي تجمع العديد من النماذج الصغيرة في مُنَبِّئ قوي شامل. وعلى جانب التعلم العميق، اختبروا شبكتين عصبيتين بعمق مختلف ونموذج جدولي حديث يُدعى TabNet، الذي يستخدم آلية انتباه للتركيز على المكونات الأكثر معلوماتية. قُسِّمت البيانات بحيث تُستخدم 80 بالمئة من الخلطات لتعليم النماذج، بينما تُركت 20 بالمئة المتبقية لاختبار مدى قدرة كل طريقة على التنبؤ بنتائج غير مرئية باستخدام مقاييس معيارية للخطأ وجودة الملاءمة.

أي النماذج عملت بشكل أفضل ولماذا

الفائز الواضح بين أساليب التعلم الآلي كان طريقة تعزيز تُدعى CatBoost، التي قدمت توقعات دقيقة جداً للمقاومة وتطابقت مع بيانات الاختبار عبر النطاق الكامل للقيم. وجاء نموذج معزز آخر، XGBoost، في المرتبة الثانية بفارق قليل. من بين أدوات التعلم العميق، كان أداء TabNet الأفضل وتنافس بفعالية مع أفضل نموذج تعلم آلي، في حين أن الشبكة العصبية الأعمق ذات الطبقات الأكثر فعلت أداءً أسوأ، على الأرجح لأن حجم مجموعة البيانات كان متواضعًا جداً لبنية معقدة كهذه. ولجعل هذه التنبؤات «صندوق أسود» أكثر شفافية، استخدم المؤلفون أداة تفسير تُدعى SHAP، التي تُعطي درجة أهمية لكل مدخل. أظهرت هذه التحليلات أن محتوى الخبث وعمر المعالجة يهيمنان باستمرار على توقع المقاومة، تليهما مكونات الروابط الأخرى، جرعة القلوي، وكميات الركام، بينما تلعب الألياف الفولاذية والبلاستيكية دورًا ثانوياً فقط في مقاومة الانضغاط، رغم أنها قد تؤثر بقوة على التشقق والصلابة.

ما يعنيه هذا لبناء المستقبل

ببساطة، تُظهر هذه الدراسة أن الحواسيب يمكنها أن تتعلم من مئات وصفات الخرسانة الجيوبوليمرية السابقة لتقدّم تقديرات سريعة وموثوقة لمقاومة خلطة جديدة صديقة للبيئة. بدلاً من صب وسحق أعداد كبيرة من الأسطوانات الاختبارية، يمكن للمهندسين استخدام هذه النماذج لتضييق نطاق التراكيب الواعدة من مساحيق الروابط، سوائل المنشط، وأزمنة المعالجة قبل الذهاب إلى المختبر. تبرز الدراسة أيضًا أي المكونات هي الأهم، مقدمة إرشادًا عمليًا: ضبط محتوى الخبث، مستويات المنشط، وظروف المعالجة أمر أكثر أهمية بكثير لمقاومة الانضغاط من ضبط كميات الألياف بدقة. وبينما لا تزال النماذج بحاجة إلى التحقق عليها باستخدام مجموعات بيانات أكبر وأكثر توحيدًا، فإن هذا الإطار يمثل خطوة مهمة نحو تصميم خرسانة أقل انبعاثًا معتمدة على البيانات.

الاستشهاد: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

الكلمات المفتاحية: الخرسانة الجيوبوليمرية, التعلم الآلي, التعلم العميق, تنبؤ مقاومة الانضغاط, الإنشاءات المستدامة