إطار مؤتمت منخفض التكلفة لقياس الشقوق في الهياكل الخرسانية المسلحة باستخدام نهج التعلم العميق

لماذا تهم الشقوق الصغيرة في الهياكل الكبيرة

من جسور الطرق السريعة إلى أبراج السكن، تتطور العديد من الهياكل الخرسانية التي نعتمد عليها يومياً تدريجياً لتظهر بها شقوق دقيقة. هذه الفتحات الصغيرة قد تسمح بدخول المياه والملح التي تؤدي إلى تآكل الفولاذ المخفي بداخلها، مما يقلص العمر الآمن للمنشأة. كان تفتيش هذه الشقوق وقياسها يتطلب تقليدياً عملاً يدوياً بطيئاً من قبل متخصصين مستخدمين عدسات ومقاييس. يقدم هذا البحث طريقة لتحويل هاتف ذكي عادي إلى أداة تفتيش منخفضة التكلفة يمكنها تلقائياً رصد الشقوق على الأسطح الخرسانية وتقدير عرضها، مما يساعد المهندسين على تقرير موعد الحاجة الفعلية للإصلاحات.

من الفحوصات اليدوية البطيئة إلى الصور الذكية

يعلم المهندسون منذ زمن أن حجم وموقع الشقوق هما دليلان أساسيان على مدى الأضرار التي تعرضت لها منشأة خرسانية وكم بقي من عمرها. لكن قياسات الشقوق اليدوية تستغرق وقتاً طويلاً، وتعتمد على مهارة المفتش، وقد تكون غير متسقة بين زيارة وأخرى. جرب الباحثون استخدام كاميرات، وليزرات، وحتى طائرات مسيرة لأتمتة العملية، لكن العديد من هذه الأنظمة مكلف أو معقد في الإعداد أو يصعب نشره في الأماكن الضيقة أو الداخلية. هدف مؤلفو هذه الدراسة إلى تصميم بديل عملي يعمل مع الهواتف الذكية المتاحة على نطاق واسع وأنماط مطبوعة بسيطة، محافظين على انخفاض التكاليف مع تقديم قياسات دقيقة بما يكفي لاتخاذ قرارات واقعية.

تعليم الحاسوب رؤية الشقوق

في قلب الإطار الجديد نظام حديث للتعرف على الصور مبني على نموذج تعلم عميق يدعى YOLO-V11. درّب الفريق هذا النموذج على آلاف الصور لأسطح خرسانية متشققة حتى يتمكن من التمييز بين الشقوق الحقيقية والظلال والبقع والعلامات. لجعل النظام قوياً في البيئات الحقيقية الفوضوية، أضافوا عمداً خطوطاً ملونة اصطناعية إلى صور التدريب، مجبرين النموذج على تعلم الفروق البصرية الدقيقة بين خط مطلي وانقطاع فعلي في الخرسانة. كما عززوا التباين ووضوح الصورة أثناء التدريب. حسّنت هذه الخطوات بشكل كبير قدرة النموذج على اكتشاف الشقوق وتعقب حوافها، حتى عند وجود إضاءة غير منتظمة أو سطح خشن.

تحويل الصور إلى قياسات فعلية

اكتشاف الشق هو نصف العمل فقط؛ يحتاج المهندسون إلى عرضه الفعلي بالميليمترات، وليس فقط بعدد البكسلات على الشاشة. لسد هذه الفجوة، استخدم الباحثون أربع أنماط مربعة صغيرة مثبتة حول المنطقة المصورة. وبما أن حجم كل مربع معلوم، يمكن للبرنامج تصحيح ميل الكاميرا وتشويه العدسة، ثم حساب كم ميليمتراً يعادل كل بكسل في الصورة. تُحلل منطقة الشق في بلاطات متداخلة بحيث تُلتقط التفاصيل الدقيقة جداً، ثم يجد البرنامج «هيكل عظمي» رفيع في منتصف كل شق ويقيس المسافة إلى حواف الشق على طول هذا الخط. تؤدي هذه الخطوات المدمجة إلى إنتاج خريطة لعرض الشقوق عبر المنطقة المفحوصة.

مدى فعاليته في العالم الواقعي

لاختبار منهجهم، جمع الفريق 230 قياساً للشقوق من عينات مختبرية ومبانٍ خرسانية قائمة، مستخدمين ميكروسكوب رقمي عالي الدقة كمرجع. ثم التقطوا صوراً بالهاتف الذكي على مسافة تقارب المتر، وشغّلوا الإطارات عليها، وقارنوها بالقراءات اليدوية. في المتوسط، كان خطأ النظام المؤتمت حوالي ثمن العرض الحقيقي، مع اختلافات نموذجية لا تتجاوز بضع أجزاء من الميليمتر. آداء النظام كان جيداً خصوصاً للشقوق الأعرض من نصف ميليمتر، حيث كان التباين بين القيم المتوقعة والفعلية صغيراً. بالنسبة للشقوق الرقيقة جداً، كانت درجة عدم اليقين أعلى، مما يشير إلى أن الصور الأقرب أو كاميرات ذات دقة أعلى ستحسّن الدقة أكثر.

ما معنى ذلك للسلامة اليومية

تُظهر الدراسة أن مزيجاً مصمماً بعناية من تصوير الهاتف الذكي، والأنماط المطبوعة البسيطة، والتحليل المتقدم للصور يمكن أن يوفر قياسات شقوق موثوقة دون معدات مكلفة أو مشغلين متخصصين بدرجة عالية. يميل النظام إلى المبالغة الطفيفة في تقدير عرض الشقوق، وهو تحيّز تحفظي وأكثر أماناً عند تقييم الحالة الهيكلية. مع تحسينات مستقبلية — مثل استخدام مستشعرات العمق المدمجة في الهواتف الأحدث بدلاً من رقع الشطرنج الفيزيائية — قد يجعل هذا الأسلوب عمليات الفحص الروتينية منخفضة التكلفة للمباني والجسور والهياكل الأخرى أكثر سهولة، مما يساعد الملاك على اكتشاف المشكلات مبكراً وتحديد أولويات الإصلاح حيث تهم أكثر.

الاستشهاد: Hassouna, M., Marzouk, M. & Fathalla, E. Automated low-cost framework for crack measurements in RC structures using deep learning approach. Sci Rep 16, 14678 (2026). https://doi.org/10.1038/s41598-026-50880-w

الكلمات المفتاحية: شقوق الخرسانة, مراقبة الحالة الهيكلية, تفتيش بالتعلم العميق, قياس باستخدام الهاتف الذكي, سلامة البنى التحتية