מודל עמידות לגזירה של אלמנטים מבטון קל מבוסס רשת נוירונים עמוקה ואופטימיזציה בהשראת COVID-19

מדוע בטון קל ומתמטיקה חכמה חשובים

בניינים וגשרים הופכים לגבוהים, ארוכים ויעילים יותר, ומהנדסים מחפשים חומרים חזקים אך קלים. בטון קל מסייע להפחית את משקל המבנים ולשפר את הבידוד, אך חיזוי האופן שבו הוא יסדק וייכשל תחת סוגי עומס מסוימים הוא מורכב. המאמר מראה כיצד צורת מודרנית של בינה מלאכותית, בשילוב עם אלגוריתם שנשא השראה מהתפשטות COVID-19, יכולה לחזות מאפיין מרכזי של בטון קל בדיוק גבוה יותר מאשר כללי תכנון קיימים, מה שעלול להוביל למבנים בטוחים ויעילים יותר.

האתגר של מניעת קריעה בבטון

כאשר קורת בטון במבנה או גשר נושאת עומסים, היא עלולה להיכשל בדרכים שונות. אחד המצבים ההפתעתיים והקשים לחיזוי נקרא גזירה, שבה נוצרים סדקים אלכסוניים החותכים את הקורה. נוסחאות התכנון המסורתיות שבקודי הבנייה העיקריים בעולם מכוונות זהירות, אך לעיתים קרובות אינן מסכימות זו עם זו ועלולות להעריך בצורה שגויה את התנהגות הקורות האמיתיות. הבעיה מחמירה עם בטון קל: המשקל הנמוך והסלעים השונים משפיעים על אופן היווצרות הסדקים ועל מסלול הכוחות בתוך החומר, ומחלישים מנגנונים פנימיים שעוזרים בדרך כלל לעמוד בפני גזירה.

איך מודל למידה עמוקה קורא התנהגות מבנית

כדי להתמודד עם זה בנו המחברים רשת נוירונים עמוקה — סוג של מודל בינה מלאכותית המורכב משכבות רבות של יחידות עיבוד פשוטות שמאתרות דפוסים בנתונים. הם אילפו את הרשת על תוצאות ניסיוניות מקורות בטון קל, והזינו לה פרטים גיאומטריים, חוזקות חומר, תכונות חיזוק הפלדה, ואופן החלת העומס. במקום להתחיל מהגדרות אקראיות, כיוונו את הפרמטרים ההתחלתיים של הרשת באמצעות אסטרטגיית חיפוש מיוחדת המכונה אלגוריתם האופטימיזציה של COVID-19, שמלווה רעיונות מהאופן שבו זיהום מתפשט, נכבה או נשלט. נקודת התחלה חכמה זו עוזרת לרשת ללמוד מהר יותר ולהימנע מלהיתקע בפתרונות חלשים.

בדיקה מול קורות אמיתיות וכללי תכנון

החוקרים בדקו את המודל על ידי השוואת תחזיותיו למדידות מעבדתיות אמיתיות ולשלושה קודי תכנון נפוצים מארצות הברית, אירופה ויפן. הם שימו לב במיוחד לאזורים בנתונים שבהם ההתנהגות הופכת לא-ליניארית מאוד — כלומר שינויים קטנים בקלט עלולים לגרום לקפיצות גדולות ובלתי סדירות בעמידות לגזירה. בדיוק באזורים המאתגרים האלה עקבה הרשת העמוקה אחרי תוצאות הניסויים באופן קרוב יותר מאשר המשוואות בקודים, אשר נטו להסתעף. בסיכום על כל המערך, המודל החדש הציג את השגיאה הממוצעת הנמוכה ביותר והתאמה הצמודה ביותר בין חוזקה חזויה לנמדדת, ובו בזמן הציג ביצועים טובים בבדיקות צולבות חוזרות שהגנו מפני התאמת יתר.

מה המודל מגלה על מרכיבים מרכזיים

מעבר לחיזוי מספרים, המחברים השתמשו ברשת המאומנת כדי לבחון אילו תכונות קורה וחומר משפיעות ביותר. הניתוח הדגיש את העומק היעיל של הקורה, חוזק הכיווץ של הבטון, צפיפות היחידה של הבטון ורוחב הקורה כגורמים המשפיעים ביותר על יכולת הגזירה בבטון קל. לעומת זאת, כמה גורמים שנתפסים לעיתים קרובות כחשובים — כמו גודל התערובת (אגרגטים) וכמות הפלדה הכיפופית — הראו השפעה נמוכה באופן מפתיע במערך זה, מה שמציב שאלות לניסויים עתידיים ומרמז שמעצבים עשויים לרצות להתמקד בקבוצה מצומצמת יותר של פרמטרים כאשר הם מחדשים כללים לתערובות קלות.

מה משמעות הדבר למבנים עתידיים

לקוראים שאינם מומחים, המסקנה העיקרית היא שמודל למידה עמוקה מאומן בקפידה יכול לשמש מתורגמן מיומן בין ניסויים מעבדתיים לפרקטיקה יומיומית של תכנון. במחקר זה, הרשת המותאמת באמצעות אלגוריתם ה-COVID-19 ביצעה עבודה טובה יותר מנוסחאות הקוד הקיימות בהערכת עמידות קורות בטון קל לכוחות קריעה, במיוחד במקרים קשים שבהם ההתנהגות רחוקה מפשטות. מהנדסים עדיין יסתמכו על קודים לאישור רגולטורי, אך כלים כאלו יכולים לסייע לזהות תכנונים מוגזמים בשמרנות או פוטנציאליים מסוכנים ולנוע לעבר מבנים קלים ויעילים יותר שמשתמשים בחומר חכם יותר.

ציטוט: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

מילות מפתח: בטון קל, עמידות לגזירה, רשת נוירונים עמוקה, הנדסה מבנית, אלגוריתם אופטימיזציה