הערכת הדיוק החיזויי של מודלים מונחים בלמידת מכונה לחקר חוזק מכני של בטון המכיל סלע כביש (blast furnace slag)

מדוע בטון חכם יותר משנה כל כך

הבטון מעצב את הערים שלנו, אך ייצור המלט שמאחה אותו משחרר כמויות עצומות של פחמן דו‑חמצני — כ‑8% מהפליטות העולמיות. דרך מבטיחה לצמצם טביעת הרגל הזו היא להחליף חלק מהמלט הרגיל בתוצרי לוואי תעשייתיים כמו סלע כביש (blast furnace slag), חומר זכוכיתי שמקורו בייצור פלדה. הבעיה היא: מציאת המתכון המתאים לבטון חזק ועמיד ופחות פחמני דורשת בדרך כלל חודשים של ניסויים במעבדה. המחקר הזה מראה כיצד כלים מודרניים של למידת מכונה יכולים לבצע הרבה מהניסויים הללו באופן וירטואלי, ולהאיץ את תכנון הבטון הירוק.

מרכיב נקי יותר מייצור פלדה

סלע כביש נוצר כאשר מחצבי ברזל מומסים ליצירת ברזל מחוזק. כאשר תוצר הלוואי המוצק והחם הזה מקורר במהירות ומטחנים אותו לאבקה דקה, הוא מתנהג כמו מלט שפועל לאט. בתערובת בטון הוא מגיב עם תרכובות שנוצרות במהלך הידרציה של המלט ויוצר ג'ל קשירה נוסף שמצמצם את הנקבוביות הפנימית. היתרונות משולשים: צריך פחות מלט (ומכאן פחות פליטות CO₂), ההתנגדות להתקפות כימיות ממלחים וחומצות משתפרת, והחוזק ממשיך לגדול על פני תקופות ארוכות יותר. עם זאת, הביצועים תלויים ברגישות בכמות הסלע שמוסיפים, באינטראקציה שלו עם חומרים אחרים ובמשך תקופת הריפוי של הבטון.

להפוך ניסויים מפוזרים למערך נתונים אחד

במקום לערוך ניסויים מעבדתיים חדשים לכל תערובת אפשרית, החוקרים עברו על מחקרים קודמים ומאגרי נתונים פתוחים על בטונים המכילים סלע כביש. הם אספו 675 רשומות נתונים, כל אחת מתארת מתכון בטון וחוזק הלחיצה הנמדד שלו (כמה לחץ הוא עומד בו לפני שהוא מתרסק). נעקרו שמונה מרכיבים ותנאים מרכזיים: כמויות מלט, סלע כביש, אפר טייס, כריות גסות ועדינות, מים, ותרכובת צמצום מים בטווח גבוה הקרויה סופרפלסטיצייזר, בנוסף לגיל הריפוי והימים. כל הערכים נבדקו, הוכנסו ליחידות משותפות, נוקו משגיאות ברורות ושרוּתו כך שמודלי למידת המכונה יוכלו להשוות בין המשתנים על בסיס שווה.

להכשיר מכונות לחזות חוזק בטון

עם מאגר הנתונים ביד, הצוות האמן שישה מודלים שונים של למידת מכונה מונחית כדי לחזות חוזק לחיצה מהעיצוב התערובת: AdaBoost, עץ החלטה יחיד, Gradient Boosting, k-Nearest Neighbors, ושתי שיטות מתקדמות מבוססות עצים הידועות כ‑LightGBM ו‑XGBoost. הם השתמשו ב‑80% מהנתונים לאימון וב‑20% לבחינת היכולת של כל מודל לטפל בתערובות חדשות ולא נראו בעבר. כדי להימנע מהתאמת יתר — שבה מודל שורף את הנתונים במקום ללמוד כללים — הם כיווננו באופן שיטתי פרמטרים בעזרת חיפוש רשת ואימות משוכפל (cross‑validation), ואז שפטו ביצועים באמצעות מדדי דיוק מקובלים כגון מקדם הקביעה (R²) וסטטיסטיקות שגיאה שונות.

מה שולט בחוזק בתערובות ירוקות יותר

שני המודלים החזקים ביותר, LightGBM ו‑XGBoost, שכפלו את חוזקי המעבדה בדיוק גבוה, ותפסו מעל 94% מהשונות בנתוני המבחן. כדי להפוך את המודלים ה"תיבת שחורה" הללו למובנים, המחברים השתמשו ב‑SHAP (שיטה שמקצה לכל קלט חלק בחיזוי) ובגרפים של תלות חלקית, שמראים כיצד שינוי במשתנה אחד משפיע על החוזק החזוי כאשר שאר המשתנים קבועים. הכלים האלה חשפו כי גיל הריפוי הוא הגורם החיובי המשמעותי ביותר: ריפוי ארוך יותר פירושו באופן עקבי בטון חזק יותר. סופרפלסטיצייזר ותכולת המלט היו מיד לאחר מכן המשפיעים ביותר, והעלו את החוזק על ידי שיפור האריזה והפחתת מים מיותרים. המים עצמם הראו השפעה שלילית חזקה — כמות גדולה מדי מחלישה את התערובת — בעוד שסלע הכביש תרם עד נקודה מסוימת ואז השפעתו התמתנה.

מציאת נקודת האיזון לסלע הכביש

על ידי הרצת המודלים על פני תוכניות שונות של תכולת סלע כביש, החוקרים זיהו חלון החלפה אופטימלי: כאשר סלע הכביש מהווה בערך 30–40% מסך החומר המלטי, הבטון נטה להגיע לחוזקי לחיצה גבוהים יותר, במיוחד בגיל ריפוי של 28 ימים ומעלה. דחיפה של אחוזי סלע גבוהים יותר, ובמיוחד מעל 50%, לעתים האטה את עליית החוזק המוקדמת, דבר שיכול להיות קריטי ללוחות זמנים בבנייה. תובנות אלה, שנחולצו מהרבה מחקרים קטנים, מציעות הנחיות מעשיות: מהנדסים יכולים למקד בבטחה את טווח הסלע הבינוני הזה כדי לאזן בין חוזק, עמידות וחיסכון בפחמן ללא צורך בניסויים מעמיקים לכל פרויקט.

מה זה אומר לבנייה בעתיד

עבור הלא‑מומחים, המסר המרכזי פשוט: מחשבים יכולים כיום ללמוד מניסויים קודמים בבטון די טוב כדי להציע תערובות חזקות ופחות פחמניות עוד לפני שנטתה אצבע במעבדה. בעבודה זו, מודל LightGBM בולט כמדויק במעט יותר מאשר XGBoost, אך שניהם היו מדויקים ומסבירים מספיק כדי להראות אילו מרכיבים חשובים והיכן סלע הכביש מתפקד הכי טוב. השילוב הזה של מהירות ושקיפות מאפשר למעצבים לקצר זמן, עלות ובזבוז חומר תוך ניצול טוב יותר של תוצרי לוואי תעשייתיים. ככל שמאגרי הנתונים יתגדלו ויתאחדו, כלים כאלה עשויים לסייע לתעשיית הבנייה לצמצם את השפעתה על האקלים ועדיין לספק מבנים בטוחים ועמידים.

ציטוט: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

מילות מפתח: בטון עם סלע כביש ממפעלי כורים, למידת מכונה, חוזק לחיצה, בנייה בת קיימא, החלפת מלט