הבטון תומך בבניינים, בגשרים ובכבישים שלנו, אך ייצור המלט שבו משחרר כמויות גדולות של דו-תחמוצת הפחמן. במקביל, מפעלי שמן דקל מייצרים הררי אפר אשר לעתים נזרקים. המחקר הזה בוחן כיצד ניתן להפוך אפר זה למרכיב שימושי בבטון, וכיצד תוכנות חכמות יכולות לחזות באמינות את חוזקו של בטון "ירוק" כזה עוד לפני שיוצק אצווה אחת.
מדוע אפר שמן דקל חשוב
אפר דלק משמן דקל הוא תוצר אבקי שנשאר לאחר שריפת שאריות דקל לייצור אנרגיה. במדינות שמגדלות הרבה שמן דקל, הוא מצטבר בכמויות עצומות ועלול לגרום לבעיות הטמנה וזיהום. עם זאת, באפר זה יש חלקיקים ריאקטיביים שיכולים להחליף חלק מהמלט בבטון. שימוש בו מקדם שתי מטרות בו־זמנית: מקטין את כמות המלט האינטנסיבי אנרגטית וממוחזר פסולת חקלאית. ניסויים קודמים הראו שאם מעבדים ומיישמים את האפר בזהירות, ניתן להשיג בטון חזק ועמיד. האתגר הוא שהחוזק תלוי בהרבה מרכיבים ותנאי עיבוד המשתלבים זה בזה, ולכן המעצבים זקוקים לשיטה מהירה ומהימנה להערכת ביצועים בלי לערוך ניסויים אין־סופיים.
לאפשר למודל חכם ללמוד ממאות תוספים Figure 1.
החוקרים אספו נתונים מ‑22 מחקרים שפורסמו וסיכמו 469 תערובות בטון שונות שהשתמשו באפר דלק משמן דקל. לכל תערובת הם תיעדו שישה מרכיבים ותנאים מרכזיים: כמות המלט והאפר, כמות ההוספה הכימית (סופרפלאסטיסייזר), איזון בין חצץ גס ועדין, יחס מים-לצמנט (water-to-binder), וכמה זמן הבטון עבר התקשות לפני הבדיקה. לאחר מכן פנו לבינה מלאכותית ובנו מודל מחשב בהשראת האופן שבו תאי עצב מתחברים במוח — רשת נוירונים מלאכותית. סוג זה של מודל לומד על ידי דוגמאות: הוא רואה שילובים רבים של קלטים והחוזקים הנובעים מהם, ומעדכן בהדרגה את הקשרים הפנימיים שלו כדי לחקות את התוצאות.
חיזוק "המוח" בעזרת חיפוש בהשראת האבולוציה
עצמאית, רשת נוירונים עלולה להיות קשה לכוונון. אם ההגדרות הפנימיות שלה נבחרות בצורה לקויה, היא עלולה להיתקע בביצועים בינוניים. כדי להתגבר על כך, הקבוצה שילבה את הרשת עם אלגוריתם שני החוזה את אופן התפשטות והתאמת המינים על פני איים — אופטימיזציה מבוססת ביאוגאוגרפיה. בסכמה זו, כל "אי" מייצג קבוצת הגדרות רשת שונה. תכונות מאיים מוצלחים נודדות לאיים חלשים יותר, בעוד ששינויים אקראיים מדי פעם מונעים מהחיפוש להיתקע. לאורך מחזורים רבים, גישה משולבת זו מעדנת את הרשת כך שתוכל להתאים טוב יותר לחוזקי הבטון שנמדדו.
כמה טוב המודל המשולב מתפקד Figure 2.
כדי לבדוק האם המודל המשולב באמת מצדיק את שמו, המחברים חלקו את 469 התערובות לקבוצות נפרדות לאימון, לכיול ולמבחן עצמאי, והשתמשו גם בשיטות בדיקה מצולבות שמשנות את סידור הנתונים שוב ושוב. הם השוו את הרשת המשולבת לרשת נוירונים סטנדרטית ולמודלים קודמים מהספרות. הגרסה המשולבת חזו בעקביות את חוזק הלחץ בצורה מדויקת יותר: למעלה מ‑60% מהחיזויים שלה היו בטווח של 5% מהערכים הנמדדים, לעומת כ‑39% למודל הקונבנציונלי. השגיאה הכוללת שלה הייתה קטנה יותר, וחיזוייה היו יציבים יותר כאשר הנתונים נסקרו מחדש בדרכים שונות. ניתוח המודל המאומן גם חשף אילו גורמים משפיעים ביותר, כשהזמן ההתקשות ויחס המים-לצמנט בלטו כגורמי המפתח לחוזק.
מה המשמעות עבור בנייה ירוקה
עבור מהנדסים ומתכננים, המחקר מציע כלי מעשי: עבור תערובת מועמדת הכוללת אפר דלק משמן דקל, המודל המשולב יכול להעריך במהירות את חוזק הבטון הצפוי, בטווח התערובות שהכיר. זה חוסך זמן, מפחית אצוות ניסוי יקרות, ומעודד שימוש רחב יותר בחומרים מבוססי פסולת שמפחיתים את השימוש במלט והפליטות. אמנם המודל עדיין מוגבל על ידי חוסרים ושונות במחקרים הניסויים שבבסיסו, אך הוא מראה כי שילוב של למידה מנתונים וחיפוש בהשראת האבולוציה יכול לסייע להתמודד עם סיבוכיותם של בטונים ברי‑קיימא מודרניים ולהקרב בנייה ירוקה למציאות היומיומית.
ציטוט: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash.
Sci Rep16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w
