חיזוי חוזק לחיצה בלתי מוגבל של חמרים יציבים באמצעות גיאופולימר בעזרת מכונת למידה קיצונית מבוססת זבוב פרי סקטוריאלי

קרקע חזקה יותר בעלות סביבתית נמוכה יותר

בכל רחבי העולם מהנדסים נדרשים להפוך קרקעות רכות ועשירות בחימר ליסודות יציבים עבור כבישים, מבנים וסוללות. מסורתית, זה נעשה על ידי הוספת כמויות גדולות של מלט פורטלנד רגיל, שהוא מקור משמעותי לפליטת פחמן דו‑חמצני. המחקר הזה בוחן דרך נקייה יותר: שימוש בתוצרי תעשייה בשם גיאופולימרים לחיזוק חמרים, ובנוסף יישום צורת בינה מלאכותית מתוחכמת לניבוי חוזק הקרקע המטופלת מבלי לערוך אינספור ניסויים מעבדתיים.

הפיכת פסולת תעשייתית לדבקים שימושיים

גיאופולימרים הם דבקים שנוצרים בהפעלת אבקות עשירות באלומינוסיליקטים — כגון סלאג מותך גרוס (GGBS) ובFly ash — בעזרת תמיסות אלקליות. כאשר מערבבים אותם עם חמר, הם יוצרים רשתות קשיחות דמויות אבן שיכולות להניב חוזק גבוה, התכווצות נמוכה ועמידות טובה, תוך פליטה נמוכה בהרבה של CO₂ בהשוואה למלט קונבנציונלי. ניסויים קודמים הראו שחמרים יציבים בגיאופולימר יכולים להגיע לחוזקים הנעים מכמעט אפס ועד מעל 40 מגה־פסקל, בהתאם לתערובת. אולם התוצאה תלויה ברגישות במספר מרכיבים בו‑זמנית: הפלסטיות הטבעית של החמר, כמות הסלאג או האפר שנוספה, עוצמת התחליב האלקליני, ואיזון מרכיבים מרכזיים כמו נתרן, סיליקון ואלומיניום.

מדוע חיזוי חוזק הקרקע כל כך מאתגר

כדי לתכנן תערובת מעשית, מהנדסים רוצים לדעת מראש עד כמה חזקה תהיה הנוסחה הספציפית. עריכת תוכניות מעבדה מלאות עבור כל תערובת מועמדת איטית ויקרה. נוסחאות סטטיסטיות מסורתיות גם הן אינן עונות לצרכים, משום שהקשרים בין סוג הקרקע, הרכב הגיאופולימר והחוזק הנובע הם בעלי אופי חזק לא־ליניארי. כלי למידת מכונה מודרניים — כמו רשתות עצביות ומכונות וקטור תמיכה — שיפרו את הניבויים, אך הם עלולים לדרוש כוונון כבד, להיגרם להתאמה מופרזת בנתונים קטנים, ולעתים להתנהג כ׳קופסאות שחורות׳ שאינן מבהירות אילו מרכיבים הם החשובים ביותר.

מכונת למידה חכמה יותר מונחית על ידי רתמה דיגיטלית

המחברים אספו 270 תוצאות ניסוי ממחקרים קודמים על חמרים יציבים בגיאופולימר, המכסות סוגי קרקע שונים, תערובות דבקים שונות, ריכוזי תמיסות אלקליות ותנאי התקשות משתנים. הם אימנו שלושה מודלים תחזיתיים קשורים. מנוע הליבה, שנקרא מכונת למידה קיצונית (extreme learning machine), הוא רשת עצבית מהירה שמגדירה את רוב הפרמטרים הפנימיים שלה בצעד אנליטי יחיד במקום באימון איטי באמצעות ניסוי וטעייה. כדי לשפר את ההגדרות הפנימיות הללו, הצוות שילב את הרשת בשגרת ׳אופטימיזציה של זבוב פרי׳ שמדמה כיצד זבובי פירות מחפשים מזון. בגרסה המשופרת שלהם, אופטימיזציית זבוב פרי סקטוריאלית, המקהלה הוירטואלית אינה משוטטת באקראי; במקום זאת היא חוקר את מרחב החיפוש במקטעים מרווחים באופן שווה, מה שמשפר את היציבות ועוזר לאלגוריתם להתייצב מהר יותר על פתרון טוב.

ניבויים טובים יותר ותובנה ברורה יותר לגבי מה שחשוב

כאשר נבחן על נתונים שלא נראו קודם, מכונת הלמידה הבסיסית כבר חזה את חוזק הלחיצה הבלתי מוגבל — כמה דחיסה החמר המטופל יכול לשאת — באופן מוצלח למדי. הוספת חיפוש המקהלה המקורי שיפרה את הדיוק עוד יותר. המקהלה הסקטוריאלית הציגה את הביצועים הטובים ביותר, וקיצצה את שגיאת החיזוי בכ־42 אחוז בהשוואה למודל הבסיס ובכ־19 אחוז בהשוואה לגרסת זבוב הפרי הקודמת, תוך שמירה על חישוב קל מספיק עבור מחשב נייד רגיל. מרבית החוזקים החזויים נשאו קרוב לערכים הנמדדים, ותבניות השגיאה הצביעו על כך שהמודל הכליל היטב במקום פשוט לשנן את נתוני האימון.

הפיכת מודלים מורכבים למתכוני קרקע מעשיים

כדי לפתוח את ה׳קופסה השחורה׳, החוקרים השתמשו בטכניקה שנקראת ניתוח SHAP, שמקצה לכל קלט תרומה לחיזוי הסופי. זה חשף כי תוכן הסלאג (GGBS) היה הגורם הבודד המשפיע ביותר בהגברת החוזק, כאשר הפלסטיות של החמר ומגבלת הנוזל גם הן משחקות תפקידים מרכזיים. פרמטרים מסוימים בתערובת — כגון עודף אפר מעופרת או פלסטיות גבוהה מאוד — נטו להוריד את החוזק, בעוד שריכוז אלקליין מתאים ואיזון נתרן‑ל‑אלומיניום נתנו השפעות חיוביות מתונות יותר. תובנות אלה, בשילוב עם הניבויים המדויקים, הופכות את מכונת הלמידה המשופרת בזבוב הפרי הסקטוריאלי לכלי מבטיח להנחיית עיצוב תערובות גיאופולימר, המסייע למהנדסים לבחור מתכונים המפיקים קרקע חזקה ויציבה עם פחות ניסויים וטביעת רגל סביבתית מצומצמת יותר.

ציטוט: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

מילות מפתח: חמר יציב בגיאופולימר, חיזוי חוזק קרקע, למידת מכונה בגאוטכניקה, שיפור קרקע בר-קיימא, מכונת למידה קיצונית