הערכת השוואתית של שיטות למידת מכונה ולמידה עמוקה לחיזוי חוזק הלחיצה של בטון גיאופולימרי

דרך חדשה לתכנון בטון ירוק יותר

הבטון הוא עמוד השדרה של הערים המודרניות, אך ייצור המלט המסורתי משחרר כמויות גדולות של פחמן דו‑חמצני. בטון גיאופולימרי מציע אלטרנטיבה נקייה יותר, אך מהנדסים עדיין מתקשים לחזות את חוזקו לאחר הקרישה. מחקר זה מראה כיצד כלי נתונים מודרניים, הכוללים למידת מכונה ולמידה עמוקה, יכולים ללמוד ממאות ניסויים קודמים כדי לחזות את חוזק התערובות של בטון גיאופולימרי ולהנחות בנייה ירוקה יותר עם פחות ניסויי ניסיון יקרים.

מדוע קשה לקבל בטון ירוק מדויק

בטון גיאופולימרי מחליף חלק גדול מהמלט הרגיל בתוצרי תעשייה כמו אפר טיסה, סלג, מטאקולין ואדי סיליקה. אבקות אלה מגיבות עם נוזלים אלקליים ויוצרות חומר מוצק דמוי אבן, שיכול להתאים או לעלות על חוזק הבטון הסטנדרטי תוך הורדת פליטות הפחמן עד כ‑70 אחוז. אך המתכון הירוק הזה עדין: החוזק תלוי בגורמים רבים ומשולבים, כולל סוג וכמות האבקות, מינון וריכוז הנוזלים האלקליים, כמות המים והתוספים הכימיים, גרגירי חול וחצץ, סיבים להגדלת חספוס, ותנאי וכמות ההתקשות. מאחר שכל המרכיבים האלו מתקשרים זה עם זה בצורה מורכבת ולא‑קווית, משוואות פשוטות אינן מספיקות כדי לחזות את חוזקו של תערובת חדשה.

בניית מאגר נתונים רחב היקף

כדי להתמודד עם המורכבות הזו, הכותבים אספו בסיס נתונים מאוחד גדול מ‑19 מחקרים שפורסמו, המכסה 594 תערובות בטון גיאופולימרי שונות. כל רשומה מתארת מרכיבים מרכזיים כגון כמויות אפר טיסה, סלג, מטאקולין, אדי סיליקה, חול, חצץ, מים, נוזלים אלקליים וסופרפלסטייזר, לצד סיבי פלדה ופוליפרופילן וגיל ההתקשות בימים. הצוות נקה את הנתונים בקפידה: הוסר כפילויות, הותאמו יחידות ושמות משתנים, ושמרו רק תערובות עם מידע מלא. זה הניב סט מגוון אך עקבי שמתפרש על טווח רחב של חוזקים, מתערובות יחסית חלשות ועד בטונים בעלי ביצועים גבוהים מאוד, המשקף את הפיזור האמיתי שנמצא במעבדות רבות.

לאפשר למכונות ללמוד מתערובות קודמות

עם מאגר הנתונים ביד, החוקרים אימנו מערך של מודלים לחיזוי. בצד הקלאסי השתמשו בכמה שיטות למידת מכונה, כולל עצי החלטה, יער אקראי וטכניקות “הגברה” מתקדמות (boosting) שמצמצמות מודלים קטנים לרגישות חזקה כוללת. בצד הלמידה העמוקה נבחנו שני רשתות נוירונים בעומקים שונים ודגם מודרני לטבלאות בשם TabNet, המשתמש במנגנון תשומת לב להתמקד במרכיבים המידעיים ביותר. הנתונים חולקו כך ש‑80 אחוז מהתערובות שימשו ללימוד המודלים, בעוד 20 האחוזים הנותרים נשמרו למבחן כדי לבדוק עד כמה כל שיטה חוזה תוצאות שלא נראו בעבר באמצעות מדדים סטנדרטיים של שגיאה ומתאם התאמה.

אילו מודלים עבדו טוב ומדוע

המנצח הברור בקרב שיטות למידת המכונה היה שיטת boosting בשם CatBoost, שסיפקה תחזיות חוזק מדויקות מאוד והתאימה היטב לנתוני המבחן על פני כל טווח הערכים. דגם משופר נוסף, XGBoost, הגיע קרוב אחריו. מבין כלי הלמידה העמוקה, TabNet הופיע כיעיל ביותר והתחרה באפן יעיל בדגם העליון של למידת המכונה, בעוד שרשת נוירונים עמוקה יותר עם שכבות רבות יותר דווקא הופיעה פחות טובה — ככל הנראה כי סט הנתונים היה צנוע מדי בגודלו עבור מבנה כה מורכב. כדי להבהיר תחזיות “קופסת שחור” אלו, השתמשו החוקרים בכלי הסבר בשם SHAP, שמעניק ציון חשיבות לכל קלט. ניתוחים אלה הראו שתכולת הסלג וגיל ההתקשות שולטים בעקביות בחיזוי החוזק, ואחריהם מרכיבי הביינדר האחרים, מינון האלקליים וכמויות הסלעים הסחוטים, בעוד שסיבי פלדה ופלסטיק ממלאים תפקיד משני בלבד בחוזק לחיצה, אף על פי שהם משפיעים חזק על סדיקה וחספוס.

מה משמעות הדבר עבור בנייה בעתיד

בהיאחזות פשוטה, עבודה זו מראה שמחשבים יכולים ללמוד ממאות מתכונים קודמים של בטון גיאופולימרי כדי לספק אומדנים מהירים ואמינים לגבי חוזקו של תערובת ידידותית לסביבה חדשה. במקום ליצוק ולרסוק מספר רב של גלילים ניסיוניים, מהנדסים יכולים להשתמש במודלים אלה כדי לצמצם את הבחירה של שילובים מבטיחים של אבקות ביינדר, נוזלי מופעל ותנאי התקשות לפני המעבדה. המחקר מדגיש גם אילו מרכיבים חשובים ביותר, ומספק הנחיות מעשיות: ההתאמה של תכולת הסלג, רמות המפעיל ותנאי ההתקשות חשובות הרבה יותר לחוזק לחיצה מאשר כיוונון עדין של כמות הסיבים. אף שעדיין יש לאמת את המודלים על מאגרי נתונים גדולים ותקניים יותר, מסגרת זו מהווה צעד משמעותי לכיוון תכנון בטון מופחת פחמן ומונחה נתונים.

ציטוט: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

מילות מפתח: בטון גיאופולימרי, למידת מכונה, למידה עמוקה, חזוי חוזק לחיצה, בנייה בת קיימא