🤖 machine learning

Predicting the fatigue life of asphalt concrete using neural networks

تستخدم هذه الدراسة الشبكات العصبية الاصطناعية مع دالة فقدان متوسط مربع الخطأ اللوغاريتمي للتنبؤ بدقة بعمر الكلال للخرسانة الأسفلتية بناءً على الانفعال، ومحتوى الرابط، ومحتوى الفراغات الهوائية، مما يثبت أن محتوى الرابط الأعلى يحسن المتانة بشكل كبير مع توفير أدوات مفتوحة المصدر للأبحاث المستقبلية.

المؤلفون الأصليون: Jakub Houlík, Jan Valentin, Václav Nežerka

نُشر 2026-02-09

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jakub Houlík, Jan Valentin, Václav Nežerka

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل الخرسانة الأسفلتية (المادة التي تُصنع منها الطرق) كأنها كعكة ضخمة ومعقدة. "مكوناتها" هي أحجار مكسرة وغراء لزج يشبه القطران يسمى "البتومين". تماماً كما يمكن للكعكة أن تتشقق إذا استمررت في ثنيها ذهاباً وإياباً، تتشقق الطرق تحت وزن ملايين السيارات. تسمى هذه العملية "الكلال" (Fatigue)، ويعد تحديد المدة التي ستعيشها الطريق قبل أن تتشقق صداعاً كبيراً للمهندسين.

تقليدياً، لمعرفة كم ستعيش الطريق، يتعين على المهندسين خبز "كعكات اختبار" صغيرة في المختبر وثنيها مراراً وتكراراً. وهذا أمر بطيء ومكلف ويستغرق أسابيع.

تتحدث هذه الورقة عن تعليم الكمبيوتر (تحديداً "الشبكة العصبية"، وهي نوع من الذكاء الاصطناعي الذي يتعلم مثل الدماغ البشري) التنبؤ بمدة بقاء هذه "الكعكات" الطرقية دون الحاجة للانتظار لأسابيع من الاختبارات المخبرية البطيئة.

إليك تفصيل ما قاموا به، باستخدام تشبيهات بسيطة:

1. المكونات هي الأهم

ركز الباحثون على ثلاثة "مكونات" رئيسية تؤثر على عمر الطريق:

مستوى الانفعال (Strain Level): مدى قوة ثني الطريق (مثل مدى ثني مشبك الورق قبل أن ينكسر).
محتوى الرابط (Binder Content): كمية الغراء اللزج (البتومين) الموجودة في الخليط.
الفراغات الهوائية (Air Voids): عدد فقاعات الهواء الصغيرة المحاصرة داخل الكعكة.

لقد جمعوا بيانات من أربع دراسات علمية مختلفة، مما شكل "كتاب وصفات" يحتوي على 245 عينة طريق مختلفة.

2. تنظيف البيانات (سحر "بوكس-كوكس")

كانت البيانات التي جمعوها غير منظمة. معظم الطرق استمرت لفترة "طبيعية"، لكن القليل منها استمر لفترات طويلة جداً، مما خلق ذيلاً طويلاً وغير متماثل في البيانات (مثل وجود قلة من العمالقة في غرفة بينما الجميع متوسطو الطول).

لإصلاح ذلك، استخدموا خدعة رياضية تسمى تحويل بوكس-كوكس (Box-Cox transformation). فكر في هذا كأنه خلاط ينعم البيانات المتكتلة حتى يتمكن الكمبيوتر من هضمها بشكل أفضل. كما تحققوا من "القيم المتطرفة" (البيانات الغريبة أو التالفة) باستخدام "درجة Z" (Z-score)، وهي تشبه جهاز الكشف عن المعادن للبيانات السيئة. ولحسن الحظ، كانت بياناتهم نظيفة، لذا لم يضطروا للتخلص من أي شيء.

3. تدريب الدماغ الاصطناعي

قاموا ببناء دماغ رقمي (شبكة عصبية) ليتعلم العلاقة بين المكونات وعمر الطريق.

البنية (Architecture): جربوا أشكالاً مختلفة لهذا الدماغ. ووجدوا أن دماغاً يحتوي على طبقتين مخفيتين (مستويين من التفكير) و 200 عصبون (200 مفكر صغير) في كل طبقة هو الأفضل أداءً.
دالة التنشيط (ReLU): هذا يشبه مفتاح التشغيل/الإيقاف للدماغ. وجدوا أن مفتاح "ReLU" كان الأفضل في إبقاء الدماغ نشطاً ومتعلماً، بينما جعلت المفاتيح الأخرى الدماغ ينام أو يتصرف ببساطة شديدة.
المُحسِّن (RMSprop): هذا هو المعلم الذي يوجه الدماغ. وجدوا أن المعلم "RMSprop" كان الأكثر استقراراً وفعالية في تصحيح الأخطاء.

4. طريقتان مختلفتان لقياس النجاح

بما أن عمر الطريق يتفاوت بشكل هائل (بعضها يستمر لآلاف الدورات، والبعض الآخر للملايين)، فقد جربوا طريقتين مختلفتين لتقييم "واجب" الذكاء الاصطناعي:

LMSE (الخطي): تهتم هذه الطريقة بالحصول على الأرقام الكبيرة بشكل صحيح. إنها تشبه تقييم اختبار حيث تمنحك الأسئلة الصعبة نقاطاً أكثر. كانت هذه الطريقة دقيقة للغاية بشكل عام.
LMSLE (اللوغاريتمي): تهتم هذه الطريقة بالحصول على الأرقام الصغيرة بشكل صحيح. إنها تشبه تقييماً تحصل فيه على نقاط إضافية لعدم تفويت الأسئلة السهلة. كانت هذه الطريقة أفضل في التنبؤ بعمر الطرق التي لا تدوم طويلاً.

النتيجة: أصبح الذكاء الاصطناعي بارعاً للغاية في التنبؤ بالمستقبل. فعند اختباره على بيانات جديدة، حقق درجة (تسمى R²) بلغت 0.967 باستخدام الطريقة الخطية. هذا يشبه الحصول على درجة امتياز (A+) في امتحان صعب للغاية.

5. ما تعلمه الذكاء الاصطناعي (الخلطة السرية)

من خلال النظر في كيفية إجراء الذكاء الاصطناعي لتنبؤاته، اكتشف الباحثون بعض القواعد الواضحة:

المزيد من الغراء أمر جيد: الطرق التي تحتوي على مزيد من البتومين (الرابط) تميل إلى البقاء لفترة أطول. فالغراء يمسك الأحجار معاً ويحافظ على مرونتها.
فقاعات أقل أمر جيد: الطرق التي تحتوي على عدد أقل من الفراغات الهوائية تدوم لفترة أطول. الكثير من الفق bubbles يجعل الطريق ضعيفاً وعرضة للتشقق.
النقطة المثالية: اقترح الذكاء الاصطناعي أنه لكي تكون الطريق متينة حقاً، يجب أن تحتوي على 5.5% على الأقل من الرابط. ومع ذلك، أشاروا إلى أن هذه النسبة قد تكون كبيرة جداً للطبقات السفلية من الطريق، حيث يُستخدم عادةً كمية أقل من الغراء لمنع الطريق من أن يصبح طرياً جداً تحت تأثير الحرارة.

6. التنبيه (القيود)

كان المؤلفون صادقين بشأن حدود عملهم:

كتاب الوصفات صغير: كان لديهم 245 عينة فقط. ورغم أن هذا الرقم كبير لهذا النوع المحدد من الاختبارات، إلا أنه صغير بالنسبة لكمبيوتر ليتعلم كل شيء.
التحيز: معظم بياناتهم جاءت من دراسات معدودة فقط. قد يكون الذكاء الاصطناعي "منحازاً" لأنواع محددة من هذه الطرق، وقد لا يكون مثالياً لأنواع مختلفة تماماً من الطرق التي لم يرها من قبل.
لا توجد بلورة سحرية: الذكاء الاصطناعي رائع في التنبؤ بالطرق التي تشبه تلك الموجودة في بيانات التدريب. إذا سألته عن طريق مصنوع من مواد مختلفة تماماً، فقد يخطئ في التخمين.

الخلاصة

تظهر هذه الورقة أنه يمكننا استخدام برنامج كمبيوتر ذكي لتخمين المدة التي ستعيشها الطريق بناءً على "وصفتها" (كمية الغراء وعدد الفقاعات الهوائية). يمكن أن يوفر هذا للمهندسين وقتاً وهدراً هائلاً للمال من خلال تقليل الحاجة إلى الاختبارات المخبرية البطيئة والمتكررة. لقد وضع الباحثون كود البرمجة وبياناتهم عبر الإنترنت حتى يتمكن الآخرون من التحقق من عملهم أو محاولة تحسين "الوصفة".

ملخص تقني: التنبؤ بعمر الكلال للخرسانة الأسفلتية باستخدام الشبكات العصبية

بيان المشكلة
ترتبط ديمومة الخرسانة الأسفلتية (AC) ارتباطاً جوهرياً بعمر الكلال (fatigue life)، وهو معيار يحدد تكاليف الصيانة وطول العمر الهيكلي. وتعد طرق التقييم التقليدية، مثل اختبار الانحناء رباعي النقاط (4PB)، مستهلكة للموارد ومستهلكة للوقت، حيث تتطلب غالباً أسابيع لتحضير العينات ومعالجتها، تليها ساعات أو أيام من الاختبار. وبينما يوفر تعلم الآلة (ML) مساراً للتنبؤ بعمر الكلال باستخدام البيانات المتاحة، إلا أن التطبيقات السابقة للشبكات العصبية الاصطناعية (ANNs) في هذا المجال غالباً ما افتقرت إلى الأوصاف التفصيلية للهيكلية أو فشلت في الاستفادة من مجموعات البيانات الضخمة وغير المتجانسة. علاوة على ذلك، فإن التباين المتأصل في بيانات عمر الكلال، والتي غالباً ما تتبع توزيعاً لوغاريتمياً مع التواء كبير، يفرض تحديات أمام نماذج الانحدار القياسية.

المنهجية
استخدمت الدراسة الشبكات العصبية الاصطناعية للتنبؤ بعدد الدورات حتى الفشل ( $N_f$ ) بناءً على ثلاثة متغيرات مدخلة رئيسية: مستوى الانفعال ( $\varepsilon$ )، ومحتوى الرابط (binder content)، ومحتوى الفراغات الهوائية (air-void content).

جمع البيانات ومعالجتها مسبقاً: تألفت مجموعة البيانات من 245 عينة مستخرجة من أربع منشورات علمية محكمة، استخدمت جميعها اختبارات 4PB عند معدل انفعال ثابت، وتردد 10 هرتز، ودرجات حرارة 20 درجة مئوية (أو 70 درجة فهرنهايت). ولمعالجة الالتواء الكبير والتوزيع ذي الذيل الطويل لبيانات $N_f$ الأصلية، تم تطبيق تحويل "بوكس-كوكس" (Box–Cox transformation) بمعامل أمثل قدره $\lambda = -0.09$ . وقد تم التحقق من صحة هذا التطبيع باستخدام اختبارات "شابيرو-ويلك" (Shapiro–Wilk) ومخططات "كيو-كيو" (Q-Q plots). كما تم إجراء كشف للقيم المتطرفة باستخدام كل من درجات Z القياسية ودرجات Z المعدلة (بناءً على الانحراف المطلق عن الوسيط)؛ ولم يتم تحديد أي قيم متطرفة، مما سمح بالاحتفاظ بمجموعة البيانات كاملة.
هيكلية النموذج والتدريب: تم تطوير الشبكة العصبية الاصطناعية باستخدام مكتبة "كيراس" (Keras) (نموذج تسلسلي). وتم تطبيع المتغيرات المدخلة باستخدام "MinMaxScaler". كما تم تحسين هيكلية النموذج من خلال بحث منهجي في المعلمات الفائقة (hyperparameter search)، حيث تم تقييم عدد الطبقات الخفية ( $n_h$ )، وعدد الخلايا العصبية لكل طبقة ( $n_{neur,h}$ )، ودوال التنشيط، والمحسنات (optimizers). وتميزت الهيكلية المختارة النهائية بوجود طبقتين خفيتين تحتوي كل منهما على 200 خلية عصبية، مع استخدام دالة التنشيط ReLU ومحسن RMSprop.
دوال الخسارة والتحقق من الصحة: لاستيعاب النطاق الواسع لبيانات عمر الكلال، تم استخدام دالتين مختلفتين للخسارة: متوسط مربع الخطأ (LMSE) ومتوسط مربع الخطأ اللوغاريتمي (LMSLE). تم تقسيم مجموعة البيانات إلى 75% للتدريب (مقسمة لاحقاً إلى 80% للتدريب و20% للتحقق) و25% للاختبار. كما تم استخدام نهج التحقق المتقاطع رباعي الطيات (four-fold cross-validation) لضمان المتانة وتقليل الإفراط في التخصيص (overfitting). وتم تقييم أداء النموذج باستخدام معامل التحديد ( $R^2$ )، ومعامل التحديد المعدل، ومؤشر التشتت (SI).

النتائج الرئيسية

تحسين المعلمات الفائقة: حقق التكوين الذي يتضمن $n_h = 2$ و $n_{neur,h} = 200$ أعلى أداء. وقد تفوقت دالة ReLU باستمرار على دوال التنشيط الخطية والسيجمويد (sigmoid). ومن بين المحسنات، أظهر RMSprop استقراراً وأداءً فائقين مقارنة بـ Adam و Nadam، لا سيما عند اقترانه بـ ReLU.
أداء دالة الخسارة: حقق النموذج القائم على LMSE معامل $R^2$ أعلى (0.967) في مجموعة الاختبار، مما يشير إلى توافق قوي مع ملاحظات $N_f$ المرتفعة. وعلى العكس من ذلك، حقق النموذج القائم على LMSLE معامل $R^2$ أقل (0.86)، ولكن مؤشر تشتت أقل بكثير (0.503 لـ LMSE مقابل 0.926 لـ LMSLE)، مما يشير إلى أن LMSLE يلتقط بشكل أفضل الترتيب النسبي وتوزيع العينات ذات قيم عمر الكلال المنخفضة.
تأثير المتغيرات: كشفت مخططات الاعتماد الجزئي (Partial dependence plots) أن انخفاض محتوى الفراغات الهوائية (مثالياً تحت 3-4%) وزيادة محتوى الرابط (عموماً فوق 5.5%) يرتبطان بإطالة عمر الكلال. وأكدت النماذج أن محتوى الفراغات الهوائية المرتفع مع محتوى الرابط المنخفض يقلل بشكل ملحوظ من مقاومة الكلال.

الأهمية والمساهمات
يزعم المؤلفون أن هذه الدراسة تمثل تطبيقاً شاملاً للشبكات العصبية للتنبؤ بعمر الكلال للخرسانة الأسفلتية في العينات المختبرية، وتتميز بتوافر الكود ومجموعة البيانات بشكل مفتوح عبر مستودع GitHub. وتشمل المساهمات الرئيسية ما يلي:

شفافية البيانات: توفير أساس مفتوح الوصول للأبحاث المستقبلية لتطوير النماذج وربما توسيعها لتشمل متغيرات مثل أنواع الأسفلت والركام، والتي استُبعدت في هذه الدراسة بسبب تباينها العالي.
الدقة المنهجية: إثبات فعالية تحسين المعلمات الفائقة واختيار دوال الخسارة المناسبة (تحديداً LMSLE) للتعامل مع الطبيعة اللوغاريتمية لبيانات الكلال.
المنفعة العملية: تقديم أداة للتقدير الأولي لعمر الكلال المتوقع، مما يمكن المهندسين من تعديل معايير تصميم الخليط (محتوى الرابط والفراغات الهوائية) في مرحلة مبكرة من عملية التصميم لتقليل الاعتماد على الاختبارات التجريبية المكثفة.

المحددات
تقر الورقة بتواضع بأن مجموعة البيانات صغيرة وغير متوازنة نسبياً، حيث استُمد جزء كبير منها من عدد محدود من الدراسات. قد يؤدي هذا إلى إدخال تحيز نحو اتجاهات المصادر المهيمنة والحد من القدرة على التعميم، لا سيما لقيم $N_f$ القصوى أو سيناريوهات الكلال النادرة. ويشير المؤلفون إلى أن النموذج يعمل بشكل أفضل مع الخلطات التي تشبه المصادر الرئيسية للبيانات المستخدمة في التدريب، وأن جمع المزيد من البيانات التجريبية ضروري لتعزيز متانة النموذج وقدرته على التعميم.