← أحدث الأبحاث
💻 computer science

An Explainable Android-Based Decision Support System for High-Performance Concrete Strength Prediction Using XGBoost and Monte Carlo SHAP

تقدم هذه الدراسة نظام دعم قرار قائم على نظام أندرويد وقابل للتفسير، يستخدم نموذج XGBoost مُحسَّناً وخوارزمية Monte Carlo SHAP ذات كفاءة حوسبية عالية لتوفير تنبؤات فورية وقابلة للتفسير لمقاومة الضغط للخرسانة عالية الأداء مباشرة على الأجهزة المحمولة.

المؤلفون الأصليون: mohsen beigi

نُشر 2026-08-24
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: mohsen beigi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

تُعد الخرسانة أكثر مواد البناء استخداماً على وجه الأرض، فهي تشكل الهيكل العظمي لمدننا وجسورنا ومنازلنا. وبينما تتكون الخرسانة العادية من خليط من الأسمنت والماء والرمل والحجر، فإن الخرسانة عالية الأداء هي نسخة أكثر تطوراً هندسياً لتكون أقوى وأكثر ديمومة وأسهل في التشغيل. يتطلب إنشاء هذه المادة توازناً دقيقاً؛ إذ يجب على المهندسين خلط كميات محددة من المكونات مثل الأسمنت والماء وإضافات متنوعة لتحقيق القوة المستهدفة. تقليدياً، يتضمن تحديد الخليط المناسب اختبارات مخبرية تستغرق وقتاً طويلاً حيث يتم معالجة العينات وسحقها لمعرفة مقدار القوة التي يمكن أن تتحملها. هذه العملية بطيئة ومكلفة، وغالباً ما تترك المهندسين في حالة تخمين للنتيجة النهائية حتى بعد صب الخرسانة بالفعل.

في السنوات الأخيرة، توجه العلماء إلى برامج حاسوبية تتعلم من البيانات السابقة للتنبؤ بهذه النتائج. هذه البرامج، المعروفة بنماذج تعلم الآلة، يمكنها تحليل آلاف وصفات الخرسانة السابقة وقوتها الناتجة لإيجال أنماط معقدة قد تغفل عنها البديهة البشرية. ومع ذلك، ظهرت مشكلة كبيرة: غالبًا ما تعمل أكثر النماذج الحاسوبية دقة كـ "صناديق سوداء". فهي تستطيع التنبؤ بقوة خليط جديد بدقة كبيرة، لكنها لا تستطيع شرح لماذا توصلت إلى هذا الرقم. بالنسبة لمهندس يقف في موقع بناء، فإن معرفة القوة المتوقدة أمر مفيد، لكن فهم أي مكون هو الذي يرفع القوة أو يخفضها أمر ضروري لاتخاذ قرارات آمنة ومدروسة. علاوة على ذلك، تتطلب هذه النماذج القوية عادةً أجهزة كمبيوتر ضخمة أو اتصالات بالإنترنت لتشغيلها، مما يجعلها غير عملية للاستخدام في الميدان حيث تكون الطاقة والاتصال نادراً ما يتوفران.

قام أحد الباحثين الآن بجسر هذه الفجوة عبر ابتكار أداة تجلب التنبؤ عالي الدقة والشرح الواضح مباشرة إلى الهاتف الذكي. يركز عمله على نوع معين من النماذج الحاسوبية المتقدمة يسمى "XGBoost"، والذي وجد أنه الأكثر فعالية في تخمين قوة الخرسانة عالية الأداء. اختبر الباحث هذا النموذج مقابل خمس طرق أخرى شائعة للتعلم الحاسوبي باستخدام قاعدة بيانات تضم أكثر من ألفي خليط خرساني مختلف. وأظهرت النتائج أن نموذج "XGBoost" كان الأكثر دقة، حيث انحرفت تنبؤاته عن القوة الفعلية المقاسة بمتوسط قدره 3.512 ميجا باسكال فقط، وهي وحدة قياس الضغط. كان هذا الأداء متفوقاً على النماذج الأخرى، التي سجلت هوامش خطأ أكبر.

ومع ذلك، فإن الابتكار الحقيقي في هذه الدراسة يكمن في كيفية جعل هذا النموذج القوي يعمل على جهاز محمول وجعله مفهوماً. إن تشغيل نموذج معقد على هاتف أمر صعب، لكن الباحث حل هذه المشكلة عن طريق ترجمة النموذج المدرب إلى تنسيق ملف نصي بسيط يمكن للهاتف قراءته ومعالجته دون الحاجة إلى أي اتصال خاروحي بالإنترنت. سمح هذا للتطبيق بالعمل بالكامل دون اتصال بالإنترنت، مما يعني أن المهندس يمكنه استخدامه في أي مكان، حتى في المواقع النائية. ولحل مشكلة "الصندوق الأسود"، طور الباحث طريقة جديدة لشرح تفكير النموذج تكون سريعة بما يكفي للعمل على الهاتف الذكي. فالطرق القياسية لشرح هذه النماذج ثقيلة جداً من الناحية الحسابية بحيث ستستغرق وقتاً طويلاً جداً وتستنزف بطارية الهاتف. بدلاً من ذلك، استخدم الباحث تقنية تعتمد على أخذ عينات من التباينات العشوائية لبيانات المدخلات لتقدير مدى مساهمة كل مكون في التنبؤ النهائي.

والنتيجة هي نظام دعم قرار يفعل أكثر من مجرد إعطاء رقم. عندما يدخل المستخدم تفاصيل الخليط الخرساني — مثل كمية الأسمنت والماء وعمر الخليط — يقوم التطبيق فوراً بحساب القوة المتوقعة. وفي الوقت نفسه، ينشئ التطبيق مخططاً مرئياً يفكك التنبؤ. يوضح هذا المخطط نقطة البداية بناءً على خليط متوسط، ثم يضيف أو يطرح قيماً لكل مكون محدد أدخله المستخدم. على سبيل المثال، قد يظهر أن كمية أعلى من الأسمنت رفعت القوة المتوقعة، بينما خفض نوع معين من الإضافات القوة. هذا الشرح المرئي يسم يسمح للمستخدم برؤية كيف توصل الكمبيوتر إلى استنتاجه، محولاً عملية حسابية معقدة إلى قصة شفافة حول تكوين الخليط.

أثبت الباحث أن هذا النهج يعمل بفعالية من خلال اختباره على مجموعة البيانات الخاصة به والتأكد من أن التفسيرات تطابقت مع سلوك النموذج. ووجد أن الطريقة المبسطة لتوليد هذه التفسيرات كانت أسرع بمئات المرات من الطريقة الدقيقة التقليدية، مما جعل استخدامها ممكناً في الوقت الفعلي على جهاز محمول. ومن خلال الجمع بين محرك تنبؤ عالي الدقة وشرح مرئي واضح يعمل دون اتصال بالإنترنت، يوفر هذا النظام أداة عملية للمهندسين. فهو يحول عملية تصميم الخرسانة من تمرين قائم على التجربة والخطأ إلى قرار مدفوع بالبيانات، مما يسمح للمحترفين بتحسين خلطاتهم وضمان السلامة الإنشائية دون الحاجة إلى مختبر أو حاسوب فائق.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →