Metaheuristic-Optimized Machine Learning Models for Predicting Shear Strength of Circular Concrete-Filled Steel Tubes with SHAP-Based and PDP Interpretability

تخيل أنك تبني ناطحة سحاب أو جسراً ضخماً. لكي تجعل هذه العمالقة تقف شامخة في وجه الرياح، والزلازل، وحركة المرور الثقيلة، غالباً ما يستخدم المهندسون حيلة ذكية: يقومون بصب الخرسانة داخل أنبوب فولاذي مجوف. فكر في الأمر كأنه قطعة من الشوكولاتة المغطاة بالمارشميلو، ولكن بدلاً من الحلوى الطرية، لديك غلاف فولاذي فائق القوة يحتضن قلباً خرسانياً. يمنع الفولاذ الخرسانة من التصدع، وتمنع الخرسانة الفولاذ من الانبعاج، مما يخلق مادة فائقة يمكنها تحمل أوزان هائلة. يُطلق على هذا النوع اسم "الأنبوب الفولاذي المملوء بالخرسانة" (CFST).

ومع ذلك، هناك خطر خفي في هذه الهياكل. فبينما هي رائعة في تحمل الأحمال الثقيلة من الأعلى، يمكنها أن تنكسر فجأة بشكل جانبي إذا تعرضت لضغط شديد من الجانب. يُسمى هذا "فشل القص" (shear failure)، ويحدث بسرعة كبيرة لدرجة أن المباني لا تملك فرصة لتحذرك قبل أن تنهار. لعقود من الزمن، حاول المهندسون التنبؤ بدقة بمقدار القوة التي يمكن أن تتحملها هذه الأنابيب قبل الانكسار باستخدام معادلات رياضية معقدة. لكن هذه المعادلات القديمة تشبه محاولة تخمين حالة الطقس من خلال النظر إلى سحابة واحدة؛ فهي غالباً ما تغفل عن الطرق المعقدة التي يتفاعل بها الفولاذ والخرسانة. لهذا السبب، يتجه العلماء إلى "تعلم الآلة" (machine learning) — وهي برامج حاسوبية تتعلم من التجارب السابقة لإيجاد أنماط قد يغفل عنها البشر. السؤال الكبير هو: هل يمكن للحاسوب أن يتعلم الوصفة السرية لأنبوب آمن وغير قابل للكسر بشكل أفضل من الكتب الرياضية القديمة؟

يتعمق هذا البحث في هذا السؤال من خلال تعليم أربعة "أدمغة" حاسوبية مختلفة التنبؤ بقوة القص للأنابيب الخرسانية المملوءة بالفولاذ ذات المقطع الدائري. جمع الباحثون بيانات من 230 تجربة سابقة، تماماً مثل طباخ يجمع 230 وصفة مختلفة للكعكة المثالية. ثم قاموا بتغذية هذه البيانات في أربعة نماذج ذكية: نموذجان يستخدمان طريقة تسمى "تحسين سرب الجسيمات" (Particle Swarm Optimization) (والتي تعمل مثل سرب من الطيور يبحث عن أفضل مصدر للغذاء) ونموذجان يستخدمان "التحسين البايزي" (Bayesian Optimization) (والذي يعمل مثل المحقق الذي يضع تخمينات مدروسة لحل لغز ما). وقد تم دمج هذه النماذج مع أسلوبين مختلفين من التعلم: "الغابة العشوائية" (Random Forest) (الذي يطرح العديد من الأسئلة ويأخذ متوسط الإجابات) و"كات بوست" (CatBoost) (وهو متعلم فائق السرعة بارع في التعامل مع البيانات غير المنظمة).

كانت النتائج مثيرة. لم تكتفِ النماذج الحاسوبية بالتخمين فحسب، بل تعلمت الأنماط بدقة مذهلة. كان الأفضل أداءً هو مزيج يسمى "BO-Cat" (التحسين البايزي مع كات بوست). وفي مرحلة الاختبار، حيث واجه النموذج بيانات جديدة لم يسبق له رؤيتها، حقق درجة دقة (R²) بلغت 0.9817. ولو وضعت ذلك في الاعتبار، فإن الدرجة الكاملة هي 1.0، مما يعني أن هذا النموذج كان دقيقاً للغاية. أما النموذج الثاني من حيث الأداء، "PSO-Cat"، فقد أدى أيضاً عملاً رائعاً بدرجة 0.9874. يوضح البحث صراحة أن هذه النماذج الذكية أفضل بكثير من الصيغ الرياضية التقليدية القديمة، والتي غالباً ما تعاني مع الرقصة غير الخطية والمعقدة بين الفولاذ والخرسانة.

لكن الباحثين لم يرغبوا فقط في الحصول على "صندوق أسود" يعطي إجابات دون شرح السبب. لقد أرادوا معرفة لماذا اتخذ الحاسوب تلك التنبؤات. وباستخدام أداة تسمى SHAP (والتي تعمل مثل تسليط الضوء، لتبرز أي المكونات كانت أكثر أهمية)، اكتشفوا أن العوامل الأكثر أهمية كانت حجم القلب الخرساني وحجم الأنبوب الفولاذي. ومن المثير للاهتمام أن نسبة طول الأنبوب إلى عرضه لعبت دوراً كبيراً أيضاً، بينما كانت قوة الفولاذ أو الخرسانة تحديداً أقل أهمية مما قد تعتقد. كما قام الفريق ببناء "واجهة مستخدم رسومية" بسيطة (أداة تشبه التطبيقات الودية) بحيث يمكن لأي مهندس إدخال أرقامه والحصول فوراً على تنبؤ آمن، مع شرح لما أدى إلى هذا الرقم.

باختصار، تشير هذه الدراسة إلى أنه من خلال الجمع بين خوارزميات البحث الذكية ونماذج التعلم القوية، يمكننا التنبؤ بسلامة هذه اللبنات الأساسية الحرجة بدقة أكبر من ذي قبل. تؤكد الورقة البحثية أن النماذج الجديدة موثوقة، حيث أثبت نموذجا BO-Cat و PSO-Cat أنهما الأكثر جدارة بالثقة لتصميم هياكل أقوى وأكثر أماناً. وبينما تشير الورقة إلى أن المزيد من البيانات وأنواع مختلفة من الأنابيب يمكن أن تجعل هذه النماذج أفضل في المستقبل، فإن النتائج الحالية تقدم أداة قوية للحفاظ على مبانينا وجسورنا واقفة بشموخ.