← أحدث الأبحاث
⚡ electrical engineering

Interpretable Hybrid CNN Transformer Framework with Cross Attention Fusion and Uncertainty Quantification for Multi Mechanism Corrosion and Erosion Detection

تقدم هذه الورقة CorroSense-Net، وهو إطار عمل هجين وقابل للتفسير يجمع بين الشبكات العصبية الالتفافية (CNN) والمحولات (Transformer)، ويتميز بوحدة دمج انتباه متقاطع مبتكرة وتقدير لعدم اليقين، مما يحقق دقة هي الأفضل في فئتها في التمييز بين حالات الأنابيب الصناعية السليمة، والتآكل، والصدأ، وبالتالي يعالج أوجه القصور في النهج الحالية أحادية النموذج في عمليات الفحص الحرجة للسلامة.

المؤلفون الأصليون: Hardik Gohel, Bryant Pineda, Leonel Lagos, Dwayne McDaniel, Aparna Aravelli

نُشر 2026-08-06
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Hardik Gohel, Bryant Pineda, Leonel Lagos, Dwayne McDaniel, Aparna Aravelli

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

تخيل الهيكل العظمي الخفي لعالمنا الحديث: أنابيب ضخمة تنقل النفط، والغاز، وحتى النفايات المشعة، مدفونة تحت الأرض أو ممتدة عبر المحيطات. بمرور الوقت، تصاب هذه العمالقة المعدنية بالمرض؛ فهي تعاني من علتين رئيستين: التآكل الكيميائي، وهو يشبه الصدأ الكيميائي البطيء الذي يأكل المعدن، والتآكل الميكانيكي، وهو يشبه ورق الصنفرة الذي يزيل السطح بسبب السوائل سريعة الحركة. إذا لم نكتشف هذه المشكلات مبكرًا، فقد تنفجر الأنابيب، مما يتسبب في كوارث تكلف الاقتصاد العالمي تريليونات الدولارات.

ولإيجاد هذه الأمراض الخفية، نحتاج عادةً إلى مفتشين بشريين يلتقطون الصور ويتفحصونها بدقة بحثًا عن ثقوب صغيرة أو بقع صدأ. لكن البشر يتعبون، وقد تخدعهم أعينهم. مؤخرًا، حاول العلماء تعليم الحواسيب القيام بهذه المهمة باستخدام "التعلم العميق". فكر في أدمغة الحواسيب هذه كنوعين مختلفين من المحققين: النوع الأول يُسمى CNN (الشبكة العصبية التلافيفية)، وهو بارع في رصد التفاصيل الدقيقة مثل ملمس الصدأ أو الخدش، لكنه قد يغفل أحيانًا عن الصورة الكبيرة. أما النوع الآخر فهو Transformer (أو ViT)، وهو مذهل في فهم المشهد بأكمله وكيفية ترابط أجزائه المختلفة، لكنه قد يفتقر أحيانًا إلى التفاصيل الدقيقة والحبيبية. لفترة طويلة، حاول الباحثون استخدام محقق واحد فقط أو مجرد دمج ملاحظاتهما معًا، لكن ذلك لم يكن كافيًا لحل اللغز بشكل مثالي.

وهنا يأتي دور فريق جديد من الباحثين بحل ذكي يسمى CorroSense-Net. فبدلاً من إجبار هذين المحققين على العمل بشكل منفصل أو مجرد قراءة ملاحظات بعضهما البعض، قاموا ببناء نظام يتحدث فيه المحققان مع بعضهما البعض في الوقت الفعلي. إنهم يستخدمون وحدة "الانتباه المتقاطع" (Cross-Attention)، والتي تعمل كمترجم فائق القدرة. فعندما يرى محقق الملمس بقعة غريبة، يمكنه أن يسأل محقق السياق: "هل يبدو هذا كخدش أم مجرد ظل؟"، فيجيبه محقق السياق: "لا، هذا بالتأكيد خدش بسبب النمط المحيط به".

اختبر الفريق هذا الدماغ الهجين الجديد على 487 صورة التُقطت بهاتف ذكي عادي في مختبر يحاكي مشاكل هذه الأنابيب. لم يكتفوا بطلب تحديد ما إذا كان الأنبوب "مريضًا" أو "سليمًا" من الحاسوب، بل علموه التمييز بين ثلاث حالات محددة: أنبوب سليم (مثالي وصحي)، وأنبوب تعرض لـ التآكل الميكانيكي (ضرر يشبه ورق الصنفرة)، وأنبوب يعاني من التآكل الكيميائي (الصدأ). كانت النتائج مبهرة؛ فقد حدد النظام الجديد حالة الأنابيب بدقة تصل إلى حوالي 96%، وهو أداء أفضل بكثير من استخدام أي من المحققين بمفرده أو المحاولات الهجينة السابقة.

لكن الفريق لم يتوقف عند مجرد الدقة؛ بل أرادوا أن يكون الحاسوب صادقًا بشأن مدى تأكده. فقد أضافوا ميزة تسمح للحاسوب بأن يقول: "أنا متأكد بنسبة 99% أن هذا صدأ"، أو "أنا متأكد بنسبة 50% فقط، لذا يجب على البشر التحقق من ذلك". وهذا أمر بالغ الأهمية لأن التخمين الخاطئ في الوظائف الحساسة للسلامة قد يكون خطيرًا. كما جعلوا الحاسوب "يشرح عمله" من خلال تسليط الضوء على الأجزاء المحددة من الصورة التي جعلته يعتقد أن الأنبوب مريض. وعندما قارنوا هذه التوضيحات الحاسوبية بتلك التي وضعها الخبراء البشريون، وجدوا أن النظام الجديد يطابق الخبراء بشكل أفضل بكثير من الطرق القديمة.

باخت-صر، تُظهر هذه الورقة البحثية أنه من خلال جعل نوعين مختلفين من محققي الذكاء الاصطناعي يعملان معًا كفريق واحد — بدلاً من مجرد الجلوس جنبًا إلى جنب — يمكننا بناء أداة أكثر ذكاءً وموثوقية للحفاظ على سلامة بنيتنا التحتية الصناعية. إنها خطوة نحو مستقبل يمكن فيه لصورة بسيطة من هاتف ذكي أن تخبرنا بالضبط ما هو الخطأ في الأنبوب، ومدى سوء الحالة، ومدى إمكانية الثقة في هذا التشخيص.

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 ⚡ eess →