An Interpretable and Comparative Uncertainty-Aware Machine Learning Approach for UHPC Mix Design Optimization

تخيل أنك رئيس طهاة ماهر يحاول ابتكار الكعكة المثالية، غير القابلة للتدمير. لكن هذه ليست مجرد كعكة عادية؛ إنها "كعكة خارقة" قوية لدرجة أنها تستطيع تحمل وزن ناطحة سحاب. في العالم الحقيقي، تُسمى هذه الكعكة الخارقة "الخرسانة عالية الأداء للغاية" (UHPG). إنها مادة بناء خاصة، قوية للغاية، وتدوم للأبد، ويمكنها تحمل أوزان هائلة. ومع ذلك، فإن صنعها يعد كابوساً للمهندسين. الأمر يشبه محاولة خبز كعكة تتغير وصفتها في كل مرة تفتح فيها باب الفرن. عليك خلط الإسمنت، والرمل، والمساحيق الدقيقة، والألياف، والمواد الكيميائية بكميات دقيقة للغاية. إذا أخطأت، ستنهار الكعكة. تقليدياً، كان على المهندسين التخمين والتجربة، حيث يقومون بخبز مئات الدفعات التجريبية، وينتظرون جفافها، ثم يسحقونها ليروا ما إذا كانت قوية بما يكفي. كان ذلك بطيئاً، ومكلفاً، ومحبطاً.

ولحل هذه المشكلة، بدأ العلماء في استخدام "تعلم الآلة" (Machine Learning). فكر في تعلم الآلة كمتدرب رقمي فائق الذكاء قد قرأ كل كتب الوصفات المكتوبة على الإطلاق. فبدلاً من خبز ألف كعكة للتعلم، يقرأ هذا المتدرب البيانات من آلاف التجارب السابقة ويتعلم الأنماط السرية لما يجعل الكعكة قوية. ولكن هنا تكمن المشكلة؛ فأحياناً يكون هؤلاء المتدربون الرقميون بمثابة "صناديق سوداء". فهم يعطونك إجابة، لكنهم لا يستطيعون شرح لماذا يعتقدون أنها صحيحة، وقد يكونون واثقين من خطئهم. تتحدث هذه الورقة عن تعليم هؤلاء المتدربين الرقميين ليس فقط تخمين قوة الخرسانة، بل الاعتراف بمدى تأكدهم، وشرح منطقهم، ومساعدة مهندس حقيقي في الميدان.

الاختبار الكبير للمتدرب الرقمي

في هذه الدراسة، قرر باحث يدعى بيسواجيت بال (Biswajit Pal) وضع سبعة أنواع مختلفة من المتدربين الرقميين تحت الاختبار لمعرفة أيهم يمكنه التنبؤ بقوة الخرسانة عالية الأداء للغاية (UHPC) بشكل أفضل. تخيل هؤلاء المتدربين السبعة كنماذج كأنهم سبعة طلاب يخوضون امتحاناً ضخماً في الرياضيات. بعض الطلاب بسيطون ويلتزمون بخطوط مستقيمة (الانحدار الخطي - Linear Regression)، بينما يستخدم آخرون طرقاً أكثر تعقيداً، مثل الأشجار والغابات لإيجال الأنماط (الغابة العشوائية - Random Forest، وتعزيز التدرج - Gradient Boosting، وأشجار القرار - Decision Trees). هناك أيضاً طلاب يتعلمون من خلال النظر إلى جيرانهم (k-Nearest Neighbors)، وآخرون يستخدمون شبكات عصبية معقدة (الانتشار العكسي للشبكات العصبية - Backpropagation Neural Networks).

قام الباحث بتغذية جميع الطلاب السبعة بنفس مجموعة البيانات الضخمة: 820 مثالاً واقعياً لخلطات الخرسانة. تضمن كل مثال 13 مكوناً مدرجاً، مثل كمية الإسمنت، والماء، وغبار السيليكا، أو الألياف المستخدمة، بالإضافة إلى درجة الحرارة ومدة معالجة (تصلب) الخرسانة. كان الهدف بسيطاً: انظر إلى المكونات وتوقع القوة النهائية.

النتائج: من اجتاز الامتحان؟

كانت النتائج واضحة. الطلاب البسيطون الذين حاولوا رسم خطوط مستقيمة (الانحدار الخدي) واجهوا صعوبات. لم يستطيعوا استيعاب أن العلاقة بين المكونات والقوة هي علاقة فوضوية ومنحنية، وليست مستقيمة. ارتكبوا أخطاءً كبيرة، حيث توقعوا أحياناً أن القوة ستختلف بنسبة تزيد عن 20%.

أما الفائزون فكانوا طلاب "المجموعات" (Ensemble) — وتحديداً الغابة العشوائية (Random Forest) وتعزيز التدرج (Gradient Boosting). تعمل هذه النماذج مثل لجنة من الخبراء؛ فبدلاً من أن يتخذ شخص واحد قراراً، فإنهم يجمعون آراء العديد من "أشجار القرار". كان نموذج الغابة العشوائية هو نجم العرض، فقد تنبأ بالقوة بدقة مذهلة، حيث أصاب بنسبة 93% تقريباً (قيمة R² بلغت 0.93). كانت تخميناته قريبة جداً من القيم الحقيقية بحيث كان الخطأ أقل من 10%، وبالنسبة لمعظم العينات، كان ضمن هامش ضئيل قدره 5%. وهذا أمر بالغ الأهمية لأن الخطأ ولو بنسبة ضئيلة في مجال البناء قد يكون خطيراً أو هدراً للموارد.

شبكة الأمان لـ "عدم اليقين"

هنا تصبح الورقة البحثية ذكية حقاً. عادةً ما ينظر الناس فقط إلى من حصل على أعلى درجة، لكن هذا الباحث سأل: "ماذا لو كان النموذج واثقاً ولكنه مخطئ؟" ولإصلاح ذلك، أضاف "تحليل عدم اليقين" (Uncertainty Analysis). تخيل خبير أرصاد جوية يقول: "ستمطر غداً"، مقابل خبير آخر يقول: "ستمطر غداً، وأنا واثق بنسبة 95% أنها ستمطر بين الساعة 2 و4 مساءً".

قامت الدراسة بقياس مدى "اتساع" شبكة الأمان لكل نموذج. ووجدوا أن النماذج الفائزة (الغابة العشوائية وتعزيز التدرج) كانت تمتلك أضيق شبكات أمان. وهذا يعني أنها لم تكن دقيقة فحسب، بل كانت دقيقة بشكل موثوق. أما النماذج البسيطة فكانت تمتلك شبكات أمان واسعة ومتذبذبة، مما يعني أن توقعاتها يمكن أن تتأرجح بجنون. لقد أثبت فحص عدم اليقين هذا أن نماذج اللجنة المعقدة هي الوحيدة الجديرة بالثقة للاستخدام في العالم الحقيقي.

فك شفرة الصندوق الأسود

أحد أكبر الشكاوى ضد الذكاء الاصطناعي هو أنه "صندوق أسود"؛ تضع فيه البيانات، ويخرج لك رقم، لكنك لا تعرف السبب. ولحل هذه المشكلة، استخدم الباحث أداة تسمى SHAP (تفسيرات شابلّي المضافة). فكر في SHAP كعدسة مكبرة تسم تتيح لك رؤية أي مكون ساهم أكثر في القوة.

كشف التحليل عن حقائق رائعة. لم يكن العامل الأكثر أهمية هو كمية الإسمنت فحسب، بل كان العمر (Age). فكلما طالت فترة بقاء الخرسانة ومعالجتها، زادت قوتها. وهذا منطقي، لأن التفاعلات الكيميائية تستغرق وقتاً. وكانت هناك عوامل فائزة أخرى كبيرة وهي غبار السيليكا (مسحوق فائق النعومة)، ومحتوى الألياف، والإسمنت. ومن المثير للاهتمام أن الأداة أظهرت أنه إذا أضفت الكثير من الركام (الحصى) أو الكثير من الملدنات الفائقة، فإن القوة تنخفض فعلياً. لقد تعلم الذكاء الاصطناعي أن هناك "نقطة مثالية" لكل مكون، وأن إضافة المزيد ليس دائماً أمراً جيداً.

من المختبر إلى موقع البناء

أخيراً، لم يترك الباحث هذه النتائج في جهاز الكمبيوتر فحسب، بل قام ببناء واجهة مستخدم رسومية (GUI) — وهي أساساً أداة برمجية سهلة الاستخدام يمكن للمهندسين استخدامها على أجهزتهم. تخيل مهندساً يقف في موقع بناء؛ بدلاً من الاتصال بالمختبر والانتظار لأيام لإجراء اختبار، يمكنه فتح هذا البرنامج، وكتابة وصفة الخلطة الخاصة به (مثلاً: "لدي 500 كجم من الإسمنت و20 كجم من الألياف")، وسيحصل فوراً على توقع لقوة الخرسانة. يمكنه بسهولة تعديل أرقام المدخلات ليرى ما سيحدث إذا غير كمية الماء أو درجة حرارة المعالجة. حتى أن البرنامج يظهر له "درجة الثقة" ويشرح له أي المكونات تقوم بالعمل الشاق.

الخلاصة

تشير هذه الورقة إلى أنه باستخدام نماذج تعلم الآلة الذكية القائمة على نظام اللجان (مثل الغابة العشوائية) والتحقق من مستويات ثقتها، يمكننا التوقف عن التخمين والبدء في تصميم الخرسانة عالية الأداء للغاية بدقة. إنها تثبت أن هذه الأدوات الرقمية ليست مجرد آلات حاسبة متطورة، بل هي شركاء موثوقون يمكنهم شرح منطقهم ومساعدة المهندسين على توفير الوقت والمال والمواد مع بناء هياكل أقوى وأكثر استدامة. وتخلص الدراسة إلى أنه بينما تعتبر النماذج البسيطة مهتزة جداً لهذه المهمة، فإن نماذج الذكاء الاصطناعي المتقدمة والقابلة للتفسير جاهزة لتكون المعيار الجديد لتصميم خرسانة المستقبل.