Machine Learning and Bayesian Approaches for Concrete Compressive Strength Prediction: A Comparative Study Using the UCI Dataset
تقيم هذه الدراسة مختلف مناهج تعلم الآلة والمنهجيات البايزية على مجموعة بيانات قوة ضغط الخرسانة من مستودع UCI، حيث وجدت أنه في حين يوفر نموذج XGBoost مع التحسين البايزي أعلى دقة تنبؤية، فإن انحدار العملية الغاوسية يقدم مزايا فريدة في تقدير عدم اليقين، مع إتاحة جميع النتائج والأدوات للجمهور عبر كود لغة R وتطبيق Shiny تفاعلي.
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 المادة الأكثر استهلاكاً على كوكب الأرض، فهي تشكل الهيكل العظمي لمدننا وجسورنا وسدودنا. ومع ذلك، فإن عملية تصنيعها نفسها تعد مصدراً رئيسياً لانبعاثات الكربون العالمية، ويرجع ذلك أساساً إلى الإسمنت المستخدم لربط الخليط معاً. وبينما تسعى صناعة البناء إلى تقليل بصمتها البيئية، يتجه المهندسون إلى وصفات أكثر تعقيداً تتضمن مكونات بديلة مثل الرماد المتطاير والخبث. هذه الخلطات الجديدة يصعب التنبؤ بها باستخدام طرق التجربة والخطأ القديمة؛ إذ يعتمد قوة المنتج النهائي على شبكة متشابكة من العوامل: كمية الماء المضافة، وعمر الخرسانة، والنسب المحددة لمختلف المساحيق والأحجار. ولأن هذه المكونات تتفاعل بطرق معقدة وغير خطية، فإن تخمين الخليط الصحيح غالباً ما يؤدي إلى الهدر، أو ما هو أسوأ، إلى هياكل غير آمنة. ولحل هذه المشكلة، يتجه الباحثون بشكل متزايد إلى الحواسيب التي يمكنها التعلم من البيانات الماضية للتنبؤ بمدى قوة أي دفعة خرسانية جديدة قبل صبها حتى.
وضع فريق من الباحثين في جامعة جافنا في سريلانكا هدفاً لاختبار مدى جودة طرق تعلم الحاسوب المختلفة في التنبؤ بقوة الخرسانة. وقد استخدموا مجموعة بيانات معروفة تحتوي على أكثر من ألف مثال واقعي لخلطات خرسانية، حيث يتكون كل منها من ثمانية مكونات مختلفة مع قياس مسجل للقوة. قام الباحثون بتغذية هذه البيانات في أنواع مختلفة من النماذج الحاسوبية لمعرفة أي منها يمكنه تعلم الأنماط بشكل أفضل. وقارنوا بين الأساليب الإحصائية القياسية والتقنيات الأكثر تقدماً، بما في ذلك طريقة تستخدم الاحتمالات لحساب عدم اليقين، وخوارزميات قوية تبني العديد من أشجار القرار الصغيرة لإجراء تنبؤ نهائي. لم يكن هدفهم مجرد إيجاد الرقم الأكثر دقة، بل فهم أي الأدوات هي الأنسب للواقع المعقد لمواد البناء.
أظهرت النتائج فائزاً واضحاً من حيث الدقة الخام. كان النموذج الأكثر نجاحاً هو خوارزمية متطورة تُعرف باسم (XGBoost)، والتي تمكنت من التنبؤ بقوة الخرسانة بدرجة عالية من الدقة. وفي بيانات الاختبار، حقق هذا النموذج معامل تحديد (R²) قدره 0.919، مع متوسط خطأ يقل عن خمسة ميجاباسكال، وهي وحدة قياسية لقياس الضغط والقوة. كما قدمت طريقة أخرى قائمة على الأشجار تُسمى "الغابة العشوائية" (Random Forest) أداءً جيداً جداً، وإن كانت أقل دقة قليلاً. وفي المقابل، فإن الطريقة القائمة على انحدار العملية الغاوسية (Gaussian process regression)، والمشهورة بقدرتها على إظهار مدى عدم اليقين في التنبؤ، لم تتنبأ بالقوة الفعلية بنفس جودة النماذج القائمة على الأشجار. ورغم أن الباحثين أمضوا وقتاً في ضبط إعدادات طريقة الانحدار هذه، إلا أن التحسينات كانت ضئيلة، حيث قللت الخطأ بنسبة تقل عن واحد بالمائة. وهذا يشير إلى أنه بالنسبة لهذا النوع المحدد من البيانات، فإن الخوارزميات الشجرية المعقدة هي ببساطة أفضل في إيجاد الإجابة الصحيحة من نهج الانحدار.
ومع ذلك، سلطت الدراسة الضوء على أن الدقة ليست الشيء الوحيد الذي يهم في الهندسة. فبينما قدمت النماذج القائمة على الأشجار أفضل رقم واحد، قدم انحدار العملية الغاوسية شيئاً فريداً: صورة كاملة لعدم اليقين. فبدلاً من الاكتفاء بالقول "ستكون القوة 40 ميجاباسكال"، يمكن لهذه الطريقة تقديم نطاق من النتائج المحتملة، لتخبر المهندس أن القوة ستكون على الأرجب بين 35 و45 ميجاباسكال. إن القدرة على قياس المخاطر أمر حيوي للسلامة، حيث يحتاج المهندسون ليس فقط لمعرفة متوسط القوة، بل وأيضاً لأسوأ السيناريوهات المحتملة. استخدم الباحثون تقنية محاكاة لتوليد الآلاف من النتائج الممكنة لخلطة خرسانية نموذجية، ووجدوا أنه بينما كان متوسط القوة حوالي 38 ميجاباسكال، فإن أدنى 5 في المائة من النتائج كانت حوالي 31 ميجاباسكال. هذا النوع من الرؤية الاحتمالية يساعد المهندسين على تصميم هياكل آمنة حتى عندما تتباين المواد قليلاً.
كما كشف التحليل عن الطبقات التي تجعل الخرسانة قوية بالفعل. فمن خلال إجراء اختبار حساسية، أكد الباحثون أن نسبة الماء إلى مواد الربط هي العامل الأهم على الإطلاق. فكلما زادت كمية الماء بالنسبة للإسمنت والمواد الرابطة الأخرى، تنخفض القوة بشكل حاد. وكان عمر الخرسانة هو العامل الثاني الأكثر أهمية، حيث تزداد القوة بشكل ملحوف خلال الشهر الأول من المعالجة. ونظرت الدراسة أيضاً في كيفية تغير القوة عبر الفئات العمرية المختلفة، ملاحظة أن فترة الاختبار الأكثر شيوعاً في البيانات كانت بين 15 و28 يوماً، وهو ما شكل ما يقرب من نصف العينات. ووجد الباحثون أن التباين في القوة يميل إلى الازدياد مع تقدم عمر الخرسانة، مما يعكس التفاعل المعقد للمكونات بمرور الوقت.
ولضمان إمكانية استخدام هذه النتائج من قبل المهندسين والطلاب على حد سواء، لم يكتف الفريق بنشر أرقامهم فحسب؛ بل بنوا أداً تفاعلياً مجانياً. فقد أنشأوا تطبيقاً ويب يسمح لأي شخص بتحميل بيانات خلطته الخرسانية الخاصة أو استخدام مجموعة البيانات الموجودة لرؤية التنبؤات ونطاقات عدم اليقين في الوقت الفعلي. يجسد هذا التطبيق الجسر الواصل بين النظرية الإحصائية المتقدمة والاحتياجات العملية لصناعة البناء، مما يسمح للمستخدمين بتجربة وصفات مختلفة دون الحاجة إلى معرفة البرمجة. وتخلص الدراسة إلى أنه بينما تأتي التنبؤات الأكثر دقة من الخوارزميات القائمة على الأشجار، فإن النهج الأفضل للهندسة في العالم الحقيقي يكمكن في استخدام هذه النماذج الدقيقة جنباً إلى جنب مع الطرق التي يمكنها قياس عدم اليقين، لضمان أن تكون مباني المستقبل فعالة وآمنة في آن واحد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.