Evidence-Constrained Machine-Learning Prediction and LLM-Assisted Controlled Online Updating for the Ultimate Axial Capacity of Concrete-Filled Steel Tube Columns

في عالم الهندسة المدنية، لا تُصنع بعض أكثر اللبنات البنائية قوة وكفاءة من مادة واحدة، بل من مادتين تعملان معاً. تخيل أنبوباً فولاذياً مملوءاً بالخرسانة؛ حيث يعمل الفولاذ كجلد مشدود يضغط على الخرسانة، مما يمنعها من التصدع تحت الضغط، بينما تمنع الخرسة في الداخل الجدرب الفولاذية الرقيقة من الانبعاج أو الانهيار نحو الداخل. هذا الشراكة تخلق عموداً أقوى بكثير مما يمكن أن تكون عليه أي من المادتين بمفردها. تُستخدم هذه الأعمدة المركبة على نطاق واسع في ناطحات السحاب، والجسور، والمنشآت المقاومة للزلازل لأنها اقتصادية، وسهلة البناء، ومرنة للغاية. ومع ذلك، فإن معرفة مقدار الوزن الذي يمكن أن يتحمله مثل هذا العمود بالضبط قبل أن يفشل هي عملية حسابية معقدة. لطالما اعتمد المهندسون على الاختبارات الفيزيائية والمعادلات الرياضية لتقدير هذا الحد، لكن التنوع الهائل في الأحجام والمواد والأشكال يجعل التنبؤ المثالي أمراً صعباً.

لقد طور فريق من الباحثين الآن طريقة جديدة لمعالجة هذه المشكلة، تجمع بين قدرة التعرف على الأنماط للتعلم الآلي وسهولة المحادثة للذكاء الاصطناعي الحديث. فبدلاً من إجبار المهندسين على إدخال الأرقام في جداول بيانات جامدة، أنشأوا نظاماً يسمح للمستخدمين بوصف العمود بلغة إنجليزية بسيطة وتلقي تنبؤ دقيق بقوته. النظام، الذي يسمه المؤلفون StructureGPT، لا يخمن الإجابة؛ بل يستخدم نموذجاً رياضياً مدرباً بدقة لحساب النتيجة، بينما يتولى مساعد لغوي إدارة المحادثة وشرح المنطق وراءها. يهدف هذا النهج إلى جعل التحليل الإنشائي المتقدم أكثر سهولة مع ضمان بقاء الأرقام متجذرة في الفيزياء الواقعية.

بدأ الباحثون بجمع مجموعة ضخمة من البيانات من الدراسات العلمية السابقة. فقد جمعوا معلومات عن ما يقرب من 3,200 عموداً حقيقياً تم اختبارها في المختبرات، بما في ذلك الأشكال المستديرة والمستطيلة. ولكل عينة، سجلوا تفاصيل مثل الارتفاع، وسُمك الفولاذ، وقوة الخرسانة، وكيفية تطبيق الحمل. ثم علموا ست خوارزميات مختلفة من تعلم الحاسوب لإيجية الأنماط الخفية في هذه البيانات، وكأنهم يسألون الحواسيب لتعلم العلاقة بين الأبعاد الفيزيائية والوزن الأقصى الذي يمكن أن يدعمه العمود. وبعد اختبار هذه الخوارزميات مقابل جزء من البيانات التي لم يروها من قبل، برزت طريقة واحدة كفائزة واضحة. أثبتت تقنية تُعرف باسم "تعزيز التدرج" (gradient boosting)، والتي تبني تنبؤاً عبر الجمع بين العديد من أشجار القرار البسيطة، أنها الأكثر دقة. بالنسبة للأعمدة المستديرة، توقعت القوة بهامش خطأ يبلغ حوالي 669 كيلونيوتن، أما بالنسبة للمستطيلة، فكان الخطأ أصغر عند حوالي 304 كيلونيوتن. كانت هذه النتائج أفضل بكثير من الطرق الأخرى التي تم اختبارها، بما في ذلك المعادلات الخطية القياسية والشبكات العصبية.

ولضمان أن النظام ليس مجرد "صندوق أسود" يعطي إجابات دون تفسير، استخدم الباحثون أداة تشخيصية لمعرفة العوامل الأكثر أهمية. ووجدوا أن قطر الأنبوب وسُمك الفولاذ هما المتغيران الأكثر تأثيراً للأعمدة المستديرة، بينما كان العرض والارتفاع للمقطع العرضي هما المفتاح للأعمدة المستطيلة. وهذا يتوافق مع الحدس الهندسي: فالعمود الأعرض أو الأكثر سُمكاً يتحمل وزناً أكبر بشكل عام. ومع ذلك، كان الباحثون حريصين على ملاحظة أن هذه الأنماط تعتمد على البيانات التي لديهم ويجب التحقق منها مقابل القوانين الفيزيائية. يتعلم الحاسوب من الأرقام، لكنه لا يفهم بطبيعته فيزياء الفولاذ والخرسانة، لذا يجب على المهندس البشري التحقق من أن النتائج منطقية.

الجزء الأكثر ابتكاراً في هذا العمل هو كيفية تعامل النظام مع المعلومات الجديدة. في تحديث البرامج التقليدي، يتم تدريب النموذج مرة واحدة ثم يتم تجميده. هنا، بنى الباحثون آلية أمان تسمح للنظام بالتعلم من البيانات الجديدة كلما توفرت، ولكن فقط إذا كانت تلك البيانات موثوقة. لقد اختبروا ذلك عن طريق تغذية النظام بتدفق من النتائج التجريبية الجديدة والمحققة واحدة تلو الأخرى. وقبل أن يقبل النظام معلومة جديدة لتحديث معرفته الداخلية، كان يجري فحصاً سريعاً. إذا بدت البيانات الجديدة كقيم شاذة أو إذا كان تحديث النموذج سيجعله أسوأ في التنبؤ بالحالات المعروفة الأخرى، فإن النظام يرفض التغيير ويتراجع إلى حالته السابقة. في تجربتهم مع الأعمدة المستطيلة، قبل النظام حوالي 31 تحديثاً من أصل 78 عينة جديدة، ونجح في تحسين تنبؤاته دون فقدان دقته على مجموعة الاختبار الأصلية. هذا النهج "المحكوم بالتحقق" (validation-gated) يضمن أن النظام يصبح أكثر ذكاءً بمرور الوقت دون أن يفقد عن غير قصد ما تعلمه بالفعل.

أخيراً، غلف الفريق محركات الحساب القوية هذه بواجهة سهلة الاستخدام تشبه المحادثة. يمكن للمستخدم كتابة طلب مثل: "ما هي سعة العمود المستطيل الذي يبلغ عرضه 400 مليمتر وسُمك فولاذ 30 مليمتر؟". يستخرج النظام الأرقام المحددة، ويتأكد من أنها ضمن نطاق معقول، ثم يجري الحساب. يعيد النظام القوة المتوقدة بالكيلونيوتن ويقدم شرحاً بلغة بسيطة لسبب الوصول إلى هذا الرقم، مسلطاً الضوء على العوامل الأكثر أهمية. وإذا قدم المستخدم لاحقاً قياساً من العالم الحقيقي من اختبار مكتمل، يمكن للنظام استخدامه لتحسين نفسه، بشرط أن تجتاز البيانات الجديدة فحوصات السلامة. هذا يخلق حلقة تعمل فيها الخبرة البشرية ودقة الآلة معاً، مما يسمح للمهندسين بالحصول على رؤى سريعة قائمة على البيانات مع الحفاظ على سيطرة صارمة على موثوقية النتائج.

تخلص الدراسة إلى أنه بينما يعد هذا النظام خطوة كبيرة للأمام في جعل التحليل الإنشائي تفاعلياً ومتكيفاً، إلا أنه ليس بديلاً عن الحكم المهني. التنبؤات مبنية على البيانات المحددة التي تدرب عليها النظام، ويقر الباحثون بأن النموذج يحتاج إلى مزيد من الاختبار ضد أنواع مختلفة من مصادر البيانات لضمان عمله بشكل عالمي. كما يشيرون إلى أن النسخة الحالية تستخدم النموذج اللغوي فقط للتحدث مع المستخدم واستخراج الأرقام، تاركة العمل الحسابي الثقيل لنماذج الانحدار المتخصصة. هذا الفصل مقصود، لضمان بقاء الأرقام قابلة للتتبع والتكرار. ومن خلال الجمع بين التعلم الآلي عالي الدقة وطريقة محكومة للتعلم من البيانات الجديدة، بنى الباحثون نموذجاً أولياً يمكن أن يساعد المهندسين في اتخاذ قرارات أفضل وأسرع في تصميم مبانٍ أكثر أماناً وكفاءة.