Explainable Machine Learning for Predicting the Splitting Tensile Strength of SCM-Blended Concrete Using Optimized Gaussian Process Regression
تؤسس هذه الدراسة إطار عمل موثوقاً وقابلاً للتفسير للتنبؤ بمقاومة الشد للأسمنت الممزوج بالمواد الأسمنتية التكميلية، وذلك عبر تحسين نموذج انحدار العملية الغاوسية باستخدام تقنيات بايزي وتحديد محتوى الماء والأسمنت كعوامل مؤثرة مهيمنة.
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
تعد الخرسانة أكثر مواد البناء استخداماً على وجه الأرض، فهي تشكل الهيكل العظمي لمدننا وجسورنا ومنازلنا. وتأتي قوتها ومتانتها إلى حد كبير من أسمنت بورتلاند، وهو مسحوق رابط يتصلب عند خلطه بالماء. ومع ذلك، فإن إنتاج هذا الأسمنت يعد مصدراً رئيسياً لانبعاثات الكربون العالمية، مما دفع المهندسين للبحث عن طرق لتقليل استخدامه. وللقيام بذلك، غالباً ما يستبدلون جزءاً من الأسمنت بنواتج ثانوية صناعية مثل الرماد المتطاير، أو غبار السيليكا، أو خبث الأفران العالية المحبب والمطحون. وهذه المواد، المعروفة باسم المواد الأسمنتية التكميلية، يمكن أن تتفاعل كيميائياً لتقوية الخرسانة مع تقليل بصمتها البيئية في الوقت ذاته. ومع ذلك، فإن التنبؤ بكيفية سلوك هذه الخلطات المعقدة أمر صعب. فبينما يمكن للمهندسين بسهولة قياس مقدار الوزن الذي يمكن أن تتحمله كتلة خرسانية قبل أن تتحطم، فإن قياس مقدار القوة اللازمة لشدها بعيداً عن بعضها هو أمر أكثر صعوبة بكثير. وتعد "مقاومة الشد بالانقسام" هذه أمراً بالغ الأهمية لأن الخرسانة ضعيفة بطبيعتها في مواجهة الشد، وغالباً ما تبدأ الشقوق عندما تتعرض المادة للشد. وبدون تنبؤات موثوقة، يتطلب تصميم هياكل أكثر أماناً واستدامة إجراء اختبارات مخبرية واسعة النطاق ومكلفة.
لقد وضع فريق من الباحثين حداً لهذه المشكلة من خلال تعليم الكمبيوتر التنبؤ بمقاومة الشد بالانقسام لخلطات الخرسانة الصديقة للبيئة هذه. فقد جمعوا بيانات من قاعدة بيانات عالمية ضخمة تحتوي على سجلات لمئات الوصفات الخرسانية المختلفة من جميع أنحاء العالم. تم تغذية الكمبيوتر بثمانية مكونات رئيسية لكل وصفة: كميات الأسمنت، والماء، والحصى الخشن، والرمل الناعم، بالإضافة إلى مختلف النواتج الثانوية الصناعية المستخدمة كبدائل للأسمنت، جنباً إلى جنب مع مادة كيميائية مضافة تسمى "الملدنات الفائقة" (superplasticizer) والتي تساعد الخليط على التدفق. كان الهدف هو جعل الكمبيوتر يتعلم الأنماط الخفية التي تربط هذه المكونات بالقوة النهائية للخرسانة، وتحديداً قدرتها على مقاومة الشد.
اختبر الباحثون مجموعة متنوعة من النماذج الرياضية لمعرفة أي منها يمكنه تعلم هذه الأنماط بشكل أفضل. وقارنوا بين المعادلات الخطية البسيطة، وأشجار القرار، والشبكات العصبية المعقدة مقابل نهج أكثر تطوراً يسمى "انحدار العملية الغاوسية" (Gaussian process regression). وتتميز هذه الطريقة بقدرتها العالية على التعامل مع البيانات الواقعية غير المنتظمة حيث لا تكون العلاقات خطية تماماً. وبعد إجراء آلاف عمليات المحاكاة، وجد الفريق أن نسخة محددة من نموذج الانحدار هذا، باستخدام "نواة تربيعية عقلانية" (rational quadratic kernel)، قد تفوقت على جميع النماذج الأخرى. استطاع هذا النموذج الأساسي التنبؤ بقوة خلطة خرسانية جديدة بمتوسط خطأ قدره 0.34 ميجاباسكال، وهي وحدة ضغط تستخدم لقياس القوة.
ولجعل النموذج أكثر دقة، استخدم الباحثون تقنية "التحسين البايزي" (Bayesian optimization) لضبط إعداداته الداخلية بدقة. تشبه هذه العملية ضبط المقابض في راديو عالي الجودة للعثور على أوضح إشارة، ولكنها تقوم بذلك من خلال اختبار مجموعات مختلفة بذكاء بدلاً من التخمين العشوائي. وقد أدى النموذج المحسن إلى تحسن ملحوظ، حيث خفض متوسط خطأ التنبؤ إلى حوالي 0.29 ميجاباسكال وزاد من دقته الإجمالية. ويعني هذا التحسن أن النموذج لم يكن أكثر دقة فحسب، بل كان أيضاً أسرع في إجراء التنبؤات بمجرد تدريبه، مما يسمح للمهندسين بتقييم تصميمات الخلطات الجديدة بشكل فوري تقريباً.
ولعل الجزء الأهم في هذه الدراسة كان جعل "عملية التفكير" لدى الكمبيوتر مفهومة. فغالباً ما تُنتقد نماذج التعلم الآلي المتقدمة لكونها "صناديق سوداء"، حيث تعطي إجابة دون شرح السبب. ولحل هذه المشكلة، استخدم الباحثون أداتين لفتح الصندوق والنظر في داخله. فقد أنشأوا خرائط بصرية توضح كيف يؤثر تغيير مكون واحد على القوة المتوقدة. وكشفت هذه الخرائط عن اتجاهات واضحة ومنطقية: فزيادة كمية الماء في الخليط أدت باستمرار إلى خفض القوة المتوقعة، بينما أدت زيادة الأسمنت باستمرار إلى رفعها. كما أظهرت الخرائط أن إضافة غبار السيليكا وخبث الأفران العالية المحبب والمطحون حسنت بشكل عام قدرة الخرسانة على مقاومة قوى الشد، في حين كان للرماد المتطاير تأثير أكثر تعقيداً وأقل قابلية للتنبؤ.
ولتأكيد هذه النتائج، استخدم الفريق طريقة إحصائية تقيس بالضبط مدى مساهمة كل مكون في كل تنبؤ على حدة. وأكد هذا التحليل أن الماء والأسمنت كانا أقوى عاملين مؤثرين في النتيجة. وقد أظهر ذلك أن الكمبيوتر قد تعلم نفس القواعد الفيزيائية التي عرفها المهندسون البشر لعقود: فالماء الزائد يضعف الرابطة، بينما يقوي الأسمنت الزائد المتانة. وخلصت الدراسة إلى أنه من خلال الجمع بين التنبؤ عالي الدقة والتفسيرات الواضحة، يوفر هذا الإطار الجديد طريقة موثوقة لتصميم خرسانة مستدامة. فهو يسمح للمهندسين بتجربة وصفات جديدة وأكثر رفقاً بالبيئة بثقة، دون الحاجة إلى بناء واختبار كل متغير في مختبر فيزيائي، مما يمهد الطريق لبناء أكثر كفاءة وصداقة للبيئة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.