يستخدم فريق معهد ماساتشوستس للتكنولوجيا نموذجًا واسع النطاق لفحص 25 نوعًا من المواد البديلة لكلنكر الأسمنت، وهو ما يعادل تقليل انبعاثات الغازات المسببة للاحتباس الحراري بمقدار 1.2 مليار طن
يُعد إنتاج الأسمنت أحد المصادر الرئيسية لانبعاثات غازات الاحتباس الحراري عالميًا، حيث يُمثل أكثر من 6% من انبعاثات غازات الاحتباس الحراري البشرية المنشأ عالميًا. ويعود هذا العبء البيئي بشكل رئيسي إلى عملية إنتاج كلنكر الأسمنت، والتي تتضمن التفاعل الكيميائي لتكليس الحجر الجيري (CaCO₃→CaO+CO₂) في درجات حرارة عالية (>950 درجة مئوية) واستهلاكًا كبيرًا للطاقة. ومع تزايد احتياجات البنية التحتية العالمية والتوسع السكاني،وبحسب ورقة بحثية أعدها فريق معهد ماساتشوستس للتكنولوجيا، من المتوقع أن يزيد إنتاج الأسمنت بنحو 20% بحلول عام 2050، وهو ما سيؤدي إلى تفاقم الضغوط البيئية.
تعتمد استراتيجيات استبدال الكلنكر الأسمنتي التقليدية في المقام الأول على الرماد المتطاير (منتج ثانوي لاحتراق الفحم) وخبث الفرن العالي الحبيبي (منتج ثانوي لإنتاج الصلب)، والتي يمكن أن تحل محل ما يصل إلى 50% من كتلة الكلنكر مع الحفاظ على الخصائص الميكانيكية، مما يقلل نظريًا من كثافة غازات الاحتباس الحراري بمقدار 50%.ولكن على مدى العقدين الماضيين، انخفض العرض كنسبة من إجمالي إنتاج الأسمنت من 25% إلى 17%، وذلك بسبب انخفاض إنتاج طاقة الفحم وزيادة إعادة تدوير الصلب.تتمتع المواد البديلة الناشئة، مثل رماد الكتلة الحيوية، ومسحوق نفايات الزجاج، ورماد حرق النفايات الصلبة البلدية، بإمكانيات واعدة، إلا أنها تواجه مشاكل مثل عدم استقرار تفاعليتها وتقلبات العرض الموسمية. لذلك، من الضروري تطوير مواد بديلة أكثر استدامة واستقرارًا.
بهدف تحديد مواد بديلة أكثر جدوى بشكل منهجي، اقترح سروش محجوبي وإلسا أ. أوليفيتي وآخرون من معهد ماساتشوستس للتكنولوجيا (MIT) طريقة مبتكرة لدمج البيانات متعددة المصادر. استنادًا إلى نموذج اللغة الكبير (LLM)، تستخرج هذه الطريقة التركيب الكيميائي لـ 14,000 مادة من 88,000 ورقة بحثية، ثم تستخدم شبكة عصبية متعددة الرؤوس للتنبؤ بنشاط تفاعل المواد (انبعاث الحرارة، واستهلاك هيدروكسيد الكالسيوم (Ca(OH)₂))، والماء المرتبط)، وتبني إطارًا موحدًا لتقييم النشاط.ولأول مرة، تم تحديد وقياس تفاعلية أكثر من 50 ألف مادة ثانوية طبيعية وصناعية في جميع أنحاء العالم، وتم اختيار 25 نوعًا من الصخور الطبيعية التي لديها القدرة على استبدال الكلنكر الأسمنتي.وتوصلت الدراسة إلى أن المواد الطبيعية مثل نفايات هدم البناء، ورماد الحرق، والصخور البركانية شديدة التفاعل ويمكن أن تحل محل ما يقرب من 50% من الاستخدام العالمي للكلنكر، وهو ما يعادل تقليل انبعاثات الغازات المسببة للاحتباس الحراري بنحو 1.2 مليار طن.
نُشر البحث ذو الصلة في مجلة Communication Materials تحت عنوان "فحص المواد القائمة على البيانات للمواد الأولية الأسمنتية الثانوية والطبيعية".
أبرز ما جاء في البحث
* اقترح إطار عمل لنمذجة التفاعل متعدد المقاييس يدمج LLM والشبكة العصبية لتقييم تفاعل الأسمنت مع المواد البديلة بشكل موحد
* بناء أكبر قاعدة بيانات في العالم لمواد بدائل الأسمنت، والتي تغطي 14000 مادة وأكثر من 1200 نوع من الصخور، مما يكسر قيود الفحص التجريبي التقليدي
* تم العثور على 25 نوعًا من الصخور الطبيعية شديدة التفاعل، مما يدعم استراتيجيات استبدال الكلنكر الإقليمية التي يمكن أن تقلل بشكل كبير من انبعاثات الكربون في صناعة الأسمنت العالمية
عنوان الورقة:
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://go.hyper.ai/owxf6
يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s
مجموعة البيانات: استخراج التركيب الكيميائي ومعلومات النوع لـ 14000 مادة
إن بناء قاعدة بيانات شاملة تغطي مصادر متعددة هو مفتاح البحث.أولاً، قام فريق البحث باختيار 4312 وثيقة أساسية من 88 ألف ورقة أكاديمية متعلقة بالإسمنت والخرسانة باستخدام الكلمات الرئيسية.تم استخراج التركيب الكيميائي ومعلومات النوع لـ 14434 مادة، تغطي 19 فئة محددة مسبقًا مثل الرماد المتطاير والخبث والصخور البركانية الطبيعية، بما في ذلك 2028 عينة من الرماد المتطاير و1346 عينة من الخبث، وهو توسع كبير في حجم البيانات مقارنة بـ 725 عينة من الرماد المتطاير و828 عينة من الخبث في الدراسة السابقة.
ومن ناحية أخرى، من أجل تدريب النموذج،قام الباحثون بدمج البيانات التجريبية من طريقة الاختبار القياسية R³.تتضمن بيانات إطلاق الحرارة لـ 1330 عينة، وبيانات استهلاك Ca(OH)₂ لـ 208 عينات، وبيانات الماء المقيد لـ 292 عينة، تغطي 318 مادة. وتُعد هذه المجموعة من أكبر مجموعات البيانات التجريبية المتاحة حاليًا لبدائل الأسمنت.
* اختبار R³ القياسي: اختبار تفاعل كيميائي قياسي يعتمد على التركيب الكيميائي وحجم الجسيمات المتوسط والثقل النوعي ونسبة الخلط ومحتوى الطور غير المتبلور/البلوري
قام الباحثون بتطبيق النموذج المُدرَّب على أكبر قاعدة بيانات في العالم للتركيب الكيميائي للصخور.تحتوي قاعدة البيانات على ما يزيد عن مليون عينة صخرية في المجموع.وبعد ذلك، قام الباحثون بتسجيل وتصنيف تفاعلية جميع السجلات، جنبًا إلى جنب مع حوالي 160 عينة صخرية مع بيانات محتوى غير متبلور مقاسة في الأدبيات، وقاموا بتصحيح الخصائص الرئيسية المفقودة مثل المحتوى غير المتبلور من خلال تقنية استيفاء البيانات، وأخيرًا قاموا ببناء قاعدة بيانات موحدة لتفاعلية المواد الأسمنتية ذات المصدر الطبيعي والثانوي.
بالإضافة إلى ذلك، وفيما يتعلق ببناء خصائص البيانات، استخلصت الدراسة محتويات أكاسيد رئيسية مثل CaO وAl₂O₃ وSiO₂، حيث شكلت المواد التي يزيد مجموع تركيزها عن 80% نسبة عالية نسبيًا. وفي الوقت نفسه، وبدمج المعلمات الفيزيائية مثل متوسط حجم الجسيمات، والثقل النوعي، ومحتوى الطور غير المتبلور، وظروف العملية مثل درجة حرارة المعالجة والعمر، تم بناء مجموعة تدريب تحتوي على 318 مادة و1850 نقطة بيانات.
هندسة النموذج: التنبؤ بتفاعلية الهلام باستخدام شبكة عصبية متعددة المهام
في هذا البحث، تم استخدام بنية الشبكة العصبية متعددة الرؤوس للتنبؤ بتفاعلية المواد في أنظمة الأسمنت.صُممت هذه البنية للتنبؤ بمقاييس تفاعلية متعددة في آنٍ واحد، بما في ذلك إطلاق الحرارة، واستهلاك Ca(OH)₂، والماء المرتبط. وتكمن ميزة هذه البنية متعددة الرؤوس في قدرتها على الاستفادة من تعلم النقل بين المهام لتحسين دقة التنبؤ بالمهام الفردية من خلال مشاركة الميزات الأساسية.
تتضمن مدخلات النموذج أوصافًا رئيسية، مثل التركيب الكيميائي للمادة (مثل CaO، Al₂O₃، SiO₂، Fe₂O₃، MgO، إلخ)، وحجم الجسيمات، والمحتوى غير المتبلور، والكثافة النوعية. يتم التحقق من صحة هذه الأوصاف باستخدام تحليل SHAP (شرحات شابلي المضافة) لضمان معقولية مساهمتها في توقع التفاعلية. تظهر نتائج تحليل SHAP أن الأكاسيد الرئيسية (على سبيل المثال، CaO، Al₂O₃، SiO₂) هي أهم الوصافات للتنبؤ بالتفاعلية، في حين أن المحتوى غير المتبلور والثقل النوعي لهما أيضًا تأثيرات كبيرة على التفاعلية.
لتلبية تحديات التنبؤ بمؤشرات التفاعل المتعددة والتعامل مع القيم المفقودة في وقت واحد،قام الباحثون بتصميم شبكة عصبية متعددة المهام قادرة على الحساب وإدارة القيم المفقودة باستخدام طريقتين:تم تصميم دالة خسارة مخصصة في نهاية الإخراج، ويتم حساب الخسارة بناءً على القيم غير المفقودة فقط؛ وتم تطوير طريقة مزدوجة في نهاية الإدخال لاستيفاء القيم المفقودة أثناء إنشاء قناع لتمييز البيانات المقحمة، بحيث يمكن للشبكة التمييز بين القيم الأصلية والقيم المقحمة. يدمج هيكل النموذج واصف الإدخال وقناعه من خلال الاتصالات للتعامل مع القيم المقحمة. يحتوي هيكل الشبكة المحسن على 4 طبقات كثيفة مع دالة تنشيط ReLU، تتخللها طبقات التسرب وطبقات تطبيع الدفعات للحد من الإفراط في التجهيز. تتناسب أوزان الخسارة للمخرجات المختلفة عكسياً مع عدد نقاط البيانات المتاحة للمؤشر لموازنة المساهمة. وأخيرًا، يتم استخدام Keras Tuner لتحسين المعلمات الفائقة (مثل المحسن ومعدل التعلم وعدد الطبقات وما إلى ذلك)، ويتم اعتماد استراتيجية إيقاف مبكر في التدريب. تتم استعادة أوزان النموذج المثلى من خلال مراقبة الخسارة والتحقق منها لتجنب الإفراط في التجهيز.
البحث والتقييم في مجال التعدين المادي والتفاعلية القائم على درجة الماجستير في القانون
يستطيع النموذج التجريبي التنبؤ بدقة بتفاعلية المواد في أنظمة الأسمنت دون الحاجة إلى اختبارات معملية فيزيائية، مما يُسرّع بشكل كبير عملية اكتشاف المواد وفرزها، ويوفر طريقة جديدة لتقليل انبعاثات غازات الاحتباس الحراري في إنتاج الأسمنت. إضافةً إلى ذلك، أكدت الدراسة إمكانات المواد البديلة في تقليل استخدام الكلنكر. ويُوفر هذا الاكتشاف، المتمثل في زيادة تفاعلية المواد عن طريق زيادة محتواها غير المتبلور، إرشاداتٍ مهمة لتصميم المواد في المستقبل.
استخراج الأدبيات وتحليل الرواد على أساس ماجستير القانون
المكونات الكيميائية المستخرجة عن طريق الضبط الدقيق LLM،قام الباحثون برسم مخطط ثلاثي لـ CaO–Al₂O₃–SiO₂.كما هو موضح في الشكل أدناه، من بين العينات التي يزيد محتواها الإجمالي عن 80 طنًا من أكسيد الكالسيوم (wt%)، باستثناء المخلفات وكمية صغيرة من الأسمنت، تتميز معظم العينات بانخفاض محتوى أكسيد الألومنيوم (Al₂O₃)، وارتفاع أكسيد الكالسيوم (CaO)، وانخفاض محتوى أكسيد السيليكون (SiO₂). من بينها، تحتوي 56% منها على تركيز يتراوح بين 15 و70 طنًا من أكسيد الكالسيوم (wt%)، و73% على تركيز يتراوح بين 15 و70 طنًا من أكسيد السيليكون (SiO₂)، و70.5% على تركيز أقل من 15 طنًا من أكسيد الألومنيوم (Al₂O₃). تحتوي حوالي 94.5% من العينات على تركيز أكسيد الحديد (Fe₂O₃) بنسبة تتراوح بين 0 و15 طنًا من أكسيد الكالسيوم (wt%)، و95% على تركيز أقل من 10 طنًا من أكسيد المغنيسيوم (MgO).وبالمقارنة مع الدراسات السابقة، أضاف الباحثون 2028 عينة من الرماد المتطاير و1346 عينة من الخبث.في الوقت نفسه، أُدرجت أنواع جديدة من المواد، مثل الرماد البركاني الطبيعي ورماد الكتلة الحيوية والمخلفات. أي أن الدراسة السابقة قسمت 7490 مادة إلى 11 فئة، بينما توسعت هذه الدراسة لتشمل 12898 مادة و19 فئة.
حدد طالب ماجستير آخر أنواعًا وأنواعًا فرعية من المواد (مثل مخلفات النحاس في المخلفات) استنادًا إلى بيانات المجلات العلمية، وصنف المواد إلى 19 نوعًا ونوعًا فرعيًا محددًا مسبقًا لإجراء تحليل تصنيفي أكثر دقة. على الرغم من أن التركيب الكيميائي يساعد في تحديد أنواع المواد، إلا أنه لا يكشف مباشرةً عن تفاعلها. لاستكشاف التغيرات في تركيب المواد الأولية الأسمنتية، أجرى الباحثون تحليلًا لاختزال الأبعاد t-SNE على عينات يتجاوز محتواها الإجمالي من CaO وAl₂O₃ وSiO₂ 80 wt%، كما هو موضح في الشكل أدناه.وتظهر النتائج أنه باستثناء المخلفات ورماد الكتلة الحيوية والزجاج، فإن معظم المواد تبدو متجمعة بشكل منفصل، ولا ينفصل الأسمنت بشكل واضح عن الجير الخامل.ويشير هذا إلى أن التنبؤ بالتفاعلية استنادًا إلى التركيب الكيميائي فقط له حدود.
بناء نموذج التعلم الآلي والتنبؤ التفاعلي
من حيث التنبؤ بتفاعلية المواد من خلال التعلم الآلي، استخدم الباحثون ثلاثة مؤشرات للتفاعلية تم الحصول عليها من اختبار R³، وهي إطلاق الحرارة، واستهلاك Ca(OH)₂، ومحتوى الماء المرتبط للتدريب.توصلت الدراسة إلى أن إطلاق الحرارة يرتبط ارتباطًا خطيًا بالمياه المرتبطة.لذلك، يمكن استخدام الماء المرتبط لتقدير إطلاق الحرارة، مما يُحقق تقييمًا للتفاعلية متعددة الزوايا. بالإضافة إلى ذلك، وبالمقارنة مع آلة متجه الدعم، والغابة العشوائية، وXGBoost، والشبكة العصبية أحادية الرأس، كان أداء النموذج أفضل في جميع المؤشرات الثلاثة: كان RMSE لإطلاق الحرارة 28.20 جول/جم (بفاصل ثقة 3.88 جول/جم)، وكان استهلاك Ca(OH)₂ 12.17 جم/100 جم (±4.25)، وكان الماء المرتبط 1.47 جم/100 جم (±0.45)، وكان R² المتوقع أكبر من 0.85.
يكشف النموذج عن المحددات الرئيسية من خلال تحليل أهمية ميزة التبديل وتفسير SHAP.كما هو موضح في الشكل أدناه، تؤثر الأكاسيد الرئيسية (CaO، Al₂O₃، SiO₂، Fe₂O₃، MgO) والمحتوى غير المتبلور والوزن النوعي بشكل كبير على التفاعلية. من بينها، يُعدّ Al₂O₃ وCaCO₃ الأكثر أهميةً لإطلاق الحرارة وتكوين الماء المرتبط، مما يشير إلى أنهما يمكنهما تعزيز إطلاق الحرارة وتكوين الألومينات/الإترينجيت، كما يعززان المتانة المبكرة.تؤدي زيادة CaO إلى تقليل استهلاك Ca(OH)₂ لأنه يوفر مصدرًا مباشرًا للكالسيوم؛تتميز المواد منخفضة الوزن النوعي بمواقع تفاعل ترطيب أكثر. كما يُظهر تحليل SHAP أنه مع زيادة عمر ترطيب المادة، تزداد التفاعلية عندما تكون نسبة البنية غير المتبلورة عالية. لا تتوافق هذه النتائج مع قوانين النشاط المعدني المعروفة فحسب، بل توفر أيضًا أساسًا تقنيًا قابلًا للتفسير والتنبؤ بثلاثة مؤشرات لاستخدام التعلم الآلي لفحص المواد الأسمنتية عالية الأداء.
(تمثل الأشرطة الرمادية الخصائص الكيميائية، وتمثل الأشرطة الصفراء الوصافات البيئية، وتمثل الأشرطة الزرقاء الفاتحة الخصائص الفيزيائية، وتمثل الأشرطة الحمراء نسبة خلط المواد المضافة في خليط المعجون)
تقييم التفاعلية وإمكانية الاستفادة من المواد الثانوية
يوفر إطار النموذج تقييمًا كميًا لتفاعلية مجموعة متنوعة من المواد الثانوية استنادًا إلى التركيب الكيميائي وطرق الاستيفاء لتقدير الوصافات مثل المحتوى غير المتبلور والثقل النوعي وحجم الجسيمات المتوسط.
قام الباحثون برسم خريطة تفاعلية المواد من حيث إطلاق الحرارة واستهلاك Ca(OH)₂، مع التمييز بوضوح بين المواد البوزولانية (استهلاك Ca(OH)₂> 50 جم/100 جم)، والمواد الخاملة (إطلاق الحرارة < 100 جول/جم)، والخبث الذي يظهر صلابة هيدروليكية.بشكل عام، يظهر الرماد المتطاير، والبوزولانات الطبيعية، وغبار السيليكا، وبعض أنواع الطين، والزجاج، والمخلفات خصائص بوزولانية، في حين أن النفايات المحتوية على الكالسيوم غير تفاعلية تقريبًا؛إن المواد القائمة على الخبث، على الرغم من أنها أقل تفاعلية، تتصرف عادة هيدروليكيًا؛ في حين أن رماد الكتلة الحيوية، ونفايات البناء، والرماد السفلي تظهر أيضًا إمكانات كمواد أسمنتية بوزولانية، مما يؤكد اتفاق النموذج مع الدراسات السابقة.
من أجل تقييم دقيق لإمكانية استبدال الكلنكر لكل مادة،كما قامت الدراسة بتقسيم المواد إلى أنواع فرعية بناءً على مصادرها وطرق معالجتها، وتحليل خصائص تفاعلها الفريدة.كما هو موضح في الشكل أدناه، تظهر النتائج أن: نشاط الرماد البركاني لرماد الذبابة من النوع F أقوى من نشاط الرماد من النوع C؛ يختلف أداء تفاعل رماد الخبث والكتلة الحيوية بشكل كبير بسبب مصادرها المتنوعة؛ تُظهر السيراميك والطوب والخرسانة المعاد تدويرها في نفايات البناء والهدم خصائص رماد بركاني كبيرة، من بينها قيمة الإطلاق الحراري لسيراميك النفايات تصل إلى 450 جول / جرام؛ يمكن أن يصل الإطلاق الحراري لمخلفات النحاس والزنك إلى 400 جول / جرام، مما يدل على أن المعادن المختلطة لديها إمكانات أيضًا.
يُظهر تحليل العرض أنه على الرغم من أن الرماد المتطاير والخبث والكتلة الحيوية يمكن أن تحل معًا محل 53% من إنتاج الأسمنت العالمي (بما يمثل 19% و12% و22% على التوالي)،وأشارت الدراسة إلى أن نفايات البناء والهدم والنفايات الصلبة البلدية يمكنها أيضًا أن تحل محل الكلنكر إلى حد كبير في معظم البلدان، حيث تحل محل حوالي 55% و13% على التوالي.إن إمكانية الاستبدال أكبر، وقد يحل كلاهما محل 68% من إنتاج الأسمنت العالمي. على الرغم من أن بعض المواد ليست تفاعلية بطبيعتها، إلا أن نفايات البناء والنفايات الصلبة الحضرية لا تزال تُظهر إمكانات كبيرة لاستبدال الكلنكر من خلال عمليات تنشيط محددة وقابلة للتطوير. على سبيل المثال، تُعيد طريقة معالجة فرن القوس الكهربائي نضج عجينة الأسمنت في الخرسانة المعاد تدويرها؛ ويمكن لنفايات الخشب والتحلل الحراري المشترك للنفايات الأخرى تحويل الفحم الحيوي إلى مواد بوزولانية متوسطة التفاعل.
اكتشاف عالمي لمواد الهلام الطبيعية
استخدم الباحثون نموذج الاستيفاء لإدخال بيانات التركيب الكيميائي والبيانات غير المتبلورة من مجموعة بيانات R³، مما أدى إلى تحسين دقة التنبؤ بالتفاعلية بشكل ملحوظ. أظهرت النتائج أن متوسط خطأ الاستيفاء للنموذج للمحتوى غير المتبلور بلغ 3.0% فقط، بينما بلغ خطأ التنبؤ بالتفاعلية المقابل 5.0%.
وباستخدام النماذج التنبؤية لتقييم تفاعل الصخور، قمنا بدراسة أكثر من 1200 نوع من الصخور ذات إطلاق حراري يزيد عن 200 جول/جرام وحددنا 50569 من المواد الأولية الطبيعية.من بينها، تتجاوز المواد الأولية التفاعلية لـ 25 نوعًا من الصخور 5%. ويُعتبر تفاعل الأنورثيت والإجنيمبريت الأعلى مقارنةً بالعينة الكلية، حيث يبلغ حوالي 25%؛يأتي بعد ذلك البورفير، والصخور الفتاتية، والتوف السيليسي. على الرغم من أن نسبة التفاعل إلى الحجم الكلي للصخور البركانية الطاردة، مثل الريوليت، أقل من 12%، إلا أن العينات التفاعلية أكثر انتشارًا نظرًا لانتشارها العالمي الواسع. معظم العينات التفاعلية التي تم تحديدها تنتمي إلى نطاق الرماد البركاني، حيث تنتمي حوالي 46,700 عينة إلى الرماد البركاني وحوالي 3,800 عينة إلى الصلابة الهيدروليكية. وتختلف القدرة التفاعلية العالية لأنواع الصخور المختلفة.تنتشر المواد الأولية الطبيعية المُحددة في جميع أنحاء العالم، وتتركز في مناطق مثل المناطق الزلزالية. ويمكن استخدام المواد الأولية متوسطة وعالية النشاط كبدائل لمواد الكلنكر الخام.على الرغم من أن البيانات الحالية تُظهر أن الرواسب البركانية الأولية تتوزع بشكل رئيسي في كندا والولايات المتحدة ودول أخرى، إلا أنها موجودة في جميع أنحاء العالم. تتركز الرواسب البركانية الأولية في شمال أوروبا وآسيا وأماكن أخرى. وفي أمريكا الشمالية، تتركز بشكل رئيسي في جبال الأبلاش وأماكن أخرى، كما هو موضح في الشكل أدناه.
عصر الأسمنت الذكي منخفض الكربون القائم على البيانات
في الواقع، في مجال البحث الأكاديمي، تخترق تقنية الذكاء الاصطناعي جميع حلقات سلسلة صناعة الأسمنت والخرسانة بطريقة ثورية، وحققت اختراقات متعددة الأبعاد في التنبؤ بالأداء وتحسين الإنتاج.
على سبيل المثال،واقترح البروفيسور وي شياويونغ من قسم الحوسبة الإلكترونية في جامعة هونغ كونغ للفنون التطبيقية وفريقه طريقة التعلم الآلي التي يمكنها تخزين ثاني أكسيد الكربون بشكل فعال في مواد الأسمنت.استُخدمت ثلاث تقنيات متقدمة للتعلم الآلي، وهي أشجار القرار، والغابات العشوائية، وتعزيز التدرج الشديد (XGBoost)، لربط مجموعات البيانات الحالية بالبيانات المُجمعة من الدراسات السابقة. وقد تم التحقق من أن أداء نموذج XGBoost كان أفضل بكثير من طريقة الانحدار الخطي التقليدية. بالإضافة إلى ذلك، وبمساعدة SHAP، بالإضافة إلى العوامل المعروفة على نطاق واسع، تمت دراسة نوع الأسمنت أيضًا، وثبت دوره الرئيسي في التأثير على عمق الكربنة. يُعد كلٌّ من CEM II/B-LL وCEM II/BM نوعين يتمتعان بإمكانية كربنة أعلى. تُمكّن هذه النتائج من تحديد العوامل الرئيسية التي تؤثر على عزل ثاني أكسيد الكربون في الأسمنت، وتُقدم رؤىً ثاقبة لتحسين التصميم التجريبي. نُشرت النتائج ذات الصلة في مجلات Nature الشريكة تحت عنوان "التعلم الآلي لعزل ثاني أكسيد الكربون بكفاءة في المواد الأسمنتية: طريقة قائمة على البيانات".
عنوان الورقة:
https://www.nature.com/articles/s44296-025-00053-z
في مواجهة التكلفة العالية للخرسانة عالية الأداء (UHPC)،استخدم فريق بحثي من قسم علوم وهندسة المواد في جامعة ميسوري للعلوم والتكنولوجيا التعلم الآلي لتحسين وتوقع أداء مخاليط UHPC، مما أدى إلى تحسين الكفاءة بشكل كبير وتقصير وقت التطوير.أظهرت النتائج أن نموذج الغابة العشوائية (RF) أفضل من نموذج الشبكة العصبية الاصطناعية (ANN) في التنبؤ بقوة الضغط؛ كما أظهر تحليل قيمة SHAP أن العمر ومحتوى الألياف ومحتوى الخليط (SCM) لهما تأثيرات كبيرة، وأن التركيب الكيميائي للخليط أقل أهمية؛ وبعد إزالة التركيب الكيميائي، تعادل كفاءة التنبؤ لمتغيرات الإدخال المختارة فقط كفاءة التنبؤ بمجموعة المدخلات الكاملة. ويتضح أن المعلومات الأساسية لتصميم الخليط فقط هي اللازمة للتنبؤ الدقيق بأداء UHPC، مما يقلل ليس فقط من كمية جمع البيانات، بل يقلل أيضًا من استخدام الذاكرة الحسابية ووقت المعالجة.
عنوان الورقة:
https://www.nature.com/articles/s41598-025-94484-2
بالنظر إلى المستقبل، قد يصبح الذكاء الاصطناعي الذي يدمج النماذج عالية الإنتاجية والشبكات العصبية في مجال مواد الأسمنت القوة الدافعة الأساسية لصناعة الأسمنت للتحرك نحو هدف الحياد الكربوني بحلول عام 2050. وانطلاقًا من هذه النقطة الحرجة من ثورة المواد الجديدة، سيفتح هذا مسارًا ذكيًا وصديقًا للبيئة لبناء البنية التحتية في إطار أهداف "الكربون المزدوج".
روابط مرجعية:
1.https://mp.weixin.qq.com/s/4Nmf7aMkuRo8-eietH7bNw
2.https://mp.weixin.qq.com/s/f9D6tVDsruhUr7YbZ7zlhA
3.https://mp.weixin.qq.com/s/3q696f2qqU8Wk949qgivbw