التنبؤ بمقاومة البيتون على الضغط باستخدام تقنيات التعلُّم الآلي
الكلمات المفتاحية:
مقاومة الضغط، التعلّم الآلي، التنبؤ، نماذج الانحدار، الغابات العشوائية، XGBoost .الملخص
يهدف هذا البحث إلى تطوير نموذج للتنبؤ بمقاومة البيتون على الضغط باستخدام تقنيات التعلّم الآلي، وبالاعتماد على مجموعة واسعة من البيانات التجريبية لخلطات بيتونية قياسية مأخوذة من قاعدة البيانات
University of California, Irvine (UCI) Machine Learning Repository. تحوي هذه البيانات على المعلومات اللازمة لبناء النموذج وهي كمية المكوّنات الأساسية للخلطة البيتونية: الإسمنت، خبث الأفران العالية، الرماد المتطاير، الماء، الملدن، الحصويات الخشنة، الحصويات الناعمة، إضافة إلى مقاومة الضغط المُقاسة تجريبياً لعينات بيتونية أسطوانية، عند أعمار مختلفة تتراوح بين 3 أيام إلى 365 يوماً.
تمَّ تقسيم البيانات إلى مجموعة تدريب بنسبة 70% ومجموعة اختبار بنسبة 30%، ثم بناء أربعة نماذج تعلُّم آلي باستخدام لغة Pythonهي: الانحدار الخطي (Linear Regression)، الغابة العشوائية (Random Forest)، تعزيز التدرج (Gradient Boosting)، تعزيز التدرج الفائق Extreme Gradient Boosting (XGBoost). بعد ذلك تمَّ تقييم أداء النماذج الأربعة باستخدام مؤشرات الأداء مثل معامل التحديد (R²) ومتوسط الخطأ التربيعي (MSE) والجذر التربيعي لمتوسط الخطأ (RMSE) لاختيار النموذج ذو الأداء الأفضل.
أظهرت النتائج تفوّق نموذج (XGBoost) من حيث الدقة والقدرة على تمثيل العلاقة غير الخطية بين مكوّنات الخلطة ومقاومة الضغط، مما يؤكد فعالية استخدام تقنيات التعلُّم الآلي- وخاصةً خوارزميات تعزيز التدرج(XGBoost) - في تحسين دقة التنبؤ بمقاومة البيتون، وتقليل الزمن والكلفة المرتبطة بالاختبارات المخبرية التقليدية، ويفتح مجالاً واسعاً للنماذج التنبؤية في التطبيقات الهندسية الحديثة.