طراحی بتن ژئوپلیمری خاکستر بادی با کمک هوش مصنوعی؛ توازن میان مقاومت، هزینه و انتشار کربن

پژوهشگران چارچوبی مبتنی بر هوش مصنوعی توسعه داده‌اند که می‌تواند ترکیب بتن ژئوپلیمری خاکستر بادی را به‌گونه‌ای طراحی کند که میان مقاومت، هزینه و انتشار کربن تعادل برقرار شود. در این روش، از یک تکنیک هوش مصنوعی مولد برای گسترش مجموعه‌ای کوچک از داده‌های آزمایشی استفاده شده است. این پژوهش با گردآوری ۶۲۴ مشاهده آزمایشی از ۱۰ مطالعه منتشرشده و افزودن ۱۲۰ مشاهده مصنوعی تولیدشده با شبکه مولد تخاصمی جدولی شرطی (CTGAN) نشان می‌دهد که افزایش داده‌ها می‌تواند دقت مدل‌های یادگیری ماشین را در پیش‌بینی مقاومت فشاری این ماده ساختمانی کم‌کربن به‌طور قابل‌اندازه‌گیری بهبود دهد. این چارچوب، چند رویکردی را که در پژوهش‌های پیشین عمدتاً جداگانه بررسی می‌شدند، در یک فرایند طراحی واحد گرد هم آورده است؛ از جمله تولید داده مصنوعی، پیش‌بینی با مدل‌های ترکیبی یادگیری ماشین، تبیین‌پذیری، ارزیابی قابلیت اطمینان و بهینه‌سازی چندهدفه.

در بتن ژئوپلیمری خاکستر بادی، سیمان پرتلند معمولی، که بخش عمده‌ای از ردپای زیست‌محیطی بتن به آن مربوط می‌شود، با یک چسباننده ژئوپلیمری جایگزین می‌شود. این چسباننده از فعال‌سازی شیمیایی ترکیبات آلومینوسیلیکاتی موجود در خاکستر بادی، یعنی پسماند حاصل از احتراق زغال‌سنگ در نیروگاه‌های برق، به دست می‌آید. تولید هر تن سیمان تقریباً ۰٫۸۷ تن دی‌اکسید کربن و ۳ کیلوگرم اکسیدهای نیتروژن منتشر می‌کند و در عین حال به مصرف حدود دو تن شیل و سنگ آهک نیاز دارد. در مقابل، برآورد می‌شود که تولید بتن ژئوپلیمری با استفاده از خاکستر بادی یا سرباره فولاد، در مقایسه با سیمان متعارف، انتشار دی‌اکسید کربن را پنج تا شش برابر کاهش دهد. به همین دلیل، این ماده برای کاربردهای سازه‌ای، از روسازی‌ها و دال‌ها گرفته تا ستون‌ها و تیرها، مورد توجه فزاینده پژوهشگران قرار گرفته است. در فرایند ژئوپلیمریزاسیون، مواد آلومینوسیلیکاتی مانند خاکستر بادی با محلول‌های فعال‌کننده قلیایی، معمولاً هیدروکسید سدیم و سیلیکات سدیم، مخلوط می‌شوند تا چسباننده ژئوپلیمری تشکیل شود.

چالش اصلی مورد بررسی پژوهشگران، دشواری پیش‌بینی مقاومت فشاری بتن ژئوپلیمری خاکستر بادی است. مقاومت این بتن از واکنش‌های پیچیده و غیرخطی ژئوپلیمریزاسیون میان خاکستر بادی، فعال‌کننده‌های قلیایی، سنگ‌دانه‌ها، دمای عمل‌آوری و مدت عمل‌آوری تأثیر می‌پذیرد. طراحی سنتی طرح اختلاط به آزمایش‌های مکرر و مبتنی بر آزمون‌وخطا در دوره‌های مختلف عمل‌آوری متکی است. با وجود تحقیقات گسترده، هنوز روش نظام‌مندی برای طراحی طرح اختلاط بتن ژئوپلیمری وجود ندارد و با افزایش تعداد متغیرها، پیچیدگی مسئله بیشتر می‌شود. یادگیری ماشین می‌تواند روابط غیرخطی میان این عوامل را شناسایی کند، اما پیشرفت در این زمینه به دلیل کوچک و ناهمگون بودن پایگاه‌های داده آزمایشی محدود مانده است. افزون بر این، در مطالعات پیشین معمولاً پیش‌بینی، بهینه‌سازی و تفسیر نتایج به‌عنوان فعالیت‌های پژوهشی جداگانه انجام می‌شدند.

برای غلبه بر محدودیت داده‌ها، پژوهشگران از CTGAN استفاده کردند؛ شبکه‌ای مولد تخاصمی که به‌طور ویژه برای داده‌های جدولی طراحی شده است. شبکه‌های مولد تخاصمی متعارف در کار با مجموعه‌داده‌های جدولی با دشواری مواجه‌اند، زیرا این داده‌ها شامل متغیرهای گسسته و توزیع‌های غیرگاوسی و چندقله‌ای برای مقادیر پیوسته هستند. CTGAN این مشکل را با استفاده از تولید شرطی برطرف می‌کند؛ در این روش، یک بردار کدگذاری‌شده به شیوه یک‌ازچند، مولد را به سمت دسته‌های گسسته مشخص، مانند تعداد روزهای عمل‌آوری، هدایت می‌کند. این مدل همچنین از یک روش نرمال‌سازی مبتنی بر مد استفاده می‌کند که بر مدل‌های مخلوط گاوسی تکیه دارد و امکان بازنمایی توزیع‌های چندقله‌ای متغیرهای پیوسته را فراهم می‌سازد. افزون بر این، راهبرد نمونه‌گیری با وزن‌دهی بر اساس لگاریتم فراوانی دسته‌ها به کار گرفته می‌شود تا سوگیری به نفع دسته‌های پرتکرار کاهش یابد. برای حفظ تفسیرپذیری فیزیکی داده‌های تولیدشده، مقادیر نمونه‌ها به حداقل و حداکثر مقادیر مجموعه‌داده اصلی محدود شدند و مقادیر گسسته نیز به نزدیک‌ترین دسته معتبر گرد شدند.

پس از افزایش داده‌ها و تشکیل مجموعه‌ای شامل ۷۴۴ مشاهده، پژوهشگران چهار مدل یادگیری ماشین را که نماینده رویکردهای متفاوت یادگیری بودند، آموزش دادند: رگرسیون فرایند گاوسی بهینه‌شده (OGPR)، مدلی احتمالاتی مناسب برای مجموعه‌داده‌های کوچک؛ درخت تصمیم بهینه‌شده (ODT)؛ الگوریتم CatBoost، مبتنی بر تقویت گرادیانی؛ و جنگل تصادفی، یک روش مبتنی بر مجموعه‌ای از مدل‌ها. هفتاد درصد داده‌ها برای کالیبراسیون و ۳۰ درصد برای اعتبارسنجی در نظر گرفته شد. مدل‌ها با استفاده از هفت شاخص آماری، از جمله ضریب همبستگی، میانگین قدر مطلق خطا، جذر میانگین مربعات خطا و میانگین قدر مطلق درصد خطا، ارزیابی شدند. سه ترکیب متفاوت از ورودی‌ها آزمایش شد که از مجموعه‌ای حداقلی تا مجموعه کامل متغیرها را در بر می‌گرفتند: سن عمل‌آوری، مولاریته، مقدار خاکستر بادی، سنگ‌دانه ریز و درشت، هیدروکسید سدیم، نسبت فعال‌کننده، دمای عمل‌آوری و فوق‌روان‌کننده. مدل‌ها در MATLAB R2023a توسعه یافتند، پیش‌پردازش داده‌ها با EViews 13.0 انجام شد، جنگل تصادفی در RStudio 4.2.2 پیاده‌سازی شد و CatBoost در محیط Colab اجرا شد.

نتایج نشان داد که انتخاب متغیرهای ورودی تأثیر بسیار زیادی بر عملکرد مدل‌ها دارد. مدل‌هایی که با مجموعه کامل متغیرها آموزش دیده بودند، به‌مراتب بهتر از مدل‌های دارای ورودی‌های محدود عمل کردند. در مرحله کالیبراسیون، مدل OGPR با استفاده از تمام متغیرهای ورودی به ضریب همبستگی ۰٫۹۶۲۳ و میانگین قدر مطلق درصد خطای ۹٫۴۹۹ درصد دست یافت؛ این ضریب برای مدل CatBoost برابر با ۰٫۹۲۶۶ بود. در مرحله اعتبارسنجی، CatBoost با مجموعه کامل ورودی‌ها بهترین عملکرد را نشان داد و به ضریب همبستگی ۰٫۹۶۰۷، ضریب تعیین ۰٫۹۱۹۳ و میانگین قدر مطلق خطای ۰٫۰۴۲۸ رسید. تأثیر افزایش داده‌ها با CTGAN در الگوریتم‌های مختلف یکسان نبود. ضریب همبستگی CatBoost از ۰٫۸۸ به ۰٫۹۴ و ضریب همبستگی جنگل تصادفی از ۰٫۹۱۴۹ به ۰٫۹۴۳۳ افزایش یافت. در مقابل، OGPR که از ابتدا با ضریب ۰٫۹۷۰۵ قوی‌ترین مدل بر پایه داده‌های اصلی بود، پس از استفاده از داده‌های مصنوعی اندکی از دقت خود را از دست داد. درخت تصمیم نیز دقت بیشتری پیدا کرد، اما قابلیت اطمینان آن کاهش یافت.

از آنجا که دقت پیش‌بینی به‌تنهایی برای کاربردهای مهندسی کافی نیست، پژوهشگران تحلیل SHAP یا «توضیحات افزایشی شاپلی» را به کار گرفتند. این روش هوش مصنوعی تبیین‌پذیر، که بر نظریه بازی‌های مشارکتی استوار است، سهم هر ویژگی را در پیش‌بینی‌های منفرد کمی‌سازی می‌کند. نتایج نشان داد که سن عمل‌آوری تأثیرگذارترین متغیر است و پس از آن مولاریته، سنگ‌دانه ریز، مقدار خاکستر بادی و سنگ‌دانه درشت قرار دارند. در مقابل، سهم مقدار هیدروکسید سدیم، نسبت فعال‌کننده و دمای عمل‌آوری نزدیک به صفر بود. این یافته با نتایج تحلیل همبستگی نیز سازگار بود؛ در آن تحلیل، سن عمل‌آوری با ضریب ۰٫۴۹ بیشترین همبستگی را با مقاومت فشاری داشت و پس از آن مقدار خاکستر بادی با ضریب ۰٫۴۱ قرار گرفت. این نتایج تأیید می‌کنند که طولانی‌تر شدن زمان عمل‌آوری به افزایش مقاومت در ساختار ژئوپلیمری کمک می‌کند. در تحلیل محلی SHAP برای یک پیش‌بینی مشخص نیز مقدار خاکستر بادی بزرگ‌ترین سهم را داشت و مقدار پیش‌بینی‌شده را ۰٫۰۵ افزایش داد، در حالی که نسبت فعال‌کننده با سهم منفی ۰٫۰۱ همراه بود.

این چارچوب همچنین شامل تحلیل قابلیت اطمینان با استفاده از روش قابلیت اطمینان مرتبه اول بود که در آن خطای پیش‌بینی به‌عنوان معیار شکست در نظر گرفته شد. با اعمال معیار سخت‌گیرانه حداکثر خطای مثبت یا منفی ۵ مگاپاسکال، هر چهار مدل برتر قابلیت اطمینان ۱۰۰ درصدی و نرخ شکست صفر داشتند. با افزایش دامنه مجاز خطا به مثبت یا منفی ۱۰ مگاپاسکال، CatBoost با مجموعه کامل ورودی‌ها و قابلیت اطمینان ۶۹٫۰۹ درصد در رتبه نخست قرار گرفت. پس از آن، OGPR با ۶۳٫۱۷ درصد، جنگل تصادفی با ۵۶٫۳۲ درصد و درخت تصمیم با ۵۵٫۷۸ درصد قرار داشتند. نکته قابل‌توجه این بود که افزایش داده‌ها با CTGAN قابلیت اطمینان CatBoost را در دامنه خطای ۱۰ مگاپاسکال از ۶۲٫۸۲ به ۶۹٫۰۹ درصد و قابلیت اطمینان جنگل تصادفی را از ۴۲٫۹۴ به ۵۶٫۳۲ درصد افزایش داد. این نتایج نشان می‌دهد که داده‌های مصنوعی می‌توانند علاوه بر بهبود برازش آماری، استحکام عملکرد مدل‌ها را در کاربردهای مهندسی نیز افزایش دهند. توزیع خطاهای همه مدل‌ها حول صفر متمرکز بود که از نبود سوگیری نظام‌مند حکایت دارد. CatBoost نیز با داشتن باریک‌ترین دامنه پراکندگی خطا، پایدارترین پیش‌بینی‌ها را در میان مدل‌های بررسی‌شده ارائه کرد.

در مرحله پایانی، پژوهشگران مدل‌های پیش‌بینی را با یک فرایند بهینه‌سازی چندهدفه ترکیب کردند تا مقاومت فشاری، هزینه نسبی مواد و انتشار دی‌اکسید کربن به‌طور هم‌زمان بهینه شوند. مقاوم‌ترین ترکیب شناسایی‌شده به مقاومت فشاری ۸۰٫۲۹ مگاپاسکال رسید، اما شاخص هزینه آن ۳۱۷۳٫۲ و شاخص دی‌اکسید کربن آن ۱۰۰٫۶۱ بود. در مقابل، پایدارترین ترکیب به مقاومت ۷۵٫۶۶ مگاپاسکال دست یافت و در مقایسه با مقاوم‌ترین ترکیب، شاخص هزینه را ۲۳٫۴ درصد و شاخص دی‌اکسید کربن را ۶۳٫۵ درصد کاهش داد. این کاهش هزینه و انتشار با افت تنها ۵٫۸ درصدی مقاومت فشاری همراه بود. تحلیل همچنین همبستگی مثبت میان مقاومت و هزینه، مقاومت و انتشار آلاینده‌ها، و هزینه و انتشار را نشان داد. با این حال، برخی ترکیب‌ها توانستند بدون تحمیل هزینه یا انتشار نامتناسب، مقاومتی بیش از ۶۰ مگاپاسکال ایجاد کنند. این یافته نشان می‌دهد که می‌توان طرح‌های اختلاط متعادلی طراحی کرد که به بهای افزایش شدید هزینه و انتشار، صرفاً به دنبال دستیابی به بیشترین مقاومت ممکن نباشند.

نویسندگان تأکید می‌کنند که این چارچوب محدودیت‌هایی دارد. ۶۲۴ مشاهده آزمایشی از ۱۰ مطالعه منتشرشده گردآوری شده‌اند، اما نمونه‌های تکراری تضمین‌شده‌ای برای بررسی تکرارپذیری آزمایش‌ها در اختیار نبود. همچنین، ۱۲۰ مشاهده مصنوعی ویژگی‌های آماری داده‌های منبع را به ارث می‌برند. چندین پارامتر شیمیایی، مادی و ریزساختاری نیز به دلیل گزارش نشدن یکسان آن‌ها در مطالعات مختلف، ناگزیر از تحلیل کنار گذاشته شدند. آزمون‌های کولموگروف–اسمیرنوف نشان دادند که CTGAN توانسته است ویژگی‌های مرکزی توزیع بیشتر متغیرها را بازتولید کند؛ با این حال، تفاوت‌های قابل‌توجهی در توزیع سن عمل‌آوری، فوق‌روان‌کننده و مقاومت فشاری مشاهده شد. بنابراین، داده‌های مصنوعی باید ابزاری برای افزایش آماری داده‌ها تلقی شوند، نه جایگزینی برای آزمایش‌های مستقل. طرح‌های اختلاط بهینه‌شده و صرفه‌جویی‌های محاسبه‌شده در هزینه و انتشار نیز همچنان نتایج محاسباتی هستند و پیش از استفاده مهندسی به اعتبارسنجی مستقل در آزمایشگاه نیاز دارند. به گفته پژوهشگران، تحقیقات آینده باید بر آزمایش‌های دارای نمونه‌های تکراری و کنترل‌شده، پایگاه‌های داده بزرگ‌تر و متنوع‌تر، توصیف دقیق‌تر ویژگی‌های مواد و ادغام داده‌های هزینه متناسب با موقعیت جغرافیایی با ارزیابی چرخه عمر متمرکز شوند. با وجود این محدودیت‌ها، این پژوهش گامی به سوی ایجاد یک چارچوب یکپارچه و داده‌محور برای طراحی بتن ژئوپلیمری به شمار می‌رود؛ چارچوبی که از داده‌های آزمایشی محدود آغاز می‌کند و طراحی طرح اختلاط را با قابلیت تفسیر، ارزیابی قابلیت اطمینان و توجه به پایداری زیست‌محیطی در یک فرایند واحد پیش می‌برد.

موضوع پژوهش: استفاده از یادگیری ماشین ترکیبی با داده‌های افزوده‌شده به روش CTGAN برای پیش‌بینی و بهینه‌سازی مقاومت فشاری، هزینه و انتشار دی‌اکسید کربن در بتن ژئوپلیمری خاکستر بادی.

عنوان مقاله پژوهشی: یادگیری ماشین ترکیبی تقویت‌شده با CTGAN برای طراحی تبیین‌پذیر و پایدار بتن ژئوپلیمری خاکستر بادی.

منبع مقاله: Adamu, M., Jibril, M. M., Alanazi, H., & Ibrahim, Y. E. (2026). CTGAN-augmented hybrid machine learning for explainable and sustainable fly ash geopolymer concrete design. Case Studies in Construction Materials, 25, Article e06578. https://doi.org/10.1016/j.cscm.2026.e06578

شناسه دیجیتال مقاله (DOI): 10.1016/j.cscm.2026.e06578

کلیدواژه‌ها: بتن ژئوپلیمری خاکستر بادی، CTGAN، یادگیری ماشین، مقاومت فشاری، تبیین‌پذیری SHAP، افزایش داده‌ها، بهینه‌سازی چندهدفه، ساخت‌وساز پایدار، بتن کم‌کربن، تحلیل قابلیت اطمینان، CatBoost، رگرسیون فرایند گاوسی.