Naučnici kažu da su dizajnirali modele mašinskog učenja koji mogu da predvide kada i zašto strukture izgrađene od armiranog betona počinju da propadaju i pucaju.
Beton je savremeni građevinski materijal na svetu koji se koristi u izgradnji širokog spektra objekata kao što su mostovi, pristaništa, kuće, višespratni parkingi i zgrade.
Međutim, i uprkos svojoj čvrstoći i izdržljivosti, armirani beton može da pukne i rasloji se kao deo procesa koji se naziva ljuštenje, što je obično uzrokovano korozijom čeličnih delova u betonu.
Istraživači sa Univerziteta u Šardži sada tvrde da su dizajnirali nove modele mašinskog učenja za koje veruju da mogu predvideti kada i zašto može doći do ljuštenja, dajući na taj način inženjerima dovoljno vremena da ponude rešenja i prakse o tome kako da odugovlače ljuštenje i njegove štetne efekte.
Istraživanje, objavljeno u časopisu Naučni izveštaji, „istražuje višestruke faktore koji utiču na ljuštenje, koristeći sveobuhvatan pristup koji integriše statističke tehnike i tehnike mašinskog učenja za prediktivno modeliranje.
„Deskriptivna statistika pažljivo profiliše skup podataka, naglašavajući starost, debljinu, padavine, temperaturu i saobraćajne parametre“, pišu naučnici.
Spalling ima mnogo štetnih efekata. U nedostatku odgovarajuće procene i predviđanja, kao i pravilnog lečenja, to može dovesti do opasnih posledica.
Kada čelik korodira, širi se mnogo iznad svoje prvobitne zapremine, pritiskajući okolni cement i dovodi do pojave pukotina i propadanja betonskih konstrukcija.
Pucanje betonskih konstrukcija je fenomen opasnosti, koji predstavlja pretnju ne samo za betonske trotoare i zgrade, već predstavlja i rizik po zdravlje i bezbednost.
Dr Ghazi Al-Khateeb, glavni autor i profesor asfaltnih kolovoza, oštećenja i mehanike na Univerzitetu u Šardži, rekao je da su ključni faktori koji utiču na ljuštenje uzeti u obzir u studiji, posebno njihov uticaj na kontinualno armirani betonski kolovoz (CRCP).
CRCP se pojavio kao najčešći betonski kolovoz u modernom dobu jer eliminiše uključivanje poprečnih spojeva koji obično zahtevaju kontinuirano i skupo održavanje. Usvojen je kao deo mera za pomoć betonu da izdrži pritisak na životnu sredinu i saobraćaj.
Autori su u svojoj analizi razmatrali i godišnji prosečni dnevni saobraćaj ili AADT, koji izračunava zbir ukupnog saobraćaja na kolovozu za celu godinu podeljen sa 365 dana.
Profesor Al-Khatib je rekao: „Istraživačka studija je identifikovala ključne faktore koji utiču na lomljenje kolovoza od kontinuirano armiranog betona (CRCP), uključujući starost, klimatske varijable kao što su temperatura, padavine i vlažnost, kao i godišnji prosečni dnevni saobraćaj (AADT) i debljina kolovoza.
„Ovi faktori su istaknuti kao primarni faktori koji doprinose pogoršanju CRCP-a.“
Istraživačka studija, pišu autori, „pridržavala se sistematske metodologije, koja se sastojala od nekoliko faza kako bi se osigurala robusnost… Deskriptivna statistika pažljivo profiliše skup podataka, naglašavajući starost, debljinu, padavine, temperaturu i saobraćajne parametre.“
Autori su koristili regresionu analizu ključnih odnosa različitih faktora koji izazivaju ljuštenje. Njihovi rezultati su naglasili „značaj starosti, godišnje temperature, godišnjih padavina, maksimalne vlažnosti i početnog međunarodnog indeksa hrapavosti (IRI) kao uticajnih faktora“.
„Odabir modela Gausove regresije procesa i stabla ansambla proizilazi iz njihove prilagodljivosti za hvatanje zamršenih odnosa unutar skupa podataka, a njihove uporedne performanse pružaju vrijedan uvid u različite prediktivne mogućnosti ovih modela u kontekstu CRCP razlaza.
Prilikom unosa rezultata analize ovih faktora u modele koje su dizajnirali, autori su otkrili da njihove mašine za učenje imaju kapacitet da predvide kada može doći do propadanja armiranog betona i faktora koji predstavljaju pretnju trajnosti betona.
Modeli mašinskog učenja koje su autori koristili, prema profesoru Al-Khatibu, uglavnom su bili tipa regresije Gausovog procesa i modela stabla ansambla, koji su „demonstrirali najveću tačnost u predviđanju raspadanja“.
„Međutim, primećeno je da performanse modela variraju u zavisnosti od specifične arhitekture i karakteristika skupa podataka koji se koristi, što ukazuje na važnost pažljivog odabira modela.“
Stoga su autori savetovali inženjere i praktičare da budu oprezni kada koriste modele mašinskog učenja, napominjući da je u „mašinskom učenju, usvajanje modela, uključujući Gausovu procesnu regresiju i modele stabla ansambla, zasnovano na njihovim raznovrsnim mogućnostima i prikladnosti za složeni zadatak koji je pri ruci Njihove različite tačnosti predviđanja naglašavaju važnost razumnog izbora modela.“
Istraživačka studija, prema rečima autora, „napreduje prakse inženjeringa kolovoza nudeći nijansirane uvide u faktore koji utiču na ljuštenje u CRCP-u, poboljšavajući naše razumevanje uticaja na ljuštenje“.
„Shodno tome, studija ne samo da otvara puteve za razvoj poboljšanih prediktivnih metodologija, već i poboljšava trajnost CRCP infrastrukture, baveći se širim implikacijama za informisano donošenje odluka u upravljanju transportnom infrastrukturom.“
Na pitanje o neposrednim praktičnim implikacijama studije, prof. Al-Khatib se osvrnuo na nalaze istraživanja autora za koje je rekao da naglašavaju „potrebu za strategijama održavanja koje uključuju kritične faktore kao što su starost, opterećenje saobraćaja i debljina kolovoza. ove varijable, praktičari mogu poboljšati trajnost CRCP-a i smanjiti rizik od lomljenja.“
Profesor Al-Khatib je rekao da još ima prostora za dalja istraživanja kako bi se učvrstili nalazi stavljajući više fokusa na „istraživanje vremenskih promena u obrascima ljuštenja, integraciju podataka senzora u realnom vremenu radi preciznijih predviđanja, rešavanje regionalne varijabilnosti podataka i ispitivanje uticaji klimatskih promena na ljuštenje.“
„Ovi putevi bi mogli značajno poboljšati prediktivne metodologije i poboljšati otpornost betonskih kolovoznih sistema.“
