به گزارش نشریه دنیای نفت و قیر، یک چهارچوب جدید هوش مصنوعی توانسته است با ترکیب داده‌های مربوط به رفتار قیر، ویژگی‌های سطح سنگدانه، تصاویر خرابی و شرایط محیطی، آسیب ناشی از رطوبت در محل اتصال قیر و سنگدانه را با دقت ۹۶ درصد تشخیص دهد. این پژوهش می‌تواند راه را برای ارزیابی دقیق‌تر جداشدگی قیر از سنگدانه و آسیب ناشی از آب و حرارت باز کند، اما مدل فعلی خرابی ایجادشده پس از اعمال شرایط آزمایش را ارزیابی می‌کند و هنوز نباید آن را سامانه‌ای برای پیش‌بینی قطعی خرابی آینده روسازی پیش از مواجهه با شرایط محیطی دانست.
تمرکز این پژوهش بر یکی از حساس‌ترین نقاط مخلوط آسفالتی قرار دارد؛ یعنی سطح تماس قیر و سنگدانه. زمانی که این اتصال تضعیف شود، آب می‌تواند جداشدگی قیر از سطح سنگدانه، کاهش چسبندگی و در نهایت خرابی زودهنگام روسازی را تشدید کند.
آزمایش‌های متداول مخلوط آسفالتی می‌توانند کاهش عملکرد کلی یک ماده را نشان دهند، اما همیشه مشخص نمی‌کنند در خود سطح اتصال قیر و سنگدانه چه اتفاقی افتاده است. روش جدید تلاش می‌کند چند نوع داده مختلف را کنار یکدیگر قرار دهد تا خرابی این ناحیه با جزئیات بیشتری ارزیابی شود.
مجموعه‌داده‌های این پژوهش شامل ۷۲۰ رکورد آزمایشگاهی است که از ترکیب هشت نوع قیر، شش منبع مختلف سنگدانه، پنج وضعیت شرایط محیطی و سه بار تکرار آزمایش به دست آمده‌اند. این تنوع به مدل اجازه داده است تفاوت میان انواع قیر و سطوح مختلف سنگدانه را هم‌زمان بررسی کند و همه ترکیب‌های قیر و سنگدانه را یکسان فرض نکند.
چهارچوب هوش مصنوعی اطلاعات مربوط به رفتار رئولوژیکی قیر را با ویژگی‌های سطح سنگدانه، شرایط اعمال‌شده در آزمایش، اندازه‌گیری زاویه تماس و داده‌های استخراج‌شده از تصاویر خرابی ترکیب می‌کند.
ویژگی اصلی روش جدید همین ساختار چندوجهی است. داده‌های رئولوژی نحوه رفتار مکانیکی قیر را نشان می‌دهند، مشخصات سنگدانه اطلاعاتی درباره سطح معدنی ارائه می‌کنند، زاویه تماس به رفتار ترشوندگی مربوط می‌شود، تصاویر میزان جداشدگی فیزیکی را ثبت می‌کنند و شرایط آزمایش نیز شدت مواجهه محیطی نمونه را مشخص می‌کنند.
مدل با استفاده از این مجموعه داده‌ها چند شاخص مختلف را ارزیابی می‌کند که شامل استحکام چسبندگی کششی، شاخص حفظ چسبندگی، احتمال آسیب رطوبتی، نوع شکست، امتیاز دوام سطح اتصال و شدت شرایط آسیب‌زا می‌شوند.
نتایج آزمایش نشان می‌دهند مواجهه هم‌زمان با رطوبت و حرارت تا چه اندازه می‌تواند اتصال قیر و سنگدانه را تضعیف کند. میانگین استحکام چسبندگی کششی از ۷۲۲ کیلوپاسکال در شرایط اولیه به ۴۵۳.۱ کیلوپاسکال پس از پیرشدگی حرارتی در محیط شور کاهش یافته است.
شاخص حفظ چسبندگی نیز در همین روند از ۱۰۰ درصد به ۶۱.۷ درصد رسیده است.
هم‌زمان میانگین زاویه تماس از ۷۷.۴ درجه به ۱۰۱.۹ درجه افزایش یافته است و نسبت سطح جداشده نیز از ۵ درصد به ۳۱.۸ درصد رسیده است.
ترکیب این تغییرات نشان می‌دهد خرابی سطح اتصال فقط به کاهش یک شاخص مقاومتی محدود نمی‌شود. اتصال ضعیف‌تر شده است، رفتار سطح در برابر آب تغییر کرده است و بخش بزرگ‌تری از تماس میان قیر و سنگدانه به‌صورت فیزیکی از یکدیگر جدا شده‌اند.
ساختار هوش مصنوعی از ترکیب مدل Transformer چندوجهی و CatBoost استفاده کرده است. این سامانه در ارزیابی استحکام چسبندگی به ضریب تعیین ۰.۹۸۴ و در ارزیابی میزان حفظ چسبندگی به ضریب تعیین ۰.۹۶۸ رسیده است.
ضریب تعیین ۰.۹۸۴ نشان می‌دهد مدل در محدوده داده‌ها و شرایط مورد بررسی توانسته است تغییرات اندازه‌گیری‌شده استحکام چسبندگی را با دقت بسیار بالایی بازسازی کند. با این حال این رقم به معنی تضمین عملکرد مشابه برای هر نوع قیر، سنگدانه یا روسازی خارج از مجموعه آزمایش نیست.
مدل در تشخیص آسیب رطوبتی نیز به دقت ۹۶ درصد رسیده است و برای تشخیص نوع شکست امتیاز F1 برابر با ۰.۹۰ ثبت کرده است.
تشخیص نوع شکست اهمیت زیادی دارد، زیرا آسیب رطوبتی در آسفالت فقط به نرم‌تر یا سخت‌تر شدن قیر محدود نمی‌شود. خرابی می‌تواند در مرز اتصال قیر و سنگدانه اتفاق بیفتد، در داخل بخش قیری ماده شکل بگیرد یا ترکیبی از چند سازوکار مختلف باشد.
تفکیک این سازوکارها می‌تواند برای انتخاب مصالح بسیار مهم باشد. زمانی که یک مخلوط در برابر رطوبت عملکرد ضعیفی دارد، مهندس باید بداند مشکل اصلی از خصوصیات قیر، ویژگی سطح سنگدانه، سازگاری این دو ماده یا شدت شرایط محیطی ناشی شده است.
در چنین شرایطی تحلیل چندوجهی می‌تواند نسبت به استفاده از یک شاخص آزمایشگاهی منفرد اطلاعات بیشتری ارائه کند. یک آزمایش متداول معمولاً یک عدد عملکردی تولید می‌کند، اما چارچوب ترکیبی می‌تواند رابطه میان رفتار قیر، ویژگی سطح سنگدانه و الگوی واقعی خرابی را هم‌زمان بررسی کند.
این فناوری در آینده می‌تواند به آزمایشگاه‌ها کمک کند ترکیب‌های مختلف قیر و سنگدانه را هدفمندتر ارزیابی کنند. به‌جای آنکه سازگاری مصالح فقط بر اساس یک آزمون بررسی شود، می‌توان نتایج چند آزمایش مختلف را کنار هم قرار داد و ترکیب‌هایی را شناسایی کرد که مقاومت بیشتری در برابر آب و حرارت نشان می‌دهند.
این موضوع برای تولیدکنندگان قیر اهمیت زیادی دارد، زیرا عملکرد یک قیر فقط به مشخصات خود محصول وابسته نیست و نوع سنگدانه‌ای که با آن استفاده می‌شود نیز بر میزان چسبندگی اثر می‌گذارد. ممکن است یک قیر با یک نوع سطح معدنی عملکرد بسیار خوبی داشته باشد، اما در ترکیب با سنگدانه دیگری همان سطح چسبندگی را ایجاد نکند.
در نتیجه ارزش آینده هوش مصنوعی در این حوزه ممکن است کمتر در رتبه‌بندی کلی قیرها و بیشتر در شناسایی مناسب‌ترین ترکیب قیر و سنگدانه برای شرایط مشخص قرار داشته باشد.
چنین ابزاری می‌تواند برای مناطقی که با بارندگی شدید، چرخه‌های مکرر خیس و خشک شدن، محیط‌های شور یا تغییرات زیاد دما روبه‌رو هستند اهمیت بیشتری پیدا کند. این شرایط می‌توانند جداشدگی قیر از سنگدانه را تسریع کنند، حتی زمانی که مخلوط در ابتدای ساخت الزامات معمول را رعایت کرده باشد.
پژوهش جدید همچنین اهمیت تحلیل تصاویر خرابی را نشان می‌دهد. افزایش سطح جداشده از ۵ درصد به ۳۱.۸ درصد یک تصویر کمی از تخریب اتصال ارائه کرده است که می‌توان آن را با داده‌های مکانیکی و ویژگی‌های سطحی ترکیب کرد.
پردازش رایانه‌ای تصاویر در آینده می‌تواند این نوع مشاهده را از یک ارزیابی صرفاً چشمی به یک ورودی کمی مهندسی تبدیل کند.
با این حال مهم‌ترین محدودیت مدل فعلی باید به‌روشنی مورد توجه قرار گیرد.
دقت اعلام‌شده مربوط به ارزیابی تشخیصی پس از اعمال شرایط محیطی است. نمونه‌ها ابتدا تحت شرایط مشخص رطوبتی و حرارتی قرار گرفته‌اند و سپس مدل با استفاده از اطلاعات مربوط به وضعیت ایجادشده، میزان خرابی را ارزیابی کرده است.
بنابراین این نتیجه به معنی آن نیست که مهندس می‌تواند پیش از ساخت مشخصات یک قیر و سنگدانه جدید را وارد سیستم کند و مدل با همین دقت اعلام کند که روسازی چند سال بعد چه میزان آسیب رطوبتی خواهد داشت.
خود پژوهش میان تشخیص وضعیت ایجادشده و پیش‌بینی آینده تفاوت قائل می‌شود. عملکرد اعلام‌شده به رابط‌هایی مربوط است که قبلاً تحت شرایط آزمایش قرار گرفته و آسیب دیده‌اند.
این تفاوت، پژوهش جدید را از مدل‌های هوش مصنوعی مربوط به پیش‌بینی عمر خستگی مخلوط آسفالتی جدا می‌کند. گزارش قبلی WPB درباره مدلی بود که تلاش می‌کرد عملکرد خستگی مخلوط را زیر بارگذاری تکراری پیش‌بینی کند، در حالی که مدل جدید مستقیماً به کاهش چسبندگی، جداشدگی ناشی از رطوبت و خرابی حرارتی در محل اتصال قیر و سنگدانه می‌پردازد.
بنابراین این دو مسیر پژوهشی مسئله‌های متفاوتی را بررسی می‌کنند. مدل‌های خستگی بیشتر بر تجمع خرابی بر اثر بارگذاری ترافیکی تمرکز دارند، اما سامانه جدید کاهش دوام اتصال میان دو ماده را پس از مواجهه با آب و حرارت ارزیابی می‌کند.
مقیاس بررسی نیز متفاوت است. پژوهش فعلی یک سامانه قیر–سنگدانه را ارزیابی می‌کند و نه یک روسازی کامل. جاده واقعی دارای فضای خالی، دانه‌بندی، تفاوت تراکم، شرایط زهکشی، بار ترافیکی، پیرشدگی بلندمدت و تنش‌های سازه‌ای است که یک آزمایش سطح اتصال نمی‌تواند همه آنها را بازسازی کند.
به همین دلیل دقت ۹۶ درصدی نباید به معنای دقت ۹۶ درصدی در پیش‌بینی خرابی رطوبتی یک بزرگراه واقعی تفسیر شود.
پیش از آنکه چنین مدلی وارد مشخصات فنی یا فرآیند تأیید مصالح شود، باید با گریدهای بیشتر قیر، سنگدانه‌های دارای ترکیب معدنی متفاوت، مواد ضدجداشدگی، قیرهای اصلاح‌شده پلیمری، مصالح بازیافتی و شرایط محیطی متنوع‌تر آزمایش شود.
اعتبارسنجی میدانی نیز اهمیت زیادی خواهد داشت، زیرا شرایط آزمایشگاه نمی‌تواند تمام ترکیب‌های رطوبت، دما، ترافیک و تفاوت کیفیت اجرا را که روسازی در طول عمر خود تجربه می‌کند بازسازی کند.
بنابراین در شرایط فعلی بهتر است این فناوری را یک چهارچوب پژوهشی تشخیصی بدانیم و نه یک سامانه تجاری آماده برای طراحی روسازی.
اهمیت اصلی آن در این است که نشان می‌دهد داده‌هایی که تاکنون به‌صورت جداگانه بررسی می‌شدند می‌توانند در یک چهارچوب تحلیلی واحد ترکیب شوند.
برای سازمان‌های راه، چنین سیستمی در آینده می‌تواند در بررسی علت خرابی روسازی کاربرد داشته باشد. زمانی که جداشدگی یا کاهش چسبندگی در جاده مشاهده می‌شود، مدل‌های چندوجهی می‌توانند به مشخص شدن نقش قیر، سطح سنگدانه، شدت رطوبت یا ترکیبی از این عوامل کمک کنند.
برای آزمایشگاه‌ها نیز این فناوری می‌تواند امکان هدفمندتر کردن آزمایش‌ها را فراهم کند و ترکیب‌هایی را که به بررسی بیشتر نیاز دارند سریع‌تر مشخص کند.
برای تولیدکنندگان قیر نیز چنین روندی می‌تواند اهمیت ارائه اطلاعات دقیق‌تر درباره رئولوژی و چسبندگی محصول را افزایش دهد و بازار را به‌تدریج از اتکا صرف به گریدهای سنتی به سمت ارزیابی عملکرد واقعی سوق دهد.
این مسیر با حرکت گسترده‌تر صنعت آسفالت به سمت مشخصات مبتنی بر عملکرد هماهنگ است. هرچه سازمان‌های راه بیشتر مقاومت مصالح در برابر ترک‌خوردگی، شیارشدگی، رطوبت و پیرشدگی را بررسی کنند، مدل‌های دیجیتال نیز می‌توانند برای ترکیب نتایج مختلف آزمایشگاهی اهمیت بیشتری پیدا کنند.
هوش مصنوعی در چنین فرآیندی جای آزمایشگاه را نمی‌گیرد. کاربرد واقع‌بینانه‌تر آن این است که نتایج آزمایش‌هایی را که اکنون جداگانه تحلیل می‌شوند به یکدیگر متصل کند و الگوهایی را آشکار کند که از یک آزمایش به‌تنهایی قابل مشاهده نیستند.
مجموعه ۷۲۰ رکوردی برای اثبات امکان‌پذیری روش قابل توجه است، اما در مقایسه با تنوع بسیار زیاد قیرها، سنگدانه‌ها و شرایط اقلیمی جهان همچنان محدود باقی می‌ماند.
مرحله مهم بعدی در نتیجه اعتبارسنجی خارجی خواهد بود. اگر مدل بتواند برای مصالح تولیدشده در مناطق یا آزمایشگاه‌هایی که در مجموعه‌داده اولیه پژوهش حضور نداشته‌اند نیز عملکردی نزدیک به نتایج فعلی ارائه دهد، می‌توان با اطمینان بیشتری درباره قابلیت تعمیم آن به شرایط جدید قضاوت کرد. تحقیقات بعدی همچنین می‌توانند بررسی کنند آیا فقط با استفاده از ویژگی‌های مصالح پیش از اعمال شرایط محیطی می‌توان میزان خرابی آینده را تخمین زد یا خیر. چنین پیشرفتی فناوری را از تشخیص خرابی به سمت پیش‌بینی واقعی دوام حرکت خواهد داد.
اگر این مرحله در آینده محقق شود، اهمیت تجاری فناوری برای بازار قیر بسیار بیشتر خواهد شد. تولیدکنندگان می‌توانند سازگاری یک قیر مشخص با سنگدانه‌های منطقه‌ای را پیش از استفاده گسترده بررسی کنند و پیمانکاران و سازمان‌های راه نیز ترکیب‌های پرریسک را پیش از ساخت شناسایی کنند.
در شرایط فعلی، پیشرفت اصلی دقیق‌تر و محدودتر است. سامانه جدید نشان داده است هوش مصنوعی می‌تواند داده‌های رئولوژی قیر، خصوصیات سنگدانه، زاویه تماس، شرایط محیطی و تصاویر خرابی را ترکیب کند و وضعیت اتصال قیر و سنگدانه را با دقت بالایی تشخیص دهد.
این موضوع اهمیت زیادی دارد، زیرا آسیب رطوبتی معمولاً از مقیاسی آغاز می‌شود که بسیاری از شاخص‌های کلی مخلوط آسفالتی نمی‌توانند آن را با جزئیات کافی نشان دهند.
فناوری جدید هنوز آینده یک جاده را پیش‌بینی نمی‌کند، اما تصویری بسیار دقیق‌تر از آنچه در یکی از حیاتی‌ترین نقاط داخل آسفالت پس از رطوبت و حرارت اتفاق افتاده است ارائه می‌کند.
