به گزارش نشریه دنیای نفت و قیر، هوش مصنوعی یک گام دیگر به پیشبینی مدت زمانی نزدیک شده است که یک مخلوط آسفالتی میتواند در برابر بارگذاری مکرر ناشی از ترافیک مقاومت کند، پیش از آنکه ترکخوردگی خستگی به یک مشکل جدی تبدیل شود. پژوهش تازهای که در ۵ اوت ۲۰۲۶ بهصورت آنلاین منتشر شده، مدلی با نام DM-PINN-FP یا «شبکه عصبی مبتنی بر فیزیک دومدی برای پیشبینی خستگی» معرفی کرده است که بهطور ویژه برای برآورد عملکرد خستگی مخلوطهای آسفالتی طراحی شده است. برخلاف مدلهای متداول هوش مصنوعی که عمدتاً به دنبال یافتن الگو در دادههای گذشته هستند، این سامانه طوری آموزش داده میشود که دانستههای مهندسی موجود درباره نحوه واقعی ترکخوردن آسفالت را نیز در محاسبات خود رعایت کند.
این تفاوت ممکن است در نگاه اول بسیار فنی به نظر برسد، اما ایده اصلی ساده است. در یک شبکه عصبی معمولی میتوان نتایج آزمایشگاهی صدها یا هزاران نمونه آسفالتی را وارد کرد و از مدل خواست یاد بگیرد چه ترکیبی از دما، نوع بارگذاری و مشخصات مصالح با عمر خستگی بیشتر یا کمتر ارتباط دارد. اگر حجم کافی از دادههای باکیفیت وجود داشته باشد، این روش میتواند عملکرد خوبی داشته باشد. مشکل اینجاست که آزمایش خستگی آسفالت زمانبر و پرهزینه است و عملکرد یک مخلوط نیز میتواند بر اساس دما، شرایط بارگذاری، ویژگیهای قیر، نحوه تعامل سنگدانه و عوامل دیگر تغییر کند.
رویکرد جدید تلاش میکند چیزی بیشتر از یک جدول از نتایج آزمایشهای قبلی در اختیار هوش مصنوعی قرار دهد. در این روش، دانش مهندسی مربوط به رفتار آسیب مستقیماً وارد فرایند یادگیری میشود.
پژوهشگران مدل DM-PINN-FP را بر اساس آنچه «ماهیت دوگانه آسیب خستگی در مخلوطهای آسفالتی» مینامند توسعه دادهاند. این مدل بهجای آنکه ترکخوردگی را تنها یک نوع خرابی در نظر بگیرد، کل آسیب خستگی را به دو بخش تقسیم میکند: آسیب چسبندگی داخلی در ماستیک آسفالتی و آسیب چسبندگی در فصل مشترک میان ماستیک و سنگدانه.
برای فعالان صنعت آسفالت که لزوماً با جزئیات هوش مصنوعی سروکار ندارند، این تفاوت اهمیت زیادی دارد.
یک روسازی میتواند به این دلیل ترک بخورد که بخش غنی از قیر در مخلوط بهتدریج توانایی خود را برای تحمل بارگذاری مکرر از دست میدهد. اما ترک ممکن است در محل اتصال ماده آسفالتی به ذرات سنگدانه نیز آغاز شود. این دو، سازوکارهای متفاوت خرابی هستند و تغییر در نوع قیر، سنگدانه، میزان پیرشدگی، دما یا طراحی مخلوط میتواند تعیین کند کدام سازوکار نقش مهمتری در خرابی نهایی داشته باشد.
مدل جدید شاخصی با نام Cracking Preference Index یا CPI را نیز وارد فرایند پیشبینی خستگی میکند. این مطالعه، شاخص گرایش به ترکخوردگی را به مقاومت مصالح مرتبط کرده و آن را در مدل آسیبی که شبکه عصبی از آن استفاده میکند وارد کرده است. به زبان ساده، CPI اطلاعاتی درباره تمایل مخلوط به انواع مختلف سازوکارهای ترکخوردگی در اختیار سامانه قرار میدهد؛ بنابراین هوش مصنوعی مجبور نیست همه روابط را صرفاً از روی همبستگیهای آماری کشف کند.
همین موضوع دلیل اهمیت عبارت «هوش مصنوعی مبتنی بر فیزیک» است.
مدل همچنان از دادههای آزمایشگاهی یاد میگیرد و قرار نیست مکانیک روسازی را با یک الگوریتم کامپیوتری جایگزین کند. اما هنگام آموزش، پیشبینیهای آن با روابط فیزیکی مربوط به نحوه پیشرفت آسیب محدود میشوند. اگر شبکه به پاسخی برسد که از نظر آماری با دادههای آموزشی سازگار باشد اما از دید رفتار واقعی مصالح منطقی نباشد، بخش فیزیکی مدل کمک میکند نتیجه به سمت رفتاری واقعبینانهتر هدایت شود.
این رویکرد یکی از مهمترین نگرانیهای موجود درباره استفاده از هوش مصنوعی کاملاً دادهمحور در مهندسی را هدف قرار میدهد.
یک شبکه عصبی ممکن است در شرایطی مشابه دادههایی که قبلاً دیده است عملکرد بسیار خوبی داشته باشد، اما وقتی با شرایطی خارج از محدوده دادههای آموزشی روبهرو شود، قابلیت اطمینان آن کاهش پیدا کند. اگر یک سامانه پیشنهاد موسیقی اشتباه کند، نتیجه چندان جدی نیست؛ اما اگر مدلی درباره مخلوط روسازیای که قرار است سالها زیر بار کامیونها کار کند پیشبینی اشتباه ارائه دهد، هزینه پیامدهای آن بسیار بیشتر خواهد بود.
پژوهشگران برای بررسی همین موضوع، یک شرایط ترکیبی مشخص یعنی دمای ۲۵ درجه سانتیگراد و کرنش ۴۰۰ میکروکرنش را عمداً از دادههای آموزشی حذف کردند و سپس عملکرد مدل را در پیشبینی همین وضعیت دیدهنشده بررسی کردند. هدف این بود که مشخص شود آیا مدل فقط روابط موجود در دادههای آموزشی را حفظ میکند یا میتواند در شرایط جدید نیز عملکرد قابل قبولی داشته باشد.
بر اساس نتایج مطالعه، مدل DM-PINN-FP مشکل تجمع خطا را که در پیشبینی شبکههای عصبی معمولی دیده میشود کاهش داده و نسبت به یک شبکه عصبی کاملاً دادهمحور عملکرد بهتری داشته است. در مقایسه مدلهای انجامشده توسط پژوهشگران، DM-PINN-FP کمترین میزان خطای ریشه میانگین مربعات و میانگین خطای مطلق را در میان روشهای بررسیشده ثبت کرد.
برای صنعت آسفالت، نام این شاخصهای آماری مهمترین بخش ماجرا نیست. نکته اصلی این است که افزودن اطلاعات فیزیکی باعث شد پیشبینیهای مدل به رفتار واقعی و اندازهگیریشده خستگی آسفالت نزدیکتر شوند.
این پژوهش همچنین بخشی از تغییر بزرگتری است که از قبل در مهندسی روسازی آغاز شده است.
در سال ۲۰۲۴، مطالعه دیگری یک مدل شبکه عصبی مبتنی بر فیزیک با نام PINN-AFP برای پیشبینی رفتار خستگی مخلوط آسفالتی بر پایه روش آسیب پیوسته ویسکوالاستیک معرفی کرد. این سامانه برای بازسازی کامل منحنی مشخصه آسیب با استفاده از مقدار نسبتاً محدودی از اطلاعات مراحل ابتدایی آزمایش خستگی طراحی شده بود. در مطالعه موردی مربوط به مخلوط AC-25، میانگین خطای پیشبینی عمر خستگی حدود ۵.۲ درصد گزارش شد که از روشهای یادگیری ماشین و یادگیری عمیق مورد استفاده برای مقایسه بهتر بود.
هوش مصنوعی هدایتشده با قوانین فیزیکی همچنین برای پیشبینی شیارشدگی آسفالت مورد استفاده قرار گرفته است. یک مدل منتشرشده دیگر، یادگیری شبکه عصبی متداول را با اطلاعات فیزیکی ترکیب کرد تا علاوه بر افزایش دقت، پایداری و منطق مهندسی پیشبینیها نیز بهبود یابد. پژوهشگران اعلام کردند افزودن فیزیک به مدل، رفتار آن را به میزان قابل توجهی بهتر کرد، بدون آنکه دقت بالای پیشبینی از بین برود.
DM-PINN-FP این مسیر را یک گام جلوتر میبرد و تمرکز خود را بر سازوکارهای مختلف و رقیب ترکخوردگی در داخل مخلوط آسفالتی قرار میدهد.
این موضوع در آینده میتواند برای طراحان مخلوط اهمیت عملی پیدا کند.
امروزه توسعه یا تأیید یک مخلوط آسفالتی ممکن است به چندین آزمایش آزمایشگاهی برای بررسی ترکخوردگی، شیارشدگی، حساسیت به رطوبت و سایر خطرهای عملکردی نیاز داشته باشد. آزمایش خستگی میتواند بهطور ویژه زمانبر باشد، زیرا نمونهها باید بارها تحت بارگذاری قرار گیرند تا میزان آسیب آنقدر افزایش یابد که بتوان رفتار آنها را بهدرستی ارزیابی کرد.
یک سامانه پیشبینی قابل اعتماد لزوماً این آزمایشها را حذف نخواهد کرد. کاربرد واقعبینانهتر آن این است که به آزمایشگاهها کمک کند مشخص کنند کدام مخلوطها به آزمایشهای گسترده نیاز دارند و کدام گزینهها را میتوان سریعتر غربال کرد.
فرض کنید یک تولیدکننده قصد دارد چند مقدار مختلف قیر، دو نوع سنگدانه، چند گرید متفاوت قیر و یک افزودنی بازیافت را ارزیابی کند. انجام آزمایش کامل برای تمام ترکیبهای ممکن، آن هم تحت دماها و شرایط بارگذاری مختلف، خیلی سریع به فرایندی پرهزینه تبدیل میشود.
مدل مبتنی بر فیزیک میتواند در آینده بهعنوان یک مرحله غربالگری عمل کند.
نتایج آزمایشگاهی تعداد محدودی از مخلوطها وارد مدل میشود. سپس سامانه میتواند رفتار خستگی ترکیبهای دیگر را تخمین بزند و مشخص کند کدام گزینهها آنقدر امیدوارکننده هستند که انجام آزمایشهای کامل عملکردی روی آنها توجیه داشته باشد.
آزمایشگاه همچنان تأیید نهایی را انجام خواهد داد، اما میزان آزمون و خطا میتواند کاهش پیدا کند.
در همین نقطه است که این فناوری برای طراحی متعادل مخلوط یا Balanced Mix Design اهمیت بیشتری پیدا میکند.
طراحی متعادل مخلوط بهتدریج در حال گسترش است تا مشخصات آسفالت فقط به برآوردهکردن الزامات حجمی محدود نباشد. در این رویکرد از آزمایشهای عملکردی برای بررسی چند نوع خرابی احتمالی روسازی استفاده میشود و هدف این است که مخلوط بر اساس شرایط واقعی ترافیک، آبوهوا، پیرشدگی و ساختار روسازی انتخاب شود. اداره فدرال بزرگراههای آمریکا نیز همچنان از اجرای BMD و آزمایشهای عملکردمحور آسفالت در ایالتهای مختلف حمایت میکند.
ترکخوردگی خستگی نیز بخشی از همین تغییر است. ابزارهای اداره فدرال بزرگراهها از آزمایش خستگی چرخهای برای بررسی رفتار ترکخوردگی و تولید دادههای مورد نیاز تحلیل عملکرد روسازی استفاده میکنند. این نهاد همچنین پارامترهای مرتبط با خستگی را توسعه داده است که میتوان از آنها در طراحی مخلوطهای مهندسیشده بر اساس عملکرد استفاده کرد.
بنابراین، مدلهایی مانند DM-PINN-FP مجبور نیستند یک فرایند کاملاً جدید برای صنعت ایجاد کنند. در بلندمدت، این فناوری میتواند وارد فرایندی شود که از همین حالا نیز به سمت طراحی مبتنی بر عملکرد حرکت کرده است.
یک پیمانکار یا سازمان راه میتواند کار را با چند ترکیب پیشنهادی از سنگدانه، قیر و مصالح بازیافتی آغاز کند. اطلاعات آزمایشگاهی عملکرد چند مخلوط مرجع میتواند رفتار فیزیکی آنها را مشخص کند. سپس یک مدل مبتنی بر فیزیک میتواند پیش از ورود گزینههای مناسبتر به مرحله آزمایش کامل و تأیید میدانی، عمر خستگی آنها را در شرایط بیشتری تخمین بزند.
همین ایده در آینده میتواند بر انتخاب قیر نیز تأثیر بگذارد.
قیر تنها عامل تعیینکننده عملکرد خستگی نیست و مطالعه جدید نیز رفتار کل مخلوط را پیشبینی میکند، نه اینکه فقط ابزاری ساده برای رتبهبندی قیرها ارائه دهد. ساختار سنگدانه، چسبندگی و سایر ویژگیهای مخلوط همچنان اهمیت دارند. اما از آنجا که مدل بهطور جداگانه آسیب داخلی و آسیب در فصل مشترک را بررسی میکند، نسخههای آینده آن شاید بتوانند به مهندسان نشان دهند آیا تغییر قیر واقعاً بخشی از سامانه را که عامل اصلی خرابی است بهبود میدهد یا خیر.
این میتواند بسیار کاربردیتر از آن باشد که فقط بپرسیم یک قیر از قیر دیگر «بهتر» است یا نه.
برای مثال، یک قیر اصلاحشده با پلیمر ممکن است یکی از سازوکارهای آسیب را بهبود دهد، اما اگر اتصال میان قیر و سنگدانه همچنان ضعیف باشد، عمر مخلوط باز هم محدود خواهد شد. اگر یک مدل دیجیتال بتواند مشخص کند کدام نوع خرابی عامل اصلی است، انتخاب مصالح هدفمندتر میشود.
این فناوری با افزایش استفاده از آسفالت بازیافتی نیز میتواند ارزش بیشتری پیدا کند.
افزایش استفاده از آسفالت بازیافتی، جوانکنندهها، اصلاحکنندههای پلیمری و سایر افزودنیها تعداد ترکیبهای ممکن برای طراحی مخلوط را بسیار بیشتر کرده است. این انعطاف مزیت مهمی محسوب میشود، اما تعداد متغیرهایی را که آزمایشگاه باید بررسی کند نیز افزایش میدهد. اگر هر تغییر کوچک نیازمند یک مجموعه کامل از آزمایشهای طولانی باشد، گسترش طراحی مبتنی بر عملکرد دشوار خواهد شد.
هوش مصنوعی مبتنی بر فیزیک در آینده میتواند این فرایند را قابل مدیریتتر کند؛ به این صورت که نتایج محدود آزمایشگاهی را با اصول شناختهشده مکانیک ترکیب کند و فضای بسیار گستردهتری از گزینههای طراحی را بررسی کند.
بااینحال، یک محدودیت مهم وجود دارد: DM-PINN-FP هنوز یک پژوهش علمی است و یک دستورالعمل تجاری آماده برای تأیید مخلوط آسفالتی محسوب نمیشود.
این مقاله یک روش مدلسازی را تحت شرایط و مجموعه دادههایی که پژوهشگران استفاده کردهاند نشان میدهد. پیش از آنکه یک سازمان راه یا تولیدکننده بتواند برای تأیید روزمره مخلوطها به چنین مدلی تکیه کند، باید روی طیف بسیار گستردهتری از قیرها، منابع سنگدانه، انواع مخلوط، شرایط پیرشدگی، دماها، فرکانسهای بارگذاری، میزان مصالح بازیافتی و سامانههای آزمایشگاهی مختلف اعتبارسنجی شود.
اعتبارسنجی میدانی حتی مهمتر خواهد بود. پیشبینی عمر خستگی در آزمایشگاه و پیشبینی زمان آغاز ترک در یک بزرگراه دو مسئله مرتبط هستند، اما کاملاً یکسان نیستند. روسازی واقعی با تغییرات دما، رطوبت، پیرشدگی، بارهای محوری متفاوت، نوسان کیفیت اجرا و شرایط سازهای روبهرو است؛ عواملی که یک نمونه آزمایشگاهی نمیتواند همه آنها را بهطور کامل بازسازی کند.
بنابراین، هوش مصنوعی باید ابزاری برای بهبود تصمیمهای مهندسی در نظر گرفته شود، نه جایگزینی برای آزمایش یا قضاوت متخصصان.
فرصت اصلی این فناوری ممکن است زمانی شکل بگیرد که چنین مدلهایی به طراحی دیجیتال روسازی متصل شوند.
یک سامانه آینده میتواند دادههای آزمایش مخلوط، ویژگیهای قیر، بار ترافیکی، اطلاعات آبوهوایی و ساختار روسازی را در یک فرایند دیجیتال واحد ترکیب کند. در این حالت، مهندس بهجای اینکه فقط بپرسد «آیا این مخلوط آزمایش خستگی را قبول شد؟» میتواند بررسی کند این مخلوط تحت حجم مشخصی از ترافیک، محدوده دمایی مشخص و ساختار خاص روسازی چه رفتاری خواهد داشت و پیش از اجرا چند گزینه را با یکدیگر مقایسه کند.
چنین تغییری میتواند هوش مصنوعی را از ابزاری برای تشخیص آسیب پس از ظاهرشدن آن، به ابزاری برای کمک به طراحی مخلوط پیش از ایجاد خرابی تبدیل کند.
برای تولیدکنندگان قیر نیز این تحول ارزش پیگیری دارد. اگر مشخصات فنی آسفالت بیش از گذشته بر عملکرد واقعی استوار شوند، فروش قیر نیز ممکن است بهتدریج بیشتر به عملکرد پیشبینیشده روسازی متصل شود و تنها بر گریدهای سنتی متمرکز نباشد. عرضهکنندگان ممکن است با تقاضای بیشتری برای دادههای قابل اعتماد درباره خواص رئولوژیکی، پیرشدگی، چسبندگی و عملکرد روبهرو شوند؛ دادههایی که بتوان آنها را وارد سامانههای دیجیتال طراحی مخلوط کرد.
به بیان دیگر، هوش مصنوعی اهمیت کیفیت قیر را کاهش نمیدهد. برعکس، میتواند ارتباط میان ویژگیهای قیر و عملکرد واقعی روسازی را شفافتر کند.
اثر فوری این فناوری بر بازار تجاری قیر محدود خواهد بود. DM-PINN-FP قرار نیست یکشبه تقاضای جهانی قیر یا استانداردهای فنی را تغییر دهد. اما تغییرات فناوری در مهندسی روسازی معمولاً سالها پیش از تبدیلشدن به الزامات خرید و قراردادها آغاز میشوند.
طراحی متعادل مخلوط از هماکنون استفاده از آزمایشهای عملکردی را گسترش داده است. ابزارهای دیجیتال طراحی روسازی نیز توانمندتر شدهاند. یادگیری ماشین مبتنی بر فیزیک در حال ورود به مسائل مربوط به خستگی، شیارشدگی و سایر جنبههای عملکرد روسازی است. این بخشها بهتدریج در حال متصلشدن به یکدیگر هستند.
بنابراین، اهمیت مطالعه منتشرشده در ۵ اوت فقط این نیست که یک مدل هوش مصنوعی توانسته خطای پیشبینی کمتری ثبت کند.
این پژوهش نشان میدهد مهندسی آسفالت احتمالاً به چه سمتی حرکت میکند: سامانههای هوش مصنوعی که فقط از نتایج آزمایشهای گذشته یاد نمیگیرند، بلکه بخشی از دلایل فیزیکی خرابی مصالح را نیز درک میکنند.
اگر این رویکرد در آزمایشگاههای بیشتر و در شرایط واقعی جادهای تأیید شود، پیشبینی خستگی میتواند سریعتر، هدفمندتر و کمتر وابسته به انجام آزمایش کامل برای تمام ترکیبهای ممکن در تمام شرایط ممکن شود.
صنعت راه هنوز فاصله زیادی با زمانی دارد که یک الگوریتم بهتنهایی بتواند یک مخلوط آسفالتی را تأیید کند. اما مدلی که بتواند دادههای آزمایشگاهی را با فیزیک ترکخوردگی ترکیب کند، ممکن است در آینده به یک ابزار کمکی ارزشمند برای آزمایشگاهها، تولیدکنندگان و طراحان روسازی تبدیل شود.
برای صنعتی که همزمان به دنبال ساخت جادههایی بادوامتر و کنترل هزینههای آزمایشگاهی است، همین بخش از این فناوری ارزش توجه ویژه دارد.
