خب بچه‌ها، امروز در مورد یه موضوع خیلی جالب و مهندسی می‌خوام براتون بگم: مدل‌سازی بتن خودش‌خودشو ترمیم‌کننده، البته با کمک دو تا تکنیک باحال یعنی «المان محدود» و یادگیری ماشین.
اول بذار توضیح بدم اصلاً این بتن خودش‌خودشو ترمیم‌کننده چیه: همون بتنی هست که اگر ترک بخوره یا آسیب ببینه، خودش به مرور زمان اون ترک‌ها رو به نوعی ترمیم می‌کنه و دوباره سالم می‌شه! هیچکاک تصورشون رو می‌کرد، مهندس‌های امروزی دارن در عمل اجراش می‌کنن!
توی این مقاله، نویسنده‌ها اومدن یه مدل شبیه‌سازی ساختن که همزمان دو تا چیز رو دنبال می‌کنه:
- چطور آب یا رطوبت توی بتن حرکت می‌کنه (که می‌گن Diffusion یعنی پخش شدن مواد مثل آب توی یه محیط)
- چطور اون آسیب‌ها یا ترک‌ها به مرور کمتر می‌شن (یعنی خود ترمیمی یا Healing)
برای اینکه کارشون رو واقعی‌تر کنن، فرض گرفتن حرکت آب همونطورکه بهش می‌گن قانون دوم فیک (Fick’s second law) اتفاق میفته. خود این قانون یه مدل فیزیکی معروفه که مثلاً توی پخش رایحه عطر یا حرکت نمک توی آب هم استفاده می‌شه. اینجا هم می‌گن سرعت پخش آب توی بتن بستگی به این داره که چقدر بتن آسیب دیده یا نه! یعنی اگه سالم باشه یه عدد، اگه ترک خورده باشه یه عدد دیگه.
یه نکته مشتی تو مدلشون اینه که ترمیم شدن ترک‌ها بستگی داره به این که چقدر آب اونجا هست و اینکه چقدر سیمان (اون ماده فعاله تو بتن) رو می‌شه براش پیدا کرد. واسه این کار، میان یه چیزی به اسم Helmholtz filter رو پیاده‌سازی می‌کنن (یه جور ابزار ریاضی برای هموار کردن داده‌ها و شناسایی مناطقی که سیمان قابل استفاده بیشتری دارن).
اما جالب‌ترین قسمت اینجاست که دوتا مدل المان محدود براش در FEniCSx شبیه‌سازی کردن (FEniCSx یه فریمورک نرم‌افزاری خفن برای حل معادلات ریاضی توی مهندسیه) :
- کدوم ترک مدل انتشار (Crack Diffusion Model یا همون CDM) که پخش معمولی آب در ترک و بتن رو شبیه‌سازی می‌کنه.
- مدل غشای ترک (Crack Membrane Model یا همون CMM) که تا وقتی رطوبت کافی نرسیده باشه، جلوی عبور آب توی ترک رو می‌گیره و بعد یه مقدار بحرانی، اجازه عبور می‌ده!
پارامترهایی که حسابی توی این فرآیند مهم بودن اینا هستن: زاویه و اندازه ابتدایی ترک، ضرایب پخش رطوبت توی بتن سالم و ترک خورده، نرخ ترمیم، و اینکه چقدر سیمان اصلاً حضور داره.
یه نتایج باحال هم گرفتن! مثلاً اینکه مدت زمان ترمیم ترک اصلاً روند خطی نداره. مثلاً اگه زاویه ترک به حدود 45 یا 135 درجه برسه، خیلی بیشتر طول می‌کشه تا ترمیم بشه ولی نزدیک 90 درجه سریع‌تر ترمیم می‌شه. دلیلش هم اینکه فاصله نقاط انتهایی ترک تا منبع پخش رطوبت یا سیمان تاثیر زیادی داره.
یه کشف دیگه هم در مورد عرض ترک بود: اگر ضریب پخش توی ترک (Dcracked) کوچیک‌تر از بتن سالم (Dintact) باشه، ترمیم دیرتر اتفاق می‌افته، ولی اگر D_cracked بزرگ‌تر باشه، هرچی ترک پهن‌تر باشه، زودتر ترمیم می‌شه! خلاصه همه‌چیز همیشه طبق شهود ما پیش نمی‌ره.
از بین این دو مدل، مدل غشایی (CMM) نشون داد که ورود رطوبت مرحله‌ای اتفاق می‌افته و به نسبت دیگه ترمیم هم دیرتر کامل می‌شه، ولی دقتش برای بررسی فرآیند بهتره. در حالی که مدل انتشار (CDM) سریع‌تر به جواب می‌رسه و برای اینکه بخوایش چندین بار با پارامتر مختلف امتحان کنی، کار راه‌اندازه.
حالا قسمت تکنولوژی روز! اومدن با یادگیری ماشین سراغ این مدل‌ها. یه classifier آموزش دادن (classifier یعنی برنامه‌ای که می‌فهمه یه داده خاص متعلق به چه دسته‌ایه) بر اساس یه میلیون نمونه شبیه‌سازی! هدف این بود که پیش‌بینی کنه یه ترک با پارامترای داده شده، تو فلان زمان خاص، ترمیم می‌شه یا نه. نتیجه؟ دقتش فوق‌العاده! تا 0.998 برای شبکه عصبی (همون Neural Networks که کلی الگوریتم پیچیده دارن برای تشخیص الگوها).
البته آخر کار گفتن که هنوز باید این مدل‌ها با آزمایش‌های واقعی آزمایشگاهی هم تنظیم و دقیق‌تر بشن، ولی همین الانش هم ابزار خیلی خوبی برای طراحی آزمایش‌ها و درک بهتر رفتار بتن خودش‌خودشو ترمیم‌کننده دارن به دست مهندس‌ها می‌دن.
در کل اگه مهندسی عمران دوست داری یا عاشق هوش مصنوعی و مدل‌سازی هستی، این تحقیق نشون می‌ده دنیای جدید حسابی داره با ترکیب این دو حوزه جلو می‌ره و آینده بتن‌ها ممکنه کلی کم‌دردسر و بادوام‌تر بشه!
منبع: +
