تدريسي في كلية الهندسة بجامعة كركوك ينشر بحثًا علميًا حول نمذجة وتحليل الأعمدة الخرسانية البيضوية باستخدام تقنيات العناصر المحدودة والتعلم الآلي

نشر الدكتور ديار ناصح قادر، التدريسي في قسم الهندسة المدنية في كلية الهندسة بجامعة كركوك، بحثًا علميًا في مجلة Structures البريطانية التابعة لدار النشر Elsevier، والمصنفة ضمن الربع الأول (Q1) بمعامل تأثير (IF = 3.9)، حيث يركز البحث على تحليل السلوك الإنشائي للأعمدة الخرسانية البيضوية المقواة بألياف البوليمر (FRP) باستخدام النمذجة العددية وتقنيات التعلم الآلي.
تشهد المقاطع البيضوية انتشارًا متزايدًا في التصميمات المعمارية، مما يستلزم دراسة شاملة لسلوكها الإنشائي تحت تأثير الأحمال المختلفة. في هذا البحث، تم استخدام برنامج ABAQUS القائم على تحليل العناصر المحدودة (FEA) لمحاكاة أداء الأعمدة الخرسانية البيضوية المقواة بألياف البوليمر، استنادًا إلى بيانات تجريبية منشورة سابقًا. وقد تم التحقق من دقة النموذج العددي من خلال مقارنته مع بيانات 45 عينة تجريبية، حيث أظهرت النتائج توافقًا كبيرًا بين النمذجة العددية والبيانات الحقيقية، مما يعزز موثوقية الأسلوب المستخدم. بالإضافة إلى ذلك، تم توسيع الدراسة من خلال إجراء تحليل بارامتري على 40 نموذجًا إضافيًا، ليصل إجمالي العينات المحللة إلى 85 نموذجًا.
أظهرت النتائج أن زيادة مقاومة الخرسانة غير المحصورة تؤدي إلى تقليل كفاءة التقوية بألياف البوليمر، حيث تصبح عملية الاحتواء غير فعالة، خصوصًا في الأعمدة الخرسانية عالية المقاومة إذا لم تكن طبقات التقوية ذات صلابة كافية. كما تبين أن الأعمدة ذات المقاومة العالية أكثر عرضة للانهيار بعد تجاوز ذروة الإجهاد إذا لم يتم تأمين احتواء مناسب. في المقابل، فإن زيادة عدد طبقات FRP تحسن بشكل واضح من قدرة الأعمدة الخرسانية البيضوية على تحمل الإجهاد والتشوه، مما يعزز من أدائها الإنشائي بشكل ملحوظ.
نظرًا لأن التجارب الفيزيائية تتطلب استثمارات كبيرة من حيث الوقت والتكلفة، بينما تعتمد النمذجة العددية بشكل أساسي على خبرة المستخدم وإعدادات الحاسوب، فقد تم توسيع نطاق البحث ليشمل تقنيات التعلم الآلي (ML) لتوقع مقاومة الضغط للأعمدة الخرسانية البيضوية المقواة بألياف البوليمر. استخدم الباحث أربعة خوارزميات تعلم آلي قائمة على الأشجار، وهي Decision Tree، Random Forest، Gradient Boosting، وXGBoost، حيث أثبتت النتائج أن نموذج XGBoost كان الأكثر دقة، محققًا قيمة R² = 0.95 لكل من مقاومة الضغط والتشوه المحوري، مما يبرز إمكانيات الذكاء الاصطناعي في التنبؤ بسلوك المواد الإنشائية بفعالية عالية.