DOI: https://doi.org/10.1007/s41939-026-01177-y
تاريخ النشر: 2026-02-04
المؤلف: Homa Sayadi Milani وآخرون
الموضوع الرئيسي: تأثيرات النار على المواد الخرسانية
نظرة عامة
تدرس الدراسة سلوك الربط بين تسليح الفولاذ والخرسانة تحت درجات حرارة مرتفعة، تحديدًا حتى 825 درجة مئوية، وهو أمر حاسم لفهم هياكل الخرسانة المسلحة أثناء التعرض للنيران. تم إجراء سلسلة من اختبارات السحب على الخرسانات العادية والعالية القوة مع ألياف الفولاذ والبولي بروبيلين لتقييم قوة الربط. تم تطوير نموذج تعلم آلي يستخدم الانحدار الشجري (DTR) للتنبؤ بأقصى قوة ربط عند درجة حرارة الغرفة ($\tau_{b, 20°C}$). تم إجراء ضبط للمعلمات الفائقة باستخدام تقنيات تحسين Arctic Puffin (AP) وEnergy Valley (EV)، مما عزز دقة النموذج. تتكون مجموعة البيانات من 397 عينة، مع تقسيم التدريب/الاختبار بنسبة 75% و25%، على التوالي. أشارت النتائج إلى أن كل من نماذج AP DTR وEV DTR توقعت قوة الربط بفعالية، حيث أظهر نموذج EV DTR أداءً متفوقًا بناءً على قيم R² وأقل خطأ متوسط مربعات (MSE).
تكشف النتائج أن نموذج EV DTR تفوق على نموذج AP DTR، محققًا قيم R² تبلغ 0.9783 و0.9704 لمرحلتَي التدريب والتقييم، على التوالي، مقارنةً بـ 0.9685 و0.9658 لنموذج AP DTR. بالإضافة إلى ذلك، تسلط الدراسة الضوء على قدرة النموذج على تقدير قوة الربط بدقة بعد الحريق، وهو أمر أساسي لتقييم الأضرار الناتجة عن الحريق، وتحسين تصميمات الخلط المقاومة للحريق، وتعزيز أكواد التصميم الهيكلي. من بين المعلمات التي تم تقييمها، تم تحديد قوة الضغط للخرسانة ($f_{c, cyl}$) ودرجة الحرارة الفعالة ($T_e$) كأكثر العوامل أهمية التي تؤثر على قوة الربط، بقيم تبلغ 0.828 و0.822، على التوالي. بشكل عام، توفر هذه الدراسة إطار عمل قوي لتعلم الآلة لتوقع قوة الربط في الخرسانة المسلحة المعرضة لظروف الحريق، متجاوزةً المنهجيات السابقة من حيث الدقة والموثوقية.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للخرسانة في البناء وهشاشتها تجاه تدهور الأداء مع مرور الوقت، خاصةً تحت ظروف قاسية مثل الحريق. إن تنسيق التشوه بين الخرسانة وقضبان التسليح (الحديد) أمر ضروري للحفاظ على السلامة الهيكلية، ويمكن أن تؤدي درجات الحرارة المرتفعة إلى إضعاف قوة الربط بشكل كبير عند واجهتها. استخدمت الدراسات السابقة تجارب السحب لتقييم قوة الربط المتبقية للخرسانة مع التسليح تحت مثل هذه الظروف، لكن التحديات لا تزال قائمة في تطوير نماذج شاملة تأخذ في الاعتبار عوامل التأثير المختلفة.
تقدم التقدمات الحديثة في تعلم الآلة (ML) طريقًا واعدًا لتحسين توقعات قوة الربط. يمكن لتقنيات ML تحليل مجموعات البيانات المعقدة بفعالية ودمج متغيرات متعددة، مما يؤدي إلى تحسين الدقة مقارنةً بالنماذج التجريبية التقليدية. تقترح هذه الدراسة نهجًا لتعلم الآلة باستخدام نماذج الانحدار الشجري (DTR)، تم تحسينها من خلال خوارزميات Arctic Puffin وEnergy Valley، للتنبؤ بقوة الربط للخرسانة عالية الحرارة المعرضة ل825 درجة مئوية. باستخدام مجموعة بيانات تتكون من 397 عينة مع ثمانية خصائص إدخال، يظهر النموذج قدرات تنبؤية قوية ويقدم أداة قيمة لتقييم الخرسانة المسلحة المعرضة للنيران، مما يسهل في النهاية تحسين ممارسات التصميم وتقليل الاعتماد على الاختبارات التجريبية الواسعة. تتناول الدراسة القيود الحالية في النماذج الحالية من خلال دمج إجراءات التحقق الشاملة وقياس عدم اليقين، مما يعزز موثوقية التقييمات الهيكلية بعد الحريق.
طرق
في هذه الدراسة، تم استخدام منهجية شاملة لتحليل البيانات وتعلم الآلة، مع التركيز على أهمية اختيار الميزات ومعالجة مجموعة البيانات. كانت معالجة البيانات تهدف إلى ضمان اتساق البيانات، وإدارة القيم المفقودة، وإعداد مجموعة البيانات للتحليل، باستخدام تقنيات مثل تنظيف البيانات، والتحقق المتقاطع، ودمج مصادر البيانات المتنوعة. تم إجراء تحليل أهمية الميزات لتعزيز قابلية تفسير النموذج، وتقليل الإفراط في التخصيص، وتحسين الأداء، مما أدى في النهاية إلى تحسين الكفاءة الحاسوبية. تم تحديد أقصى قوة ربط ($\tau_{b, 20°C}$) للخرسانة المسلحة من خلال تقنيات تعلم الآلة، مع جمع البيانات من اختبارات السحب عند درجة حرارة الغرفة.
استخدمت الدراسة نهج التحقق المتقاطع بخمس طيات، حيث تم تقسيم مجموعة البيانات المكونة من 397 نقطة بيانات إلى خمس أقسام مصنفة للحفاظ على توزيع أنواع الخرسانة وغيرها من الخصائص. تم استخدام كل طية للتدريب (80% من البيانات) والتحقق (20% من البيانات)، مما يضمن اشتقاق مقاييس تقييم قوية مثل $R^2$ وRMSE من النتائج المتوسطة عبر الطيات. تم تدريب النموذج باستخدام ثمانية معلمات، بما في ذلك العمر عند الاختبار (AT)، نوع الألياف (FT)، نسبة الحجم (VF)، وغيرها، مع تصنيفات محددة لأنواع الألياف. تم إجراء تحليلات إحصائية، بما في ذلك معاملات الارتباط بيرسون (PCC)، لتقييم العلاقات بين المتغيرات، مما يكشف عن ارتباطات مهمة مثل PCC تبلغ 0.68 بين VF وFT، و-0.79 بين δ وAT. تؤكد هذه النتائج على الدور الحاسم لجودة البيانات وملاءمة الميزات في تعزيز أداء نموذج تعلم الآلة.
نتائج
في هذا القسم، يقدم المؤلفون نتائج دمج عمليات الانحدار الشجري (DTR) مع منهجيات البرمجة التكيفية (AP) والمتغيرات التطورية (EV)، المشار إليها باسم AP DTR وEV DTR. تم تحديد المعلمة $\tau_{b, 20 \cdot c}$ باستخدام هذه الطرق المدمجة، مع تقييم القيم الفعلية والمتوقعة خلال مراحل التدريب والتقييم، كما هو موضح في الشكل 3. يتم أيضًا توضيح توزيع القيم المتبقية لـ $\tau_{b, 20 \cdot c}$، مما يوفر رؤى حول أداء النموذج عبر مراحل مختلفة.
تلخص الجدول 5 نتائج تقييمات النموذج وتقييمات عملية تطوير المنتج على مستويات تعلم مختلفة، بما في ذلك نقاط التصنيف لكل نموذج. تم توثيق نسبة AP DTR/EV DTR للنتائج الفريدة لتعزيز دقة النماذج المدمجة. علاوة على ذلك، تم تقييم موثوقية ودقة هذه النماذج باستخدام مقاييس مثل MVM (Varona et al. 2020)، MOGA-EPR، وGEP (Albostami et al. 2023)، كما هو موضح في الشكل 4. تشير النتائج إلى تحليل مقارن مع الدراسات السابقة، مما يبرز دقة وموثوقية النماذج المطورة.
مناقشة
في هذا القسم، يناقش المؤلفون تطوير وتقييم خوارزميتين لتحسين الميتاهيرستيك، وهما تحسين Arctic Puffin (AP O) وتحسين Energy Valley (EV O)، المطبقين على الانحدار الشجري (DTR) للتنبؤ بأقصى قوة ربط عند درجة حرارة الغرفة ($\tau_{b, 20 \cdot c}$). تحاكي خوارزمية AP O سلوك البحث عن الطعام لطيور البفن القطبي، مستخدمةً رحلات ليفي للاستكشاف ونهج منهجي للاستغلال، بينما تستلهم خوارزمية EV O من تحلل الجسيمات والثبات في الفيزياء، مع التركيز على تحسين تفاعلات الجسيمات والثبات من خلال عمليات التحلل المختلفة.
تم تقييم أداء نماذج DTR المعززة بهذه التقنيات التحسينية بدقة باستخدام مقاييس متعددة، بما في ذلك معامل التحديد ($R^2$) وخطأ الجذر التربيعي المتوسط (RMSE). أشارت النتائج إلى أن نموذج EV DTR تفوق على نموذج AP DTR، محققًا قيم $R^2$ تبلغ 0.9783 و0.9704 لمجموعات بيانات التدريب والتقييم، على التوالي، مقارنةً بـ 0.9685 و0.9658 لنموذج AP DTR. بالإضافة إلى ذلك، أظهر نموذج EV DTR موثوقية متفوقة وأقل عدم يقين في التنبؤات، كما يتضح من انخفاض قيم RMSE وعدم اليقين. تشير النتائج إلى أن كلا الطريقتين التحسينيتين تعززان بشكل فعال القدرات التنبؤية لـ DTR، حيث توفر EV O حلاً أكثر قوة بشكل عام، متفوقةً على النماذج الموجودة في الأدبيات.
القيود
تقدم الدراسة تطبيقات هامة في سلامة البناء والهندسة الهيكلية، خاصةً في تقييم هياكل الخرسانة المسلحة المتضررة من الحريق. توفر طريقة لتقدير قوة الربط المتبقية بدقة، وهو أمر حاسم لاتخاذ قرارات مستنيرة بشأن الإصلاح أو التعزيز أو الهدم. النموذج مفيد بشكل خاص في السيناريوهات التي تتضمن حماية جزئية من الحريق، حيث يساعد في ضمان السلامة من خلال توقع سلوك الربط في الخرسانة المعالجة جزئيًا المعرضة للنيران. بالإضافة إلى ذلك، يسهل تصميم خلطات الخرسانة المقاومة للحريق من خلال تحديد المعلمات الرئيسية، مثل نسبة الغطاء إلى القطر وقوة الضغط، التي تؤثر على قوة الربط، مما يمكّن علماء المواد من تحسين تصميمات الخلط. تدعم النتائج أيضًا التقييمات غير التدميرية في مشاريع التحديث وتساهم في تحديث الأكواد الهيكلية وأدلة التصميم.
على الرغم من الأداء القوي للنموذج، يجب الاعتراف بعدة قيود. تمثل مجموعة البيانات المكونة من 397 عينة، على الرغم من كونها أكبر من العديد من الدراسات السابقة، نطاقًا محدودًا من أنواع الخرسانة، وتكوينات التسليح، وتركيبات الألياف الموجودة في التطبيقات الواقعية. قد تظهر التنبؤات التي تتم خارج المعلمات المختبرة – مثل النسب الهندسية القصوى أو خصائص المواد غير المختبرة – موثوقية منخفضة. علاوة على ذلك، فإن قابلية تطبيق النموذج مقيدة بشروط التعرض الحراري ضمن مجموعة البيانات، التي تغطي درجات حرارة تصل إلى 825 درجة مئوية، ويجب عدم تعميمها على أنظمة حرارية مختلفة أو سيناريوهات حريق ذات تاريخ تسخين-تبريد متباين بشكل كبير.
DOI: https://doi.org/10.1007/s41939-026-01177-y
Publication Date: 2026-02-04
Author(s): Homa Sayadi Milani et al.
Primary Topic: Fire effects on concrete materials
Overview
The study investigates the bond behavior between steel reinforcement and concrete under elevated temperatures, specifically up to 825 °C, which is critical for understanding reinforced concrete structures during fire exposure. A series of pull-out tests were conducted on normal and high-strength concretes with steel and polypropylene fibers to assess bond strength. A machine learning model utilizing Decision Tree Regression (DTR) was developed to predict maximum bond strength at room temperature ($\tau_{b, 20°C}$). Hyperparameter tuning was performed using Arctic Puffin (AP) Optimization and Energy Valley (EV) Optimization techniques, enhancing the model’s accuracy. The dataset comprised 397 samples, with a training/testing split of 75% and 25%, respectively. Results indicated that both AP DTR and EV DTR models effectively predicted bond strength, with the EV DTR model demonstrating superior performance based on R² values and lower mean squared error (MSE).
The findings reveal that the EV DTR model outperformed the AP DTR model, achieving R² values of 0.9783 and 0.9704 for training and evaluation phases, respectively, compared to 0.9685 and 0.9658 for AP DTR. Additionally, the research highlights the model’s capability for accurate post-fire bond strength estimation, which is essential for evaluating fire damage, optimizing fire-resistance mix designs, and enhancing structural design codes. Among the evaluated parameters, the compressive strength of concrete ($f_{c, cyl}$) and the effective temperature ($T_e$) were identified as the most significant factors influencing bond strength, with values of 0.828 and 0.822, respectively. Overall, this study provides a robust machine learning framework for predicting bond strength in reinforced concrete subjected to fire conditions, surpassing previous methodologies in accuracy and reliability.
Introduction
The introduction highlights the critical role of concrete in construction and its vulnerability to performance degradation over time, particularly under extreme conditions such as fire. The coordination of deformation between concrete and reinforcing bars (rebar) is essential for maintaining structural integrity, and high temperatures can significantly weaken the bond strength at their interface. Previous studies have employed pull-out experiments to assess the residual bond strength of concrete with reinforcement under such conditions, but challenges remain in developing comprehensive models that account for various influencing factors.
Recent advancements in machine learning (ML) present a promising avenue for improving bond strength predictions. ML techniques can effectively analyze complex datasets and incorporate multiple variables, leading to enhanced accuracy compared to traditional empirical models. This study proposes a machine learning approach using Decision Tree Regression (DTR) models, optimized through Arctic Puffin and Energy Valley algorithms, to predict the bond strength of high-temperature concrete exposed to 825 °C. Utilizing a dataset of 397 samples with eight input characteristics, the model demonstrates robust predictive capabilities and offers a valuable tool for assessing fire-exposed reinforced concrete, ultimately facilitating better design practices and reducing reliance on extensive experimental testing. The research addresses existing limitations in current models by integrating comprehensive validation procedures and uncertainty quantification, thereby enhancing the reliability of post-fire structural evaluations.
Methods
In this study, a comprehensive methodology was employed for data analysis and machine learning, emphasizing the importance of feature selection and dataset pre-processing. The pre-processing aimed to ensure data consistency, manage missing values, and prepare the dataset for analysis, utilizing techniques such as data cleansing, cross-validation, and integration of diverse data sources. Feature significance analysis was conducted to enhance model interpretability, reduce overfitting, and optimize performance, ultimately leading to improved computational efficiency. The maximum bond strength ($\tau_{b, 20°C}$) of steel-concrete was determined through machine learning techniques, with data collected from pull-out tests at room temperature.
The research utilized a five-fold cross-validation approach, dividing the dataset of 397 data points into five stratified sections to maintain the distribution of concrete types and other characteristics. Each fold was used for training (80% of the data) and validation (20% of the data), ensuring robust evaluation metrics such as $R^2$ and RMSE were derived from averaged results across folds. The model was trained using eight parameters, including age at testing (AT), fiber type (FT), volume fraction (VF), and others, with specific classifications for fiber types. Statistical analyses, including Pearson correlation coefficients (PCC), were performed to assess relationships between variables, revealing significant correlations such as a PCC of 0.68 between VF and FT, and -0.79 between δ and AT. These findings underscore the critical role of data quality and feature relevance in enhancing machine learning model performance.
Results
In this section, the authors present the results of integrating the Decision Tree Regression (DT R) processes with the Adaptive Programming (AP) and Evolutionary Variants (E V) methodologies, referred to as AP DT R and E V DT R. The parameter $\tau_{b, 20 \cdot c}$ was determined using these integrated methods, with actual and predicted values evaluated during the training and evaluation phases, as depicted in Figure 3. The distribution of residual values for $\tau_{b, 20 \cdot c}$ is also illustrated, providing insights into the model’s performance across different stages.
Table 5 summarizes the outcomes of model evaluations and assessments of the product development process at various learning levels, including ranking points for each model. The AP DT R/E V DT R ratio for unique outcomes was documented to enhance the precision of the integrated models. Furthermore, the reliability and accuracy of these models were assessed using metrics such as MVM (Varona et al. 2020), MOGA-EPR, and GEP (Albostami et al. 2023), as shown in Figure 4. The findings indicate a comparative analysis with previous studies, underscoring the developed models’ accuracy and reliability.
Discussion
In this section, the authors discuss the development and evaluation of two metaheuristic optimization algorithms, Arctic Puffin Optimization (AP O) and Energy Valley Optimization (E V O), applied to Decision Tree Regression (DTR) for predicting maximum bond strength at room temperature ($\tau_{b, 20 \cdot c}$). The AP O algorithm mimics the foraging behavior of Arctic puffins, utilizing Levy flights for exploration and a systematic approach for exploitation, while the E V O algorithm draws inspiration from particle decay and stability in physics, focusing on optimizing particle interactions and stability through various decay processes.
The performance of the DTR models enhanced by these optimization techniques was rigorously evaluated using multiple metrics, including the coefficient of determination ($R^2$) and root mean square error (RMSE). The results indicated that the E V DTR model outperformed the AP DTR model, achieving $R^2$ values of 0.9783 and 0.9704 for training and evaluation datasets, respectively, compared to 0.9685 and 0.9658 for the AP DTR model. Additionally, the E V DTR demonstrated superior reliability and lower uncertainty in predictions, as evidenced by its lower RMSE and uncertainty values. The findings suggest that both optimization methods effectively enhance the predictive capabilities of DTR, with E V O providing a more robust solution overall, outperforming existing models in the literature.
Limitations
The study presents significant applications in construction safety and structural engineering, particularly in assessing fire-damaged reinforced concrete structures. It provides a method for accurately estimating residual bond strength, which is crucial for informed decision-making regarding repair, reinforcement, or demolition. The model is particularly beneficial in scenarios with partial fireproofing, as it aids in ensuring safety by predicting bond behavior in partially cured concrete exposed to fire. Additionally, it facilitates the design of fire-resistant concrete mixtures by identifying key parameters, such as cover-to-diameter ratio and compressive strength, that influence bond strength, thus enabling material scientists to optimize mix designs. The findings also support nondestructive evaluations in retrofitting projects and contribute to the updating of structural codes and design manuals.
Despite the model’s robust performance, several limitations must be acknowledged. The dataset of 397 samples, while larger than many previous studies, still represents a limited range of concrete types, reinforcement configurations, and fiber combinations found in real-world applications. Predictions made outside the tested parameters—such as extreme geometric ratios or untested material properties—may exhibit reduced reliability. Furthermore, the model’s applicability is constrained to the thermal exposure conditions within the dataset, which covers temperatures up to 825 °C, and should not be generalized to different thermal regimes or fire scenarios with significantly varying heating-cooling histories.