DOI: https://doi.org/10.1038/s41598-025-08526-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40593299
تاريخ النشر: 2025-07-02
المؤلف: Shahbaz Ahmad وآخرون
الموضوع الرئيسي: تآكل الخرسانة والمتانة
نظرة عامة
تبحث هذه الدراسة في تطبيق الشبكات العصبية الاصطناعية (ANNs) للتنبؤ بمعدلات التآكل لحديد التسليح المصنوع من الصلب العادي في المركبات الأسمنتية المعرضة لبيئات التربة التي تهيمن عليها الطين. تركز الدراسة على ثلاثة معايير بيئية رئيسية: تركيز كلوريد الصوديوم (NaCl) (0-4%)، جرعة المثبط (DOI) (0-5%)، ومدة التعرض (30-180 يومًا). تم تطوير وتدريب هيكلين من ANN، وهما التغذية الأمامية مع الانتشار العكسي (FFBP) والتغذية الأمامية المتسلسلة مع الانتشار العكسي (CFBP)، باستخدام 72 نقطة بيانات تجريبية. أظهر نموذج FFBP دقة تنبؤية متفوقة مع معامل ارتباط ($R$) قدره 0.998، ومتوسط خطأ نسبي مطلق (MAPE) قدره 30.43%، وخطأ جذر متوسط المربعات (RMSE) قدره 0.071، مما يدل على فعاليته مقارنة بأساليب الانحدار التقليدية.
تكشف النتائج أن جرعة المثبط تؤثر بشكل كبير على سلوك التآكل، تليها تركيز NaCl ومدة التعرض. تؤسس الدراسة نموذجًا عامًا للتنبؤ بمعدلات التآكل مع أخطاء تنبؤية منخفضة وارتباط عالٍ عبر مجموعات البيانات. بينما يُوصى باستخدام هيكل FFBP للتطبيقات العملية بسبب أدائه، تبرز الدراسة أيضًا قيود مجموعة البيانات، مما يشير إلى أن العمل المستقبلي يجب أن يتضمن مجموعات بيانات أكبر وأكثر تنوعًا لتعزيز قابلية توسيع النموذج وتطبيقه في ظروف بيئية متنوعة. بشكل عام، تؤكد هذه الدراسة على إمكانيات ANNs كأدوات قوية لتقييم المخاطر المتعلقة بالمتانة في الهندسة الإنشائية.
طرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لملاحظة تأثيراتها على النتائج ذات الصلة.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية سهلت تطبيق الاختبارات الإحصائية المناسبة، مثل ANOVA وتحليل الانحدار، لتحديد أهمية النتائج. يبرز القسم أهمية القابلية للتكرار والشفافية في الطرق المستخدمة، مما يسمح بالتحقق المحتمل من قبل الدراسات المستقبلية.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تحليلهم للتنبؤ بمعدلات التآكل في المركبات الأسمنتية باستخدام نموذج شبكة عصبية عامة. أظهر النموذج دقة عالية في تنبؤاته، مدعومًا بتحليل الحساسية الذي حدد المعلمات المستقلة الرئيسية التي تؤثر على معدلات التآكل. تم تطبيع أنماط البيانات إلى نطاق من 0.0 إلى 1.0، وتم تحسين تدريب النموذج من خلال إنهاء التدريب بمجرد أن وصل متوسط خطأ المربعات (MSE) إلى عتبة 0.0001، مما يضمن التقارب الفعال دون الإفراط في التكيف.
تم تقييم أداء نماذج الشبكة العصبية الاصطناعية (ANN) باستخدام مقاييس متنوعة، بما في ذلك معامل الارتباط ($R$)، معامل التحديد ($R^2$)، متوسط الخطأ النسبي المطلق (MAPE)، خطأ الجذر المتوسط (RMSE)، معامل كفاءة ناش-سوتكليف ($E$)، ومؤشر التشتت (SI)، كما هو ملخص في الجدول 3. تشير النتائج إلى أن نموذج التغذية الأمامية مع الانتشار العكسي (FFBP) تفوق على نموذج التغذية الأمامية المعقدة مع الانتشار العكسي (CFBP) من حيث الدقة التنبؤية، وذلك بفضل بنية FFBP الأبسط، التي وفرت تعميمًا واستقرارًا أفضل عبر مجموعات البيانات. تم توضيح التمثيلات المرئية لمعدلات التآكل المتوقعة مقابل الملاحظة في الأشكال 5 و6، مما يعزز أداء نموذج FFBP المتفوق.
مناقشة
في هذه الدراسة، تم تطوير نموذج شبكة عصبية للتنبؤ بمعدل التآكل (CR) للخرسانة المسلحة تحت ظروف متغيرة من تركيز كلوريد الصوديوم (NaCl)، وجرعة مثبط التآكل (DOI)، ومدة التعرض (t). تم تدريب النموذج باستخدام مجموعة بيانات من 72 ملاحظة تجريبية، تم تطبيعها إلى نطاق من 0 إلى 1 لتدريب فعال. تضمنت البنية نماذج التغذية الأمامية مع الانتشار العكسي (FFBP) والتغذية الأمامية المتسلسلة مع الانتشار العكسي (CFBP)، حيث حقق نموذج FFBP مقاييس أداء متفوقة: معامل ارتباط (R) قدره 0.999، ومتوسط خطأ نسبي مطلق (MAPE) قدره 37.12%، وخطأ جذر متوسط المربعات (RMSE) قدره 0.037 أثناء التدريب، وR = 0.998، وMAPE = 30.43%، وRMSE = 0.071 أثناء الاختبار.
أشار تحليل الحساسية إلى أن DOI كان العامل الأكثر أهمية الذي يؤثر على معدلات التآكل، حيث أدى استبعاده إلى انخفاض كبير في أداء النموذج. تبرز الدراسة الدور الحاسم للمتغيرات البيئية في التنبؤ بالتآكل، خاصة في بيئات التربة التي تهيمن عليها الطين، حيث تتجمع الأيونات العدوانية وتسرع عمليات التآكل. توفر نماذج ANN المطورة إطارًا قويًا للتنبؤ بمخاطر التآكل، مع تطبيقات عملية في تصميم البنية التحتية، والصيانة، وصنع السياسات، مما يسهم في تعزيز المتانة والاستدامة للهياكل الهندسية المدنية. يُقترح أن يتم توسيع مجموعة البيانات في العمل المستقبلي وإدراج عوامل بيئية إضافية لتحسين قابلية تعميم النموذج.
DOI: https://doi.org/10.1038/s41598-025-08526-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40593299
Publication Date: 2025-07-02
Author(s): Shahbaz Ahmad et al.
Primary Topic: Concrete Corrosion and Durability
Overview
This research investigates the application of Artificial Neural Networks (ANNs) for predicting corrosion rates of mild steel reinforcement in cementitious composites exposed to clay-dominated soil environments. The study focuses on three key environmental parameters: sodium chloride (NaCl) concentration (0-4%), inhibitor dosage (DOI) (0-5%), and exposure duration (30-180 days). Two ANN architectures, Feedforward Backpropagation (FFBP) and Cascadeforward Backpropagation (CFBP), were developed and trained using 72 experimental data points. The FFBP model demonstrated superior predictive accuracy with a correlation coefficient ($R$) of 0.998, a mean absolute percentage error (MAPE) of 30.43%, and a root mean square error (RMSE) of 0.071, indicating its effectiveness over traditional regression methods.
The findings reveal that the inhibitor dosage significantly influences corrosion behavior, followed by NaCl concentration and exposure duration. The study establishes a generalized model for predicting corrosion rates with low prediction errors and high correlation across data subsets. While the FFBP architecture is recommended for practical applications due to its performance, the research also highlights the limitations of the dataset, suggesting that future work should incorporate larger and more diverse datasets to enhance model scalability and applicability in varying environmental conditions. Overall, this study underscores the potential of ANNs as robust tools for assessing durability-related risks in structural engineering.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using software tools that facilitated the application of appropriate statistical tests, such as ANOVA and regression analysis, to determine the significance of the findings. The section emphasizes the importance of replicability and transparency in the methods used, allowing for potential verification by future studies.
Results
In this section, the authors present the results of their analysis on predicting corrosion rates in cementitious composites using a generalized neural network model. The model demonstrated high accuracy in its predictions, supported by a sensitivity analysis that identified the key independent parameters influencing corrosion rates. The data patterns were normalized to a range of 0.0 to 1.0, and the model’s training was optimized by terminating once the mean squared error (MSE) reached a threshold of 0.0001, ensuring effective convergence without overfitting.
The performance of the artificial neural network (ANN) models was evaluated using various metrics, including the coefficient of correlation ($R$), coefficient of determination ($R^2$), mean absolute percentage error (MAPE), root mean square error (RMSE), Nash-Sutcliffe Efficiency Coefficient ($E$), and Scatter Index (SI), as summarized in Table 3. The findings indicate that the Feedforward Backpropagation (FFBP) model outperformed the Complex Feedforward Backpropagation (CFBP) model in terms of predictive accuracy, attributed to the FFBP’s simpler architecture, which provided better generalization and stability across datasets. Visual representations of predicted versus observed corrosion rates are illustrated in Figures 5 and 6, further validating the FFBP model’s superior performance.
Discussion
In this study, a neural network model was developed to predict the corrosion rate (CR) of reinforced concrete under varying conditions of sodium chloride (NaCl) concentration, corrosion inhibitor dosage (DOI), and exposure duration (t). The model was trained using a dataset of 72 experimental observations, normalized to a range of 0 to 1 for effective training. The architecture included Feedforward Backpropagation (FFBP) and Cascadeforward Backpropagation (CFBP) models, with the FFBP model achieving superior performance metrics: a correlation coefficient (R) of 0.999, Mean Absolute Percentage Error (MAPE) of 37.12%, and Root Mean Square Error (RMSE) of 0.037 during training, and R = 0.998, MAPE = 30.43%, and RMSE = 0.071 during testing.
The sensitivity analysis indicated that DOI was the most significant factor influencing corrosion rates, with its exclusion leading to a dramatic drop in model performance. The study highlights the critical role of environmental variables in corrosion prediction, particularly in clay-dominated soil environments, where aggressive ions accumulate and accelerate corrosion processes. The developed ANN models provide a robust framework for predicting corrosion risks, with practical applications in infrastructure design, maintenance, and policy-making, ultimately contributing to enhanced durability and sustainability of civil engineering structures. Future work is suggested to expand the dataset and incorporate additional environmental factors for improved model generalizability.