بهینه‌سازی مخلوط‌های سیمانی با روش سطح پاسخ: یک مرور سیستماتیک

نویسندگان: (مطابق مقاله)
سال انتشار: ۲۰۲۴
ژورنال: Archives of Civil and Mechanical Engineering (Springer) لینک مقاله

مقدمه: چالش بهینه‌سازی در صنعت سیمان

صنعت سیمان با دو بحران بزرگ روبه‌روست: از یک سو، تولید سالانه ۴.۲ میلیارد تن سیمان در جهان (آمار ۲۰۲۰) مسئول انتشار حدود ۶۰۰ کیلوگرم دی‌اکسید کربن به ازای هر تن سیمان است. از سوی دیگر، سنگدانه‌های طبیعی که ۷۵ تا ۸۰ درصد حجم بتن را تشکیل می‌دهند، به سرعت در حال کمیاب شدن هستند. استخراج این منابع نه تنها چهره زمین را دگرگون می‌کند، بلکه زیست‌گاه‌های طبیعی را نابود و آبراهه‌ها را آلوده می‌سازد.

در این میان، افزودن مواد بازیافتی به بتن (مانند پلاستیک، لاستیک فرسوده، الیاف فولادی و...) راه حلی دوگانه ارائه می‌دهد: هم پسماندها بازیافت می‌شوند و هم منابع طبیعی حفظ می‌گردند. اما سؤال اصلی این است: چگونه می‌توان بهترین مقدار این مواد را بدون انجام صدها آزمایش هزینه‌بر و زمان‌بر پیدا کرد؟

پاسخ در «روش سطح پاسخ» (Response Surface Method – RSM) نهفته است؛ روشی آماری که با تعداد آزمایش‌های محدود، رابطه بین متغیرهای ورودی (مانند مقدار سیمان، نسبت آب به سیمان، درصد مواد جایگزین) و خروجی‌های مطلوب (مانند مقاومت فشاری، کارایی) را مدل می‌کند. این مقاله مروری سیستماتیک، با بررسی بیش از ۱۰۰ پژوهش، نشان می‌دهد که RSM چگونه می‌تواند صنعت بتن را گامی بلند به سوی پایداری پیش ببرد.

روش تحقیق: رویکرد PRISMA

پژوهشگران از روش استاندارد PRISMA (ویژه مرورهای سیستماتیک) استفاده کردند. جستجو در دو پایگاه داده اصلی (SCOPUS و Web of Science) با کلیدواژه‌های «بهینه‌سازی» و «بتن» بین سال‌های ۲۰۰۰ تا ۲۰۲۴ انجام شد. از میان ۵۳۶ مقاله اولیه، پس از حذف تکراری‌ها و موارد نامرتبط، در نهایت ۱۰۰ مقاله برای تحلیل نهایی انتخاب شدند.

نکته جالب: تعداد انتشارات سالانه درباره RSM از کمتر از ۱۸۰۰ مقاله در سال ۲۰۰۰ به حدود ۱۵۰۰۰ مقاله در سال ۲۰۲۳ رسیده است. این رشد نمایی نشان می‌دهد که RSM از یک روش تخصصی آماری به ابزاری فراگیر در سراسر علوم مهندسی، زیست‌فناوری و علوم محیطی تبدیل شده است.

روش سطح پاسخ (RSM) چگونه کار می‌کند؟

مفاهیم پایه

در RSM، دو دسته متغیر داریم:

• عوامل (Factors): متغیرهای مستقلی که پژوهشگر مقدار آنها را تغییر می‌دهد (مانند مقدار سیمان، نسبت آب به سیمان، درصد خاکستر بادی).

• پاسخ‌ها (Responses): ویژگی‌هایی که اندازه‌گیری می‌شوند (مانند مقاومت فشاری، اسلامپ، مدول الاستیسیته).

هدف اصلی، یافتن مدلی ریاضی (معمولاً درجه دوم) است که پاسخ را بر اساس عوامل پیش‌بینی کند:

$Y=\beta 0+\sum \beta iXi+\sum \beta iiXi2+\sum \beta ijXiXj+\epsilon$

سه طرح آزمایشی اصلی

سه استراتژی پرکاربرد برای طراحی آزمایش‌های RSM وجود دارد:

۱. طرح فاکتوریل کامل (FFD): همه ترکیب‌های ممکن در دو یا سه سطح. برای عوامل کم (کمتر از پنج) مناسب است، اما با افزایش عوامل، تعداد آزمایش‌ها به شدت زیاد می‌شود (۳^k آزمایش برای k عامل).

۲. طرح مرکب مرکزی (CCD): محبوب‌ترین روش. ترکیبی از نقاط فاکتوریل (گوشه‌های مکعب)، نقاط محوری (در فاصله α از مرکز) و نقاط مرکزی. فرمول تعداد آزمایش‌ها: ۲k + ۲^k + c (که k تعداد عوامل و c تعداد نقاط مرکزی است). مزیت اصلی: توانایی پیش‌بینی اثرات خطی و درجه دوم با کمترین تعداد آزمایش.

۳. طرح باکس-بنکن (BBD): جایگزینی برای CCD که از نقاط فاکتوریل استفاده نمی‌کند، بنابراین نقاط حدی (بیشینه و کمینه) را شامل نمی‌شود. برای شرایطی که مقدار بهینه در میانه بازه قرار دارد، بسیار مناسب است. تعداد آزمایش‌ها: ۲k(k-1) + c.

در میان مقالات بررسی‌شده، CCD با ۳۹ درصد، BBD با ۱۸ درصد و سایر روش‌ها (شامل طرح سیمپلکس-سنتروید، فاکتوریل کسری و...) باقی‌مانده را به خود اختصاص داده‌اند.

اعتبارسنجی مدل

برای اطمینان از کیفیت مدل، از دو ابزار آماری استفاده می‌شود:

• تحلیل واریانس (ANOVA): مشخص می‌کند کدام عوامل تأثیر معناداری بر پاسخ دارند.

• ضریب تعیین (R²): نزدیکی پیش‌بینی‌های مدل به مقادیر واقعی را نشان می‌دهد. در مدل‌های خوب، R² بالای ۰.۹۰ است.

• مقدار P: کمتر از ۰.۰۵ نشان‌دهنده معناداری آماری است.

نکته کلیدی: بسیاری از پژوهش‌ها تنها به اعتبارسنجی آماری اکتفا می‌کنند، در حالی که اعتبارسنجی واقعی نیازمند ساخت و آزمایش مخلوط بهینه‌شده در آزمایشگاه است. متأسفانه، تنها شمار اندکی از مقالات این گام نهایی را برداشته‌اند.

یافته‌ها: چهار دسته کاربرد RSM در بتن

پژوهشگران ۱۰۰ مقاله را به چهار گروه مجزا بر اساس هدف بهینه‌سازی طبقه‌بندی کردند:

گروه ۱: بهینه‌سازی طرح اختلاط پایه

در این گروه، عوامل اصلی شامل نسبت آب به سیمان، مقدار سیمان، و حجم سنگدانه‌ها هستند. پاسخ‌های غالب نیز مقاومت فشاری و کارایی (اسلامپ) هستند.

نمونه جالب: مطالعه لی و همکاران (۲۰۲۳) روی بتن متخلخل با سنگدانه بازیافتی. آن‌ها با استفاده از CCD و تنها ۱۱ آزمایش (شامل سه نقطه مرکزی) به مدلی با R² بالا دست یافتند. سطوح پاسخ نشان داد که بیشترین مقاومت فشاری زمانی حاصل می‌شود که بزرگترین اندازه سنگدانه، کمترین نسبت آب به سیمان، و کمترین تخلخل هدف با هم ترکیب شوند.

در همین گروه، شیمشک و همکاران (۲۰۱۴) مدلی برای بهینه‌سازی بتن با وزن معمولی توسعه دادند و سپس مخلوط بهینه را در آزمایشگاه ساختند. انحراف معیار کمتر از ۰.۳۴۷ نشان‌دهنده دقت بالای مدل بود.

گروه ۲: بهینه‌سازی محتوای مواد سیمانی مکمل (SCM)

مواد سیمانی مکمل (مانند خاکستر بادی، سرباره کوره آهنگدانی، دوده سیلیس، متاکائولن) جایگزین‌های پایدار برای سیمان پرتلند معمولی هستند. این گروه با ۴۲ درصد، بیشترین سهم مقالات را به خود اختصاص داد.

خاکستر بادی: در ۴۲ درصد موارد با CCD بهینه شده است. فوزی و همکاران نشان دادند افزایش نسبت خاکستر بادی به مواد سیمانی، خواص پلاستیکی مخلوط را بهبود می‌بخشد. مقدار بهینه بین ۱۵ تا ۲۰ درصد جایگزینی سیمان تعیین شد.

سرباره (GGBFS): تنوع بیشتری در روش‌های بهینه‌سازی دارد (CCD، BBD، FCCD، طرح سیمپلکس-سنتروید، فاکتوریل). محمد و همکاران (۲۰۱۹) نشان دادند که ترکیب ۱۰۰ درصد سرباره با ۱۱.۹ درصد متاسیلیکات سدیم، بیشترین مقاومت را ایجاد می‌کند.

دوده سیلیس: در ۵۸ درصد موارد با CCD بهینه شده است. عظیمی‌نژاد و همکاران (۲۰۱۸) دریافتند دوده سیلیس تأثیر قابل توجهی بر کارایی ملات خودتراکم دارد و هم‌زمان مقاومت فشاری را افزایش می‌دهد. مقدار بهینه ۲۰ درصد گزارش شده است.

متاکائولن: احمد و همکاران (۲۰۲۱) با روش BBD نشان دادند افزایش محتوای متاکائولن به طور قابل توجهی مقاومت فشاری را کاهش می‌دهد (برخلاف سایر SCMها). این یافته نشان می‌دهد که هر ماده جایگزین، رفتار منحصربه‌فردی دارد و نمی‌توان برای همه یک نسخه واحد پیچید.

گروه ۳: بهینه‌سازی محتوای پسماند

این گروه کوچک‌ترین سهم را دارد (تنها چند مقاله). پسماندهایی مانند ضایعات گرانیت، لاستیک خردشده، درپوش‌های بطری پلاستیکی، و الیاف موز به عنوان عوامل اصلی بهینه‌سازی شده‌اند.

در ۷۱ درصد موارد، CCD استفاده شده است. نکته مهم: تعیین بازه مناسب برای هر پسماند (حداقل و حداکثر مقدار ممکن) نیازمند دانش قبلی است، زیرا این مواد رفتار غیرمنتظره‌ای از خود نشان می‌دهند.

برای نمونه، آلدادوه و همکاران (۲۰۱۸) پسماند پلاستیک را تا ۱۲ درصد به عنوان جایگزین سنگدانه درشت بررسی کردند. برای اطمینان از دقت، آن‌ها مدل RSM را با شبکه عصبی مصنوعی مقایسه کردند و عملکرد عالی هر دو روش تأیید شد.

گروه ۴: بهینه‌سازی همزمان SCM و پسماند

پیشرفته‌ترین دسته، که در آن هم مواد سیمانی مکمل و هم پسماندها با هم بهینه می‌شوند. همه مقالات این گروه پس از سال ۲۰۱۲ منتشر شده‌اند و همگی از CCD استفاده کرده‌اند.

موسابرپناه و همکاران (۲۰۲۱) تأثیر همزمان نانوسیلیس (عامل A) و پودر شیشه ضایعاتی (عامل B) را بررسی کردند. سطوح پاسخ نشان داد:

• افزایش هر دو عامل، مقاومت ۲۸ روزه را افزایش می‌دهد (سطح مقعر)

• اما همین افزایش، روانی مخلوط را کاهش می‌دهد (روند نزولی آشکار)

رضایی‌فر و همکاران (۲۰۱۶) مخلوط حاوی لاستیک خردشده و متاکائولن را با RSM بهینه کردند. پس از ساخت مخلوط بهینه، خطای میانگین تنها ۳.۳ درصد بود که نشان‌دهنده دقت بالای روش است.

نتیجه‌گیری: RSM ابزاری حیاتی برای آینده پایدار بتن

این مرور سیستماتیک با بررسی بیش از ۱۰۰ مقاله، نشان می‌دهد که RSM ابزاری کارآمد، کم‌هزینه و قابل اعتماد برای بهینه‌سازی مخلوط‌های سیمانی است. یافته‌های کلیدی:

۱. CCD و BBD پرکاربردترین و مؤثرترین طرح‌های آزمایشی هستند. انتخاب بین آن‌ها به ماهیت مسئله بستگی دارد: CCD برای یافتن نقاط حدی و BBD برای یافتن بهینه در میانه بازه مناسب‌تر است.

۲. نسبت آب به سیمان و مقدار سیمان، تأثیرگذارترین عوامل بر مقاومت فشاری و کارایی هستند. این دو عامل در اکثر مدل‌ها حضور دارند.

۳. اعتبارسنجی واقعی (ساخت و آزمایش مخلوط بهینه) هنوز در بسیاری از پژوهش‌ها نادیده گرفته می‌شود. این شکاف باید در مطالعات آینده پر شود.

۴. توسعه مدل‌های چندهدفه (که چندین پاسخ را همزمان بهینه می‌کنند) یک اولویت مهم است. صنعت بتن نیازمند مخلوط‌هایی است که هم مقاومت بالا داشته باشند، هم کارایی مناسب، هم هزینه کم و هم حداقل اثر زیست‌محیطی.

۵. گنجاندن پسماندهای صنعتی در مدل‌های RSM، مسیری امیدوارکننده به سوی تحقق اهداف پایداری در صنعت ساخت‌وساز است. هر چه این مدل‌ها بیشتر توسعه یابند، اطمینان مهندسان برای استفاده از مواد بازیافتی در پروژه‌های واقعی بیشتر خواهد شد.

با توجه به فشارهای فزاینده بر صنعت ساخت‌وساز برای کاهش اثرات زیست‌محیطی و بهبود بهره‌وری، RSM نقشی کلیدی در رسیدن به این اهداف ایفا خواهد کرد و استانداردهای جدیدی برای روش‌های دوست‌دار محیط زیست تعیین می‌نماید.