Yemenis Engineers

18/10/2026

المرتكزات التحليلية الرسمية لأتمتة الهندسة بمساعدة الذكاء الاصطناعي

يكشف إصدار حديث في مجال التحقق (Verification) عن بنية معمارية مفيدة لتطبيقات الذكاء الاصطناعي في الهندسة: إذ تتولى الأتمتة تقليل الجهد المطلوب لإعداد التحليلات، بينما يبقى المحرك الرسمي (Formal Engine) مسؤولاً عن إثبات صحة النتائج والتحقق منها. وتُعد هذه القسمة بالغة الأهمية في سير العمل الهندسي الإنشائي أيضاً. فبإمكان وكيل ذكاء اصطناعي اقتراح النماذج أو إجراءات التحقق والفحص، في حين تحتفظ الأدوات الحتمية (Deterministic Tools) بسلطة القبول النهائي، مما يوفّر حدوداً واضحة وقابلة للتدقيق بين التوصية والاعتماد.

فصل المسؤوليات بطريقة تعزز الثقة

من الدروس المتكررة في الأعمال الحديثة المتعلقة بالتحقق الرسمي المدعوم بالذكاء الاصطناعي أن الأتمتة تحقق أكبر قيمة عندما تخفف الجهد البشري دون أن تصبح المرجع النهائي للحكم على صحة النتائج. وتوضح الدراسات الخاصة بسير عمل التحقق المدعوم بالذكاء الاصطناعي أن نماذج اللغات الكبيرة (LLMs) تُستخدم لتوليد الخصائص (Properties)، والنماذج (Models)، ومخرجات التحقق المختلفة، بينما تبقى محركات التحقق الرسمية مسؤولة عن التأكد رياضياً من استيفاء المتطلبات فعلياً.

ويؤدي هذا النهج إلى إنشاء فصل واضح بين الاقتراح (Suggestion) والإثبات (Proof)، مما يساعد الفرق الهندسية على التمييز بين المخرجات التي تبدو منطقية أو محتملة، وبين النتائج التي تم التحقق منها رسمياً ورياضياً.

الذكاء الاصطناعي يتولى الإعداد، والأدوات الرسمية تتولى الاعتماد

تشير الدراسات المتعلقة بأنظمة التحقق الرسمية الذاتية إلى أن الذكاء الاصطناعي يمكنه المساعدة في توزيع المهام، وتطوير الأكواد البرمجية، وإعداد الوثائق، وتحليل الأمثلة المضادة (Counterexamples)، مما يسمح للمهندسين بالتركيز على أعمال التفكير والتحليل ذات القيمة الأعلى.

وفي الوقت نفسه، يعتمد التحقق الرسمي على أساليب رياضية تضمن صحة النظام عبر جميع الحالات والمدخلات الممكنة، وهو ما يجعل محرك الإثبات الرسمي المصدر الطبيعي والموثوق للقرارات المتعلقة بالاعتماد النهائي وقبول النتائج.

كيف يمكن أن تستفيد سير العمل في الهندسة الإنشائية؟

لا يقتصر هذا المبدأ على التحقق من البرمجيات أو الأنظمة الإلكترونية، بل يمكن تطبيقه مباشرة في مجالات الهندسة الإنشائية والمدنية والميكانيكية.

فعلى سبيل المثال، يمكن لوكيل ذكاء اصطناعي أن يقوم بـ:

اقتراح النماذج التحليلية المناسبة.
توليد حالات الأحمال المختلفة تلقائياً.
تحديد فحوصات التصميم المطلوبة.
اقتراح إجراءات التحقق والمراجعة.
اكتشاف النقاط الحرجة أو عناصر الخطر المحتملة في التصميم.

بعد ذلك، تتولى برامج التحليل والتصميم الهندسي المعتمدة التحقق من هذه المقترحات وفقاً للمعايير والكودات الهندسية والحسابات الرسمية قبل منح الموافقة النهائية.

ويؤدي ذلك إلى إنشاء مسار عمل قابل للتدقيق (Auditable Workflow)، بحيث يمكن تتبع كل نتيجة معتمدة إلى عملية تقييم قائمة على قواعد ومعادلات هندسية واضحة، وليس إلى توصية صادرة عن الذكاء الاصطناعي فقط.

والنتيجة هي نظام عمل يجمع بين:

زيادة الإنتاجية.
تسريع عمليات التحليل والتصميم.
تحسين إمكانية التتبع والمراجعة.
تعزيز المساءلة والموثوقية الهندسية.
أهمية الحدود القابلة للتدقيق أكثر من الاستقلالية الكاملة

تتمثل إحدى أهم الأفكار المستخلصة من أبحاث التحقق الرسمي في أن نجاح عملية التحقق يعتمد على وضوح توزيع المسؤوليات.

فبدلاً من السعي نحو استقلالية كاملة وغير مقيدة للذكاء الاصطناعي، تتجه العديد من الأنظمة المتقدمة إلى استخدامه كشريك هندسي مساعد يقوم بإعداد العمل وتحضيره، بينما تتولى أنظمة التحقق القابلة للفحص الآلي (Machine-Checkable Verification Systems) تحديد ما إذا كانت النتائج صحيحة أم لا.

ويصف الباحثون عملية توليد البرهان (Proof Generation) وعملية التحقق من البرهان (Proof Verification) على أنهما نشاطان منفصلان، حيث توفر الأدوات الرسمية تغذية راجعة موضوعية وتأكيداً مستقلاً لصحة النتائج.

وبالنسبة للمؤسسات الهندسية، يوفر هذا الفصل فوائد عملية مهمة، منها:

تسهيل عمليات التدقيق والمراجعة الفنية.
وضوح المسؤوليات والمسارات القانونية.
رفع مستوى الثقة في الأنظمة المؤتمتة.
تسريع اتخاذ القرار دون المساس بمتطلبات السلامة والاعتماد الهندسي.
الحفاظ على أن تكون المسؤولية النهائية مبنية على التحقق الهندسي الرسمي لا على مخرجات الذكاء الاصطناعي وحدها.

الخلاصة: أفضل نموذج لاستخدام الذكاء الاصطناعي في الهندسة ليس أن يحل محل أدوات التحقق والاعتماد، بل أن يعمل كمسرّع للإنتاجية والإعداد والتحليل الأولي، بينما تبقى سلطة القبول النهائي والتوقيع الهندسي بيد الأنظمة الحتمية والمعايير الهندسية الرسمية. وهذا الفصل بين "المقترِح" و"المعتمِد" هو الأساس الحقيقي لبناء الثقة في أتمتة الهندسة المدعومة بالذكاء الاصطناعي.

17/10/2026

هناك طلاء أبيض جديد قد يجعل سقف منزلك أبرد من الهواء المحيط به، حتى تحت أشعة الشمس المباشرة.. من دون تشغيل التكييف أو استهلاك الكهرباء للتبريد!
طوّر باحثون في جامعة بوردو Purdue University طلاءً فائق البياض يعكس 98.1% من ضوء الشمس، ما يقلل كمية الطاقة الشمسية التي يمتصها السطح خلال النهار.
ويقود هذا البحث البروفيسور شيولين روان Xiulin Ruan، أستاذ الهندسة الميكانيكية الذي عمل فريقه على تطوير طلاء يساعد المباني على التخلص من الحرارة بدلًا من الاحتفاظ بها، ويعتمد الطلاء على كبريتات الباريوم Barium Sulfate، وهي مادة تحتوي على جزيئات بأحجام مختلفة تساعد على تشتيت نطاق واسع من ضوء الشمس.
والأهم أن الطلاء لا يكتفي بعكس أشعة الشمس، بل يسمح للسطح بإطلاق حرارته عبر الأشعة تحت الحمراء، ما قد يجعله أبرد من الهواء المحيط حتى في وضح النهار.
وقدّر فريق البحث أن استخدام الطلاء على سقف مساحته نحو 93 مترًا مربعًا يمكن أن يوفر قدرة تبريد تصل إلى 10 كيلوواط في ظروف مناسبة، بما قد يخفف العبء على أجهزة التكييف.
سقف أبيض يتحول إلى وسيلة للتخلص من الحرارة بدلًا من تخزينها؛ فكرة قد تساعد على إبقاء المباني أبرد وتقليل استهلاك الكهرباء في المناطق شديدة الحرارة.

هناك طلاء أبيض جديد قد يجعل سقف منزلك أبرد من الهواء المحيط به، حتى تحت أشعة الشمس المباشرة.. من دون تشغيل التكييف أو استهلاك الكهرباء للتبريد!

طوّر باحثون في جامعة بوردو Purdue University طلاءً فائق البياض يعكس 98.1% من ضوء الشمس، ما يقلل كمية الطاقة الشمسية التي يمتصها السطح خلال النهار.

ويقود هذا البحث البروفيسور شيولين روان Xiulin Ruan، أستاذ الهندسة الميكانيكية الذي عمل فريقه على تطوير طلاء يساعد المباني على التخلص من الحرارة بدلًا من الاحتفاظ بها، ويعتمد الطلاء على كبريتات الباريوم Barium Sulfate، وهي مادة تحتوي على جزيئات بأحجام مختلفة تساعد على تشتيت نطاق واسع من ضوء الشمس.

والأهم أن الطلاء لا يكتفي بعكس أشعة الشمس، بل يسمح للسطح بإطلاق حرارته عبر الأشعة تحت الحمراء، ما قد يجعله أبرد من الهواء المحيط حتى في وضح النهار.

وقدّر فريق البحث أن استخدام الطلاء على سقف مساحته نحو 93 مترًا مربعًا يمكن أن يوفر قدرة تبريد تصل إلى 10 كيلوواط في ظروف مناسبة، بما قد يخفف العبء على أجهزة التكييف.

سقف أبيض يتحول إلى وسيلة للتخلص من الحرارة بدلًا من تخزينها؛ فكرة قد تساعد على إبقاء المباني أبرد وتقليل استهلاك الكهرباء في المناطق شديدة الحرارة.

16/10/2026

نموذج فيزيائي هجين يستهدف التنبؤ بالانبعاج الموضعي في الجسور والبلاطات مع تمثيل عدم اليقين

تجمع دراسة مرتقبة في مجلة Composite Structures بين التعلم المدعوم بالفيزياء (Physics-Informed Learning) والنمذجة الصريحة لعدم اليقين المعرفي (Epistemic Uncertainty) للتنبؤ بالانبعاج الموضعي في الألواح المركبة المقواة. وتكتسب هذه المقاربة أهمية خاصة بالقرب من حالات عدم الاستقرار الإنشائي، حيث لا يكفي أن يقدم النموذج البديل (Surrogate Model) تنبؤات دقيقة للحالات المعروفة، بل يجب أن يكون قادرًا أيضًا على الإشارة إلى الحالات التي تخرج عن نطاق معرفته وثقته. وتمثل هذه الدراسة حالة اختبار مركزة لتقييم أنظمة الذكاء الاصطناعي الإنشائي بما يتجاوز مجرد دقة الاستيفاء التقليدية.

لماذا يُعد الانبعاج الموضعي مشكلة تنبؤية معقدة؟

يُعد الانبعاج الموضعي في الألواح المركبة المقواة (Stiffened Composite Panels) من المسائل الصعبة في ميكانيكا المنشآت، نظرًا لأن سلوك النظام قد يتغير بصورة حادة عند اقتراب الأحمال من عتبة عدم الاستقرار أو الحمل الحرج للانبعاج.

وغالبًا ما تحقق النماذج البديلة المعتمدة على البيانات (Data-Driven Surrogate Models) أداءً جيدًا ضمن نطاقات التدريب المألوفة، إلا أن موثوقيتها قد تنخفض عند التعامل مع ظروف تشغيل قريبة من أحمال الانبعاج الحرجة.

وتوضح الدراسة المرتقبة في Composite Structures أن التحدي لا يقتصر على تحسين الدقة التنبؤية فقط، بل يمتد إلى ضرورة امتلاك النماذج القدرة على إدراك حدود معرفتها عند تقييم الاستجابات الإنشائية ذات الأهمية الحرجة للسلامة.

دمج المعرفة الفيزيائية مع التعلم الآلي

يعتمد النهج المقترح على دمج التعلم المستند إلى الفيزياء مع تقنيات التعلم الآلي، مواكبًا بذلك التوجه المتزايد نحو النماذج الهجينة التي تدمج مبادئ ميكانيكا المنشآت داخل الأطر المعتمدة على البيانات.

تستخدم هذه النماذج الموجهة بالفيزياء (Physics-Guided Models) القوانين والسلوكيات الحاكمة المعروفة لفرض قيود على التنبؤات، مما يساعدها على التعميم خارج حدود الاستيفاء المباشر لبيانات التدريب.

وقد أظهرت أبحاث سابقة في مجال المنشآت المركبة أن النماذج المتوافقة فيزيائيًا تستطيع تعزيز المتانة والاعتمادية مع تقليل الحاجة إلى قواعد بيانات تجريبية ضخمة، وهو ما يجعلها جذابة للتطبيقات الهندسية التي تكون فيها التجارب العملية مكلفة وصعبة التنفيذ.

دور عدم اليقين المعرفي (Epistemic Uncertainty)

من أبرز خصائص الدراسة المعروضة التناول الصريح لعدم اليقين المعرفي، وهو نوع من عدم اليقين ينشأ نتيجة محدودية المعرفة أو نقص البيانات المتاحة.

وبدلاً من إرجاع قيمة تنبؤية واحدة فقط، يستطيع النموذج تحديد المناطق التي يتمتع فيها بدرجة عالية من الثقة، وكذلك الحالات التي ينبغي التعامل مع نتائجها بحذر.

وتُعد هذه الميزة ذات أهمية خاصة بالقرب من حالات الانبعاج وعدم الاستقرار، حيث قد تؤدي تغييرات طفيفة في الأحمال أو الخصائص الهندسية إلى تغيرات كبيرة في الاستجابة الإنشائية.

ومن منظور اتخاذ القرار الهندسي، فإن معرفة متى يكون النموذج غير متأكد من نتائجِه قد تكون بنفس أهمية معرفة قيمة حمل الانبعاج المتوقع نفسه.

معيار عملي لتقييم الذكاء الاصطناعي الإنشائي

توفر هذه الدراسة حالة اختبار مناسبة لتقييم تطبيقات الذكاء الاصطناعي في الهندسة الإنشائية. فبدلاً من الاعتماد فقط على مقدار الخطأ التنبؤي، يمكن تقييم أداء النموذج من خلال عدة جوانب رئيسية:

الدقة في الحالات المعروفة والمُجرَّبة.
السلوك بالقرب من حدود عدم الاستقرار والانبعاج.
القدرة على تقدير وقياس عدم اليقين.
الموثوقية عند مواجهة ظروف أو حالات غير مألوفة.

ومن المتوقع أن يزداد أهمية هذا الإطار الشامل للتقييم مع توسع استخدام أدوات الذكاء الاصطناعي في الصناعات الجوية والفضائية وغيرها من التطبيقات المتقدمة للمواد المركبة.

كما تؤكد الأبحاث الحديثة المتعلقة بالمنشآت المركبة المقواة على أهمية الجمع بين التنبؤ الفعّال بالانبعاج وإدارة عدم اليقين، مما يشير إلى أن أنظمة الذكاء الاصطناعي الإنشائية المستقبلية لن تُقيَّم فقط بناءً على دقة تنبؤاتها، بل أيضًا على مدى شفافيتها في التعبير عن المخاطر ومستويات الثقة المرتبطة بتلك التنبؤات.

14/10/2026

أتوديسك تكشف عن مساعد ذكاء اصطناعي من الجيل القادم للتعاون عبر المشاريع

توسّع كبير في قدرات الذكاء الاصطناعي:
يمتد مساعد أوتودِسك الجديد (Autodesk Assistant) إلى ما هو أبعد من المساعدة داخل البرامج، ليشمل التعاون على مستوى المشروع بالكامل، من خلال ربط البيانات والأدوات والقرارات ضمن بيئة عمل موحدة.

ثلاثة مفاهيم أساسية:
تعتمد المنصة الجديدة على ثلاثة مكونات رئيسية هي Autodesk Context و Assistant Builder و AI Orchestrator، والتي ستتولى إدارة سياق المشروع، وربط تطبيقات الذكاء الاصطناعي المخصصة، واختيار النماذج الأكثر ملاءمة لكل مهمة.

تكامل سحابي متقدم:
يسمح التكامل مع منصة Autodesk Forma بمشاركة البيانات بين مختلف التخصصات الهندسية، وتتبع الإصدارات، وتوثيق مبررات وغايات التصميم (Design Intent)، مما يعزز التنسيق عبر فرق العمل المتعددة.

مساعد Autodesk من الجيل القادم يستهدف إدارة المشاريع بالكامل

أعلنت شركة Autodesk خلال مؤتمر AU 2026 عن تطوير موسّع لمساعدها الذكي، بحيث يصبح قادرًا على إدارة دورة حياة المشروع بالكامل عبر الأقسام والمؤسسات المختلفة، متجاوزًا الوظائف الحالية المتاحة في AutoCAD 2027.1 والتي تقتصر على المساعدة والتحليل داخل البرنامج.

ويهدف هذا التطور إلى إدارة السياق الشامل للمشروع، ودمج الأدوات الخارجية، وتنسيق الأعمال على نطاق واسع، بما يدعم مختلف التخصصات بدءًا من التخطيط الحضري وانتهاءً بالهندسة المدنية.

الركائز الثلاث للتطوير الجديد

تعتمد البنية المعمارية للمساعد على ثلاث ركائز رئيسية:

1. Autodesk Context

نظام مخصص لتتبع وإدارة العلاقات بين:

البيانات والمستندات.
أعضاء الفريق وأصحاب المصلحة.
القرارات الهندسية ومبرراتها.

ويوفر فهمًا أعمق لسياق المشروع، بدلاً من التعامل مع الملفات بمعزل عن بيئة العمل المحيطة بها.

2. Assistant Builder

أداة تتيح ربط المساعد بتطبيقات الذكاء الاصطناعي الداخلية أو الخارجية (Third-Party AI Tools)، مما يسمح للمؤسسات بدمج نماذجها وخدماتها الخاصة ضمن بيئة Autodesk.

3. AI Orchestrator

محرك ذكي مسؤول عن اختيار النماذج (AI Models) الأنسب لكل مهمة، وإدارة التعاون بينها لتحقيق أفضل أداء ونتائج ممكنة.

وتهدف هذه المنظومة إلى معالجة القيود الحالية مثل:

ضعف الإدراك السياقي للمشروع.
عدم القدرة على إرفاق الوثائق الخارجية والتعامل معها بفعالية.
محدودية إمكانيات التحرير المباشر داخل AutoCAD.
تكامل Forma السحابي يربط جميع التخصصات

أظهرت العروض التوضيحية خلال مؤتمر AU 2026 أن نظام Forma Data Management يشكل البنية الأساسية لمشاركة ملفات DWG وإصدارات التصميم وسجلات المراجعة بين فرق:

التخطيط العمراني.
الهندسة المعمارية.
الهندسة المدنية.

كما أن أي تعديل يتم في أحد التخصصات، مثل:

مخططات المواقع (Site Plans).
تخطيطات المباني (Building Layouts).

ينعكس تلقائيًا على بقية التخصصات المرتبطة، مع الاحتفاظ الكامل بمبررات القرار والاشتراطات التصميمية المرتبطة به، وهو ما يمثل عنصرًا حاسمًا لفعالية نظام Autodesk Context.

التأثير المحتمل على سير العمل الهندسي

من خلال تضمين سياق المشروع الكامل وربط المساعد بالمعايير المؤسسية وأدوات الذكاء الاصطناعي الخاصة بالشركات، يمكن أن يسهم النظام الجديد في:

تسريع التنسيق بين التخصصات الهندسية المختلفة.
تقليل عمليات نقل البيانات اليدوية.
رفع مستوى تتبع القرارات الهندسية وتوثيقها.
تحسين إدارة المعرفة المؤسسية داخل المشاريع الكبيرة.
تعزيز التعاون بين فرق التصميم والتنفيذ.

وبالنسبة لمستخدمي AutoCAD، فإن التكامل المستقبلي مع مزايا الذكاء الاصطناعي في AutoCAD 2027 قد يتيح تنفيذ عمليات التحرير مباشرة من خلال المساعد، مثل:

تعديل النصوص (Text Editing).
إدارة الطبقات (Layers Management).
تحديث خصائص الكائنات (Object Properties).

مما يوسّع دور الذكاء الاصطناعي من مجرد أداة مساعدة إلى شريك فعّال في أعمال الرسم الهندسي وإدارة التصميم.

الخلاصة الهندسية

يمثل الجيل الجديد من Autodesk Assistant تحولًا من مفهوم المساعد البرمجي داخل التطبيق إلى مفهوم المساعد الذكي على مستوى المشروع (Project-Level AI Assistant)، حيث يصبح قادرًا على فهم العلاقات بين البيانات والقرارات والفرق الهندسية المختلفة، وهو توجه قد يغيّر طريقة إدارة مشاريع البنية التحتية والتخطيط العمراني والهندسة المدنية خلال السنوات القادمة.

12/10/2026

ترجمة المقال بالعربية بالأسفل ...
معيار جديد لقطاع التشييد يقيس أداء الذكاء الاصطناعي في المهام الميدانية
Construction benchmark brings AI into field tasks
A newly launched construction benchmark aims to measure AI on real-world industry tasks rather than broad language tests. That direction is useful for structural AI evaluation: practical benchmarks can reveal whether systems handle domain constraints and messy source material. The launch is company-backed, so its methodology and independent validation deserve close review before wider use.

Construction benchmark brings AI into field tasks

A Shift Toward Industry-Specific AI Testing
The release of Construction’s Last Exam (CLE) reflects a broader movement away from general AI benchmarks and toward evaluations built around real workplace tasks. Developed by Togal.AI, the benchmark measures how AI systems perform on 33 real-world construction tasks, including reading technical plans, measuring spaces, and producing figures used in bidding and takeoff workflows. Rather than focusing on conversational ability, the benchmark targets the practical skills required on active projects.

Why Construction Creates Unique Challenges
Construction documents present a demanding test for AI because they combine dense visual information, symbols, scale references, and technical annotations. According to descriptions of the benchmark, models may be asked to analyze full blueprint sets and perform tasks such as identifying and measuring every balcony in a building plan. These activities mirror day-to-day work carried out by estimators, contractors, and quantity surveyors, where small mistakes can affect project costs and schedules.

Practical construction work requires more than language generation. Systems must accurately interpret complex visual documents and return verifiable measurements.

Benchmarking Real Work Instead of Abstract Skills
The construction benchmark follows a growing trend seen in other specialized AI evaluations. Similar efforts have emerged across software engineering and technical disciplines, emphasizing measurable performance on authentic tasks rather than broad reasoning tests alone. The goal is to determine whether AI can reliably operate within the constraints, documentation standards, and workflows of a specific industry. Public projects such as aec-bench likewise focus on architecture, engineering, and construction documents, using hundreds of domain-focused tasks to assess real-world capability.

Real project documents instead of synthetic examples
Task-based scoring rather than subjective impressions
Evaluation of domain knowledge and workflow accuracy
Measurement of performance against known ground truth

The Need for Independent Validation
While specialized benchmarks can provide more meaningful insight into AI readiness, their credibility depends heavily on methodology, transparency, and independent review. Reports on Construction’s Last Exam note that the benchmark was created by the same company promoting the results, making outside validation especially important before the findings are widely adopted. Even so, the benchmark highlights a valuable question for the industry: whether current AI systems can move beyond impressive language skills and consistently handle the complex, messy source material that construction projects generate every day.

معيار جديد لقطاع التشييد يقيس أداء الذكاء الاصطناعي في المهام الميدانية

يهدف معيار (Benchmark) جديد أُطلق حديثًا لقطاع التشييد والبناء إلى تقييم قدرات الذكاء الاصطناعي في تنفيذ المهام الواقعية للصناعة بدلاً من الاعتماد على اختبارات اللغة العامة. ويُعد هذا التوجه مفيدًا لتقييم أنظمة الذكاء الاصطناعي الهندسية، إذ يمكن للمعايير العملية أن تكشف مدى قدرة الأنظمة على التعامل مع القيود الفنية الخاصة بالمجال وبيانات المشاريع المعقدة وغير المنظمة. ومع ذلك، ونظرًا لأن المعيار طُوِّر بدعم من جهة تجارية، فإن منهجيته وآليات التحقق المستقلة منه تستوجب مراجعة دقيقة قبل اعتماده على نطاق واسع.

التحول نحو اختبارات ذكاء اصطناعي متخصصة للصناعة

يعكس إطلاق Construction's Last Exam (CLE) توجهًا متزايدًا للابتعاد عن معايير تقييم الذكاء الاصطناعي العامة نحو اختبارات مبنية على مهام مهنية حقيقية داخل بيئات العمل.

وقد طوّرت شركة Togal.AI هذا المعيار لقياس أداء أنظمة الذكاء الاصطناعي في 33 مهمة إنشائية واقعية، تشمل:

قراءة المخططات والرسومات الهندسية.
قياس المساحات والأبعاد.
استخراج الكميات والبيانات المستخدمة في أعمال التسعير والعطاءات (Bidding).
إعداد جداول حصر الكميات (Quantity Takeoff).

وبدلاً من التركيز على القدرات الحوارية أو اللغوية فقط، يركز هذا المعيار على المهارات العملية المطلوبة في المشاريع الإنشائية الفعلية.

لماذا يمثل قطاع التشييد تحديًا خاصًا للذكاء الاصطناعي؟

تُعد المستندات الهندسية والإنشائية اختبارًا معقدًا لأنظمة الذكاء الاصطناعي، نظرًا لاحتوائها على:

معلومات بصرية كثيفة.
رموز هندسية متخصصة.
مقاييس رسم (Scales).
مراجع أبعاد وإحداثيات.
ملاحظات وتعليقات فنية دقيقة.

ووفقًا لوصف المعيار، قد يُطلب من النظام تحليل مجموعة كاملة من المخططات التنفيذية (Blueprint Sets) وتنفيذ مهام مثل:

تحديد جميع الشرفات (Balconies) ضمن مخطط المبنى.
حساب أبعاد ومساحات كل شرفة بدقة.
استخراج النتائج في صورة قابلة للتحقق والمراجعة.

وتمثل هذه المهام جزءًا من العمل اليومي لكل من:

مهندسي التقدير (Estimators).
المقاولين.
مهندسي ومسّاحي الكميات (Quantity Surveyors).

حيث إن أي خطأ بسيط في القياسات أو الحسابات قد يؤدي إلى:

زيادة تكلفة المشروع.
أخطاء في الكميات التعاقدية.
تأخيرات زمنية في التنفيذ.

ولا تتطلب هذه الأعمال مجرد فهم النصوص، بل تستلزم قدرة النظام على:

تفسير مستندات هندسية معقدة.
فهم الرسومات والعناصر البصرية.
إنتاج قياسات دقيقة وقابلة للتحقق.
قياس الأداء في العمل الحقيقي بدلاً من المهارات المجردة

ينسجم هذا المعيار مع اتجاه متنامٍ في تقييم الذكاء الاصطناعي المتخصص، حيث بدأت العديد من المجالات التقنية، مثل هندسة البرمجيات والتخصصات الهندسية الأخرى، في تطوير اختبارات تعتمد على مهام واقعية قابلة للقياس بدلاً من اختبارات الاستدلال واللغة العامة فقط.

ويتمثل الهدف الأساسي في تحديد ما إذا كان الذكاء الاصطناعي قادرًا على العمل بموثوقية ضمن:

القيود الفنية للمجال.
متطلبات التوثيق الهندسي.
إجراءات العمل المعتمدة.
سير العمل الحقيقي داخل المشاريع.

كما ظهرت مشاريع مفتوحة مثل AEC-Bench التي تركز على وثائق:

العمارة (Architecture).
الهندسة (Engineering).
التشييد (Construction).

باستخدام مئات المهام المتخصصة لتقييم القدرات العملية الحقيقية للأنظمة.

أبرز مزايا هذا النوع من المعايير
الاعتماد على مستندات مشاريع حقيقية بدلاً من أمثلة اصطناعية.
التقييم وفق إنجاز المهام الفعلية بدلاً من الانطباعات الذاتية.
قياس مدى فهم النظام للمعرفة التخصصية وسير العمل الهندسي.
مقارنة النتائج مع بيانات مرجعية معروفة (Ground Truth) للتحقق من الدقة.
أهمية التحقق المستقل من النتائج

على الرغم من أن المعايير المتخصصة توفر مؤشرات أكثر واقعية حول جاهزية الذكاء الاصطناعي للاستخدام المهني، فإن مصداقيتها تعتمد بدرجة كبيرة على:

شفافية المنهجية.
وضوح بيانات التقييم.
إمكانية إعادة الاختبار.
المراجعة والتحقق من جهات مستقلة.

وتشير التقارير المتعلقة بمعيار Construction's Last Exam إلى أن الجهة المطورة للمعيار هي نفسها الجهة التي تروّج لنتائجه، مما يجعل التحقق المستقل ضرورة أساسية قبل اعتماد النتائج بشكل واسع داخل قطاع التشييد.

ومع ذلك، يطرح هذا المعيار سؤالًا مهمًا للصناعة:

هل تستطيع أنظمة الذكاء الاصطناعي الحالية تجاوز مهارات اللغة المبهرة والانتقال إلى التعامل الدقيق والموثوق مع الكم الهائل من الرسومات، والمستندات، والبيانات غير المنظمة التي تنتجها مشاريع التشييد يوميًا؟

وهذا السؤال سيكون حاسمًا في تحديد الدور المستقبلي للذكاء الاصطناعي في مجالات تقدير الكميات، إدارة المشاريع، مراجعة المخططات، ونمذجة معلومات البناء (BIM).

11/10/2026

شركة تبتكر نظاما لمراقبة مقاومة الخرسانة بشكل لحظي مباشرة من الموقع إليك التفاصيل:
شركة ConcreteAI تجمع 1.17 مليون دولار لتوسيع تقنية اختبار مقاومة الخرسانة في الزمن الحقيقي
تمويل جديد

حصلت شركة ConcreteAI على تمويل قدره 1.17 مليون دولار أمريكي بهدف التوسع في تطوير نظامها القائم على إنترنت الأشياء (IoT) لمراقبة مقاومة الخرسانة بشكل لحظي أثناء عملية التصلب (Curing).

الشرح: بدلاً من انتظار نتائج المختبر لعدة أيام، تهدف الشركة إلى قياس تطور مقاومة الخرسانة مباشرة في موقع المشروع باستخدام أجهزة استشعار ذكية.

النهج التقني

تعتمد الشركة على نظامين رئيسيين:

SmartHub: أجهزة استشعار مدمجة داخل الخرسانة تقيس درجات الحرارة أثناء التصلب.
SmartCure: نظام يحاكي ظروف العنصر الإنشائي الحقيقي لتجهيز عينات الفحص (المكعبات الخرسانية) في ظروف مماثلة للمنشأ الفعلي.

الشرح الهندسي: معدل تطور مقاومة الخرسانة مرتبط بدرجة الحرارة والزمن. فعندما ترتفع درجة الحرارة المناسبة أثناء التصلب، تزداد سرعة اكتساب الخرسانة للمقاومة. تستفيد ConcreteAI من هذا المبدأ لتقدير المقاومة في الوقت الحقيقي.

نظام ConcreteAI قد يحل محل أساليب اختبار الخرسانة المستخدمة منذ أكثر من 100 عام

أسس الشركة المهندسون المدنيون:

Qingyang Chang
Xin Yi Ooi
Isaac Siow

وتعمل الشركة على تقديم نظام مراقبة موقعي يمكنه أن يكمل أو يقلل الاعتماد على الاختبارات التقليدية للمكعبات الخرسانية المعالجة في المختبر.

يقوم نظام SmartHub بقياس درجات الحرارة وتقدير مقاومة الخرسانة بشكل مستمر، بينما يستخدم SmartCure للتحقق من صحة النتائج عبر عينات خرسانية تتعرض لنفس ظروف الموقع.

وقد حصلت الشركة على دعم استثماري من:

NUS GRIP
Iterative VC
Feedback Ventures
مجموعة من المستثمرين الأفراد

كما تم استخدام التقنية في أكثر من 60 مشروعاً في:

سنغافورة
أستراليا
ماليزيا
البحرين

ومن بين الجهات التي استخدمتها:

هيئة النقل البري في سنغافورة (Land Transport Authority)
مجموعة مطار شانغي (Changi Airport Group)
لماذا يمكن للمراقبة اللحظية أن تغيّر جداول التنفيذ في مشاريع البناء؟
الطريقة التقليدية

عادةً يتم:

أخذ عينات خرسانية.
صب مكعبات الاختبار.
إرسالها إلى المختبر.
انتظار نتائج مقاومة الضغط بعد أيام.

غالباً ما يؤدي ذلك إلى تأخير عمليات مثل:

فك الشدات (Formwork Removal)
تحميل البلاطات الخرسانية (Slab Loading)
الانتقال إلى المرحلة التالية من التنفيذ
طريقة ConcreteAI

يتم إرسال تقديرات المقاومة بشكل مباشر إلى:

المهندسين
المقاولين
مديري المشاريع

مما يسمح باتخاذ قرارات مبكرة وأكثر سرعة.

وتشير الشركة إلى أن بعض المشاريع حققت:

✅ تقليص مدة الدورة اليومية للعمل بنسبة تصل إلى 30%.

✅ إنهاء مشروع نفق عميق قبل الموعد المقرر بعدة أشهر.

ملاحظة هندسية مهمة

يعتمد هذا النظام على مفهوم Maturity Method المبين في المواصفة:

ASTM C1074

لكن قبل الاعتماد على النتائج للتنفيذ المبكر يجب:

معايرة النظام لكل خلطة خرسانية.
التحقق من دقة النتائج.
الحصول على الموافقات الفنية اللازمة.
الحاجة المستمرة للاختبارات التقليدية الدقيقة

على الرغم من تطور تقنيات الذكاء الاصطناعي وإنترنت الأشياء، فإن اختبار الضغط التقليدي:

ASTM C39

لا يزال المعيار الأساسي للتحقق من المقاومة الإنشائية للخرسانة.

ولهذا السبب لا تستغني ConcreteAI عن الاختبار التقليدي بالكامل، بل تجمع بين:

الاختبارات الذكية
أجهزة الاستشعار.
الذكاء الاصطناعي.
الاختبارات التقليدية
المكعبات الخرسانية.
اختبارات الضغط المعملية.

هذا النموذج الهجين (Hybrid Model) يوفر:

سرعة في الحصول على المعلومات.
دقة وموثوقية هندسية.
توافقاً مع متطلبات الجهات الرقابية والاستشارية.
ما مستقبل إنترنت الأشياء في ضبط جودة الخرسانة؟

تخطط ConcreteAI لإجراء جولة تمويل جديدة خلال عام 2027 بهدف:

تطوير المنصة.
إضافة مزايا جديدة.
التوسع إلى أسواق جديدة.

ويرى الخبراء أن نجاح هذه التقنية يعتمد على:

إثبات الدقة والموثوقية.
سهولة الدمج في المشاريع الحالية.
الامتثال للمواصفات والكودات العالمية.
إقناع المهندسين والمقاولين بجدواها الاقتصادية والفنية.
الخلاصة الهندسية

بالنسبة لمهندس مدني أو مهندس تنفيذ، فإن تقنية ConcreteAI تمثل تطوراً مهماً لأنها:

✅ تسمح بمتابعة تطور مقاومة الخرسانة لحظة بلحظة.

✅ تقلل مدة انتظار نتائج المختبر.

✅ تساعد في اتخاذ قرار فك الشدات وتحميل العناصر الإنشائية في وقت مبكر.

✅ ترفع كفاءة التخطيط الزمني للمشروع.

لكنها لا تلغي حالياً اختبارات الضغط التقليدية ASTM C39، بل تعمل معها جنباً إلى جنب لضمان السلامة الإنشائية والامتثال للمواصفات.

من وجهة نظر هندسة الخرسانة الحديثة، تعد هذه التقنية امتداداً عملياً لتطبيق طريقة النضج (Concrete Maturity Method) وربطها بإنترنت الأشياء والذكاء الاصطناعي لتحقيق إدارة ذكية لجودة الخرسانة في مواقع البناء.

10/10/2026

عندما تتعامل مع الذكاء الصناعي خذ في بالك الدراسة التالية:

التدريب المبكر قد يحافظ على معلومات عدم اليقين المفيدة
فهم المفاضلة بين الدقة والمعايرة (Calibration)

تكشف دراسة حديثة بعنوان «لا تُفقد عدم اليقين أثناء التدريب: المعايرة المرتكزة على عدم اليقين المبكر (EUA-Cal)» عن نمط متكرر في نماذج الشبكات العصبية العميقة؛ إذ غالبًا ما تُظهر نقاط الحفظ (Checkpoints) المبكرة أثناء التدريب تقديرات ثقة أكثر معايرة وموثوقية مقارنةً بالنماذج المدربة لفترات أطول.

ووجد الباحثون أن الاستمرار في التدريب أو إجراء الضبط الدقيق (Fine-Tuning) يحقق عادةً تحسينات طفيفة في دقة التنبؤ، لكنه يؤدي في المقابل إلى زيادة ملحوظة في أخطاء المعايرة (Calibration Error)، مما يجعل النموذج أكثر ميلًا إلى الثقة المفرطة (Overconfidence) في تنبؤاته.

وقد لوحظ هذا السلوك عبر عدة معماريات مختلفة للشبكات العصبية ومجالات تطبيق متنوعة، مما يشير إلى أن جودة تقدير عدم اليقين ودقة التنبؤ قد تتطوران بشكل مختلف خلال عملية التحسين والتدريب.

لماذا تُعد نقاط الحفظ المبكرة مهمة؟

يرى الباحثون أن النماذج في المراحل المبكرة من التدريب تحتفظ بدرجة قيّمة مما يمكن تسميته "الوعي بعدم اليقين" سواء في مخرجاتها التنبؤية أو في التمثيلات الداخلية للسمات (Feature Representations).

ومع استمرار عملية التدريب، يتضاءل هذا الوعي تدريجيًا، رغم استمرار تحسن الدقة المعيارية للنموذج بشكل محدود.

ومن المهم للمهندسين والباحثين التمييز بين المفهومين التاليين:

الدقة (Accuracy): تقيس مدى صحة التنبؤات مقارنة بالقيم الحقيقية.
المعايرة (Calibration): تقيس مدى توافق مستوى الثقة الذي يعلنه النموذج مع احتمالية صحة التنبؤ فعليًا.
المعايرة الجيدة: تعتبر عنصرًا حاسمًا في التطبيقات الحساسة للمخاطر والقرارات الهندسية الحرجة.

بمعنى آخر، فإن اختيار نقطة الحفظ التي تحقق أعلى دقة ليس بالضرورة أفضل خيار عندما تكون موثوقية تقديرات الثقة وعدم اليقين ذات أهمية كبيرة.

ربط التدريب اللاحق بمعلومات عدم اليقين المبكرة

لمعالجة فقدان معلومات عدم اليقين أثناء التدريب، قدمت الدراسة منهجية جديدة تسمى:

EUA-Cal (Early Uncertainty Anchored Calibration)
أي المعايرة المرتكزة على عدم اليقين في المراحل المبكرة للتدريب.

تعتمد هذه المنهجية على استخدام نقطة حفظ مبكرة كنموذج مرجعي لعدم اليقين أثناء المراحل اللاحقة من التدريب.

ووفقًا للباحثين، تجمع الطريقة بين:

تنظيم التنبؤات المبكرة (Early Prediction Regularization).
تنظيم البنية النموذجية للنماذج الأولية (Prototype Structure Regularization).

ويهدف ذلك إلى:

المحافظة على إشارات عدم اليقين المفيدة المكتسبة مبكرًا.
تقليل الميل إلى الثقة المفرطة في المخرجات النهائية.
تحسين موثوقية تقديرات الاحتمالات والثقة.

وتتمثل الفكرة الأساسية في أن عملية التدريب لا ينبغي أن تتخلص من المعلومات المتعلقة بعدم اليقين التي تتكون طبيعيًا خلال المراحل الأولى من التعلم.

الدلالات بالنسبة للتعلم الآلي الإنشائي (Structural Machine Learning)

بالنسبة لتطبيقات التعلم الآلي الإنشائي والهندسي والمجالات العلمية المشابهة، تؤكد نتائج الدراسة ضرورة:

تقييم المعايرة بشكل مستقل عن الأداء التنبئي.
عدم الاعتماد على الدقة وحدها كمؤشر لجودة النموذج.
مراقبة سلوك عدم اليقين خلال مراحل التدريب المختلفة.
اختيار نقاط الحفظ (Checkpoints) بناءً على جودة المعايرة إلى جانب الدقة.

فقد يحقق نموذج ما دقة أعلى بنسبة طفيفة، لكنه يقدم تقديرات ثقة أقل موثوقية نتيجة تشوه سلوك عدم اليقين أثناء التدريب المطول.

وأظهرت الدراسة، من خلال تجارب شملت:

تصنيف الصور (Image Classification).
الإجابة عن أسئلة الاختيار من متعدد (Multiple-Choice Question Answering).
ثمانية نماذج مختلفة ومتنوعة.

أن منهجية EUA-Cal تفوقت على أساليب المعايرة التقليدية الموجودة حاليًا.

الخلاصة الهندسية

في التطبيقات الهندسية والإنشائية عالية الحساسية للمخاطر، مثل:

التنبؤ بسلوك المنشآت.
اكتشاف الأضرار والتشققات.
تقييم السلامة الإنشائية.
أنظمة المراقبة الصحية للمنشآت (SHM).

ينبغي ألا يكون المعيار الوحيد هو أعلى دقة تنبؤية، بل يجب إعطاء أهمية مماثلة لـ:

جودة المعايرة (Calibration Quality).
موثوقية الثقة (Confidence Reliability).
الحفاظ على معلومات عدم اليقين (Uncertainty Preservation).
اختيار نقطة الحفظ المثلى أثناء التدريب.

فالنموذج الذي "يعرف متى يكون غير متأكد" قد يكون أكثر قيمة هندسية وأمانًا من نموذج يحقق دقة أعلى بقليل لكنه يُظهر ثقة مفرطة في قراراته.

07/10/2026

الميكانيكا القابلة للاشتقاق تجعل التدرجات الهيكلية قابلة للاستخدام مباشرة

يوفر التحليل الإنشائي القابل للاشتقاق (Differentiable Structural Analysis) مسارًا مختلفًا عن النماذج البديلة المتعلمة (Learned Surrogate Models)، حيث يتم حساب التدرجات (Gradients) المفيدة مباشرةً من خلال محلل الميكانيكا نفسه. وقد امتدت الأبحاث الحديثة لتطبيق هذا المفهوم على مسائل القيم الذاتية (Eigenvalue Problems)، بما في ذلك تحليل الاهتزاز الحر (Free Vibration Analysis) وتحليل الانبعاج الخطي (Linearized Buckling Analysis).

بالنسبة لاهتماماتك في الذكاء الاصطناعي الإنشائي، يبقى السؤال الجوهري هو: هل يمكن لهذه التدرجات أن تدعم عمليات التحسين بكفاءة عالية دون المساس بدقة النموذج الهندسي الحاكم؟

الاشتقاق من الفيزياء نفسها بدلاً من الالتفاف حولها

تكمن الفكرة الأساسية في الميكانيكا القابلة للاشتقاق في أن عمليات التحسين يمكن أن تعتمد على تدرجات يتم حسابها مباشرةً من المعادلات الحاكمة للسلوك الإنشائي، بدلاً من تدريب نماذج تقريبية بديلة (Surrogate Models).

تستخدم أطر العناصر المحددة القابلة للاشتقاق (Differentiable Finite Element Frameworks) تقنيات الاشتقاق التلقائي (Automatic Differentiation) لنقل وتحليل الحساسيات خلال خطوات الحل الإنشائي، مما يتيح حسابًا دقيقًا للتدرجات المطلوبة في التصميم والتحسين.

وتُظهر مشاريع مثل JaxSSO كيف يمكن للاشتقاق التلقائي أن يدعم:

تحليل الحساسية (Sensitivity Analysis).
التحسين المعتمد على التدرجات (Gradient-Based Optimization).
التكامل مع تقنيات التعلم الآلي (Machine Learning).

وذلك مع الحفاظ على النموذج الفيزيائي والميكانيكي الحقيقي بدلاً من استبداله بنموذج تقريبي.

لماذا تُعد مسائل القيم الذاتية مهمة؟

يتم التعبير عن العديد من الأهداف الإنشائية المهمة من خلال مسائل القيم الذاتية (Eigenvalue Problems).

فعلى سبيل المثال:

الترددات الطبيعية في تحليل الاهتزاز الحر تعتمد على القيم الذاتية لمصفوفات النظام.
الأحمال الحرجة للانبعاج تعتمد كذلك على القيم الذاتية المرتبطة بمصفوفات الصلابة.

وتشير الدراسات المتعلقة بتحليل الحساسية إلى أن عمليات التصميم الأمثل تتطلب تدرجات دقيقة لهذه القيم الذاتية، لأن المهندس قد يسعى إلى:

زيادة مقاومة المنشأ للانبعاج.
تحسين الخصائص الديناميكية والتحكم في الاهتزازات.
رفع الترددات الطبيعية بعيدًا عن ترددات التحفيز الخارجية.

وبالمقارنة مع طرق الفروقات المحددة العددية (Finite Difference Methods)، فإن الأساليب التحليلية والقابلة للاشتقاق توفر:

دقة أعلى في حساب المشتقات.
استقرارًا عدديًا أفضل.
كفاءة حسابية أكبر.
توسيع مفهوم القابلية للاشتقاق ليشمل الانبعاج والاهتزاز

تُظهر التطورات الحديثة أن الأساليب القابلة للاشتقاق يمكن تطبيقها مباشرة على محللات القيم الذاتية المستخدمة في التحليل الإنشائي.

في تحليل الانبعاج الخطي (Linear Buckling Analysis) يمكن حساب التدرجات بالنسبة إلى:

مصفوفة الصلابة الإنشائية (Stiffness Matrix).
مصفوفة الصلابة الهندسية (Geometric Stiffness Matrix).

وذلك أثناء حل مسألة القيم الذاتية المعممة (Generalized Eigenvalue Problem) التي تحدد معامل حمل الانبعاج الحرج (Critical Buckling Load Factor).

ولهذا السبب أصبحت صياغات الانبعاج القابلة للاشتقاق مكوّنًا أساسيًا في:

التصميم المقيد بالانبعاج (Buckling-Constrained Design).
التحسين الطوبولوجي (Topology Optimization).
تصميم الهياكل خفيفة الوزن عالية الكفاءة.

كما أظهرت الأبحاث الموازية في تحليل حساسية الاهتزاز والانبعاج أن الاشتقاق التحليلي قادر على إنتاج مشتقات دقيقة لكلا النوعين من مسائل القيم الذاتية، مما يجعلها عملية وفعالة ضمن بيئات التحسين الهندسي.

الآثار المترتبة على الذكاء الاصطناعي الإنشائي

تكمن أهمية هذه التقنية بالنسبة للذكاء الاصطناعي الإنشائي ليس فقط في تسريع عمليات التنبؤ، وإنما في تحقيق تكامل أعمق بين التعلم الآلي والفيزياء الهندسية.

فالميكانيكا القابلة للاشتقاق تتيح للأنظمة الذكية، مثل:

الشبكات العصبية (Neural Networks).
الخوارزميات التطورية.
أنظمة الذكاء الاصطناعي الهجينة (Hybrid AI Systems).

الوصول المباشر إلى تدرجات ذات معنى فيزيائي يتم توليدها بواسطة النموذج الإنشائي نفسه.

وبدلاً من استبدال الميكانيكا الهندسية بنموذج متعلم تقريبي، فإن هذا النهج:

يحافظ على المعادلات الحاكمة للسلوك الإنشائي.
يضمن الموثوقية الهندسية للنموذج.
يوفر الحساسيات اللازمة لإجراء التحسين بكفاءة عالية.
يسرّع البحث عن الحلول التصميمية المثلى.

وبذلك يعالج هذا التوجه أحد أهم التحديات في الذكاء الاصطناعي الهندسي: تحقيق كفاءة عالية في التحسين والتصميم مع الحفاظ الكامل على دقة وموثوقية النموذج الفيزيائي والهندسي.