Scherfestigkeit von Leichtbetonbauteilen: Modell basierend auf tiefem neuronalen Netzwerk und COVID-19-Optimierung

Warum leichter Beton und intelligente Mathematik wichtig sind

Gebäude und Brücken werden höher, länger und effizienter, und Ingenieure suchen nach Materialien, die gleichzeitig leicht und tragfähig sind. Leichtbeton reduziert das Gewicht von Bauwerken und verbessert die Dämmung, aber vorherzusagen, wie er bei bestimmten Belastungen rissig wird und versagt, ist anspruchsvoll. Diese Studie zeigt, wie eine moderne Form der künstlichen Intelligenz, kombiniert mit einem von der Ausbreitung von COVID-19 inspirierten Algorithmus, eine Schlüssigenschaft von Leichtbeton genauer vorhersagen kann als derzeitige Bemessungsregeln — mit dem Potenzial für sicherere und effizientere Bauwerke.

Die Herausforderung, Beton vor Abscheren zu bewahren

Wenn ein Betonträger in einem Gebäude oder einer Brücke Lasten trägt, kann er auf verschiedene Weisen versagen. Eine der plötzlichsten und schwer vorhersehbaren Versagensarten ist das Abscheren (Shear), bei dem diagonale Risse entstehen und den Träger durchtrennen. Konventionelle Bemessungsformeln in führenden Bauvorschriften sind bewusst konservativ, weichen aber oft voneinander ab und können das Verhalten realer Träger falsch einschätzen. Mit Leichtbeton wird das Problem noch komplizierter: Sein geringeres Gewicht und andere Zuschläge beeinflussen die Rissbildung und die Kraftweiterleitung, wodurch interne Mechanismen, die normalerweise dem Scherwiderstand dienen, geschwächt werden.

Wie ein Deep-Learning-Modell strukturelles Verhalten liest

Um dem zu begegnen, entwickelten die Autorinnen und Autoren ein tiefes neuronales Netzwerk, eine Art KI-Modell aus vielen Schichten einfacher Verarbeitungseinheiten, das Muster in Daten erkennt. Sie trainierten dieses Netzwerk mit experimentellen Ergebnissen aus Versuchen an Leichtbetonträgern und fütterten es mit geometrischen Details, Materialfestigkeiten, Bewehrungseigenschaften und der Art der Lastaufbringung. Anstatt die internen Anfangsparameter zufällig zu wählen, stimmten sie diese mithilfe einer speziellen Suchstrategie ab, die als COVID-19-Optimierungsalgorithmus bezeichnet wird und Ideen aus der Ausbreitung, dem Abklingen oder der Eindämmung einer Infektion übernimmt. Dieser intelligentere Startpunkt hilft dem Netzwerk, schneller zu lernen und nicht in suboptimalen Lösungen stecken zu bleiben.

Test gegen reale Träger und Bemessungsregeln

Die Forschenden prüften ihr Modell, indem sie seine Vorhersagen mit Labormessungen und mit drei weit verbreiteten Bemessungscodes aus den USA, Europa und Japan verglichen. Sie legten besonderes Augenmerk auf Datenbereiche, in denen das Verhalten hochgradig nichtlinear ist — also Bereiche, in denen kleine Änderungen der Eingaben zu großen und unregelmäßigen Sprüngen in der Scherfestigkeit führen können. Gerade in diesen anspruchsvollen Zonen folgte das tiefe Netzwerk den Versuchsergebnissen deutlich genauer als die Code-Gleichungen, die tendenziell abdrifteten. Über den gesamten Datensatz gemessen ergab das neue Modell den niedrigsten mittleren Fehler und die engste Übereinstimmung zwischen vorhergesagten und beobachteten Festigkeiten, wobei es gleichzeitig in wiederholten Kreuzvalidierungen robust gegenüber Überanpassung blieb.

Was das Modell über entscheidende Zutaten verrät

Über die reine Zahlenvorhersage hinaus nutzten die Autorinnen und Autoren ihr trainiertes Netzwerk, um zu untersuchen, welche Träger- und Materialeigenschaften am wichtigsten sind. Die Analyse hob die effektive Einbindetiefe des Trägers, die Druckfestigkeit des Betons, seine Rohdichte und die Trägerbreite als die stärksten Einflussfaktoren auf die Schertragfähigkeit von Leichtbeton hervor. Demgegenüber zeigten einige Faktoren, die oft als wichtig angenommen werden — etwa die Korngröße des Zuschlags und der Anteil der Biegebewehrung — in diesem Datensatz überraschend geringen Einfluss, was Fragen für Folgeexperimente aufwirft und nahelegt, dass Planer bei der Verfeinerung von Regeln für Leichtmischungen möglicherweise einen engeren Parameterfokus wählen sollten.

Was das für künftige Bauwerke bedeutet

Für Nicht‑Fachleute lautet die zentrale Erkenntnis, dass ein sorgfältig trainiertes Deep‑Learning‑Modell wie ein kompetenter Übersetzer zwischen Laborversuchen und alltäglicher Konstruktionspraxis fungieren kann. In dieser Studie schätzte das COVID-19‑optimierte Netzwerk besser ein, wie Leichtbetonträger Scherkräfte widerstehen, insbesondere in schwierigen Fällen mit weit von einfachen Verhaltensmustern abweichender Reaktion. Zwar werden Ingenieure weiterhin auf Codes für die Zulassung angewiesen sein, doch können Werkzeuge wie dieses Modell helfen, übermäßig konservative oder potenziell unsichere Entwürfe zu identifizieren und den Weg zu leichteren, effizienteren Bauweisen zu ebnen, die Materialien klüger nutzen.

Zitation: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

Schlüsselwörter: Leichtbeton, Scherfestigkeit, tiefes neuronales Netzwerk, Tragwerksplanung, Optimierungsalgorithmus