Optimierung von Machine-Learning-Modellen mit Optuna zur genauen Vorhersage von Festigkeit und Rissverhalten in vorgespannten Betonträgern

Warum die Vorhersage von Rissen in Beton wichtig ist

Brücken und große Gebäude stützen sich auf lange Betonträger, die über Jahrzehnte schwere Verkehrsbelastung und Witterung still aushalten. Viele dieser Träger sind vorgespannt — Stahlseile werden im Beton vorgespannt, damit er Rissbildung und Durchbiegung widersteht. Wenn diese Träger an Festigkeit verlieren oder unerwartet Risse zeigen, können die Folgen schwerwiegend sein: teure Reparaturen, Sperrungen oder sogar Unfälle. Vollmaßprüfungen im Labor sind jedoch teuer und zeitaufwändig. Diese Studie untersucht, wie moderne Machine-Learning-Methoden, sorgfältig abgestimmt mit einem Optimierungswerkzeug namens Optuna, die Festigkeit dieser Träger und das Rissverhalten vorhersagen können, indem vorhandene Prüfdaten statt neuer Großversuche genutzt werden.

Aus verstreuten Prüfergebnissen wird eine reichhaltige Datenressource

Die Forschenden sammelten zunächst eine große Zusammenstellung von Prüfergebnissen zu vorgespannten Betonträgern aus 22 veröffentlichten Studien und kamen so auf 626 Datensätze von Trägern. Jeder Träger wurde durch 21 messbare Merkmale beschrieben, etwa Breite und Höhe, Menge und Lage der Bewehrung sowie Details der Vorspannkabel. Zu den Zielgrößen gehörten der Moment, bei dem der erste ernsthafte Riss auftritt (Rissmoment), die Last, die der Träger bis zum Versagen tragen kann (Ultimatmoment), der mittlere Abstand zwischen Rissen und die maximale Rissbreite. Die Autoren bereinigten und standardisierten diese heterogenen Daten sorgfältig, sodass Unterschiede in Einheiten und Prüfumgebungen die Modelle nicht in die Irre führen, und legten einen Teil der Daten für eine faire, unabhängige Testung beiseite.

Computern beibringen, Warnsignale des Versagens zu lesen

Anstatt sich auf traditionelle Formeln zu stützen, die mit den unordentlichen Realitäten realer Bauwerke oft Schwierigkeiten haben, trainierte das Team vier verbreitete Machine-Learning-Modelle, um Muster direkt aus den Daten zu lernen: Entscheidungsbäume, Random Forests, XGBoost und LightGBM. Diese Modelle arbeiten alle, indem sie aus den Eingangsmerkmalen viele Entscheidungsregeln aufbauen, um das Verhalten eines Trägers vorherzusagen. Ihre Leistungsfähigkeit hängt jedoch stark von der Abstimmung sogenannter Hyperparameter ab — etwa wie tief die Entscheidungsbäume wachsen dürfen, wie viele Bäume verwendet werden und wie schnell das Modell lernt. Schlecht gewählte Einstellungen können zu langsamen, ungenauen oder überangepassten Modellen führen, die bei neuen Trägern versagen.

Optuna die Suche nach den besten Einstellungen überlassen

Um diese Abstimmungsaufgabe zu meistern, setzten die Forschenden Optuna ein, ein modernes Optimierungsframework, das vielversprechende Kombinationen von Hyperparametern automatisch erkundet, statt sie manuell auszuprobieren. Für jede Kandidatenkonfiguration trainierte Optuna ein Modell, prüfte, wie gut es die Trägerleistung vorhersagte, und nutzte dieses Feedback, um bessere Einstellungen vorzuschlagen. Das Team untersuchte außerdem Lernkurven, um eine geeignete Anzahl an Trainingsrunden zu wählen und so Modelle zu vermeiden, die zu früh stoppen oder übertrainieren. Dieser Prozess ergab einen klaren Sieger: das mit Optuna abgestimmte LightGBM-Modell sagte die Trägerfestigkeit mit einem R² von über 0,98 und die Rissresistenz mit einem R² von über 0,8 voraus, womit seine Vorhersagen sehr eng an den Prüfdaten lagen.

Die „Black Box" des Machine Learning öffnen

Hohe Genauigkeit allein genügt Ingenieuren nicht; sie müssen verstehen, warum ein Modell bestimmte Vorhersagen trifft, bevor sie ihm in Planung oder Sicherheitsprüfungen vertrauen. Um diese Transparenz zu erhöhen, verwendeten die Autorinnen und Autoren SHAP, eine Methode, die jede Vorhersage in Beiträge einzelner Eingangsmerkmale aufschlüsselt. SHAP zeigte beispielsweise, dass die Tiefe der Druckzone des Trägers, die Menge an vorgespanntem Stahl und die Betonfestigkeit stark beeinflussen, wann Risse entstehen und wie breit sie werden — Einsichten, die mit grundlegender Baustatik übereinstimmen. Effektiv entspricht das Machine-Learning-Modell nicht nur dem menschlichen Verständnis, sondern quantifiziert auch die relative Wirkung verschiedener Konstruktionsentscheidungen.

Was das für reale Bauwerke bedeutet

Für Nichtfachleute lautet die Kernbotschaft: Sorgfältig abgestimmtes Machine Learning kann verstreute Prüfergebnisse in ein praktisches Werkzeug verwandeln, um den Zustand und die Sicherheit vorgespannten Betonträgers zu bewerten. Die mit Optuna optimierten LightGBM- und XGBoost-Modelle können Ingenieure dabei unterstützen, abzuschätzen, wann Träger Risse entwickeln und welche Last sie sicher tragen können, ohne so viele großmaßstäbliche Proben bauen und zerstören zu müssen. Da die Modelle sowohl genau als auch erklärbar sind, können sie fundiertere Konstruktionsentscheidungen leiten — etwa wie viel Stahl einzusetzen ist und wo — und so die Lebensdauer von Brücken und Gebäuden verlängern sowie Zeit, Kosten und Material einsparen.

Zitation: Wen, Y., Guo, R., Duan, Z. et al. Machine learning model optimization with optuna for accurate prediction of strength and crack behavior in prestressed concrete beams. Sci Rep 16, 5822 (2026). https://doi.org/10.1038/s41598-026-36692-y

Schlüsselwörter: vorgespannte Betonträger, Rissvorhersage, Machine Learning, Hyperparameter-Optimierung, Baustatik