Ensemble-Learning-basierte Vorhersage der Backbone-Kurve für korrodierte Stahlbetonstützen unter Verwendung einer experimentellen Datenbank

Warum alternde Betonstützen wichtig sind

Viele Brücken und Gebäude, auf die wir täglich angewiesen sind, ruhen auf Stahlbetonstützen, deren Bewehrung im Laufe der Jahrzehnte stillschweigend rostet. Auftausalz, Meeresgischt und verschmutzte Luft können den im Inneren verborgenen Stahl langsam angreifen und diese Stützen schwächen – gerade dann, wenn sie Erdbeben standhalten müssen. Diese Arbeit stellt einen neuen Ansatz vor, große Mengen an Prüfdaten mit modernen Methoden des maschinellen Lernens zu nutzen, um vorherzusagen, wie solche geschädigten Stützen bei starken Erschütterungen reagieren werden. Das hilft Ingenieuren zu entscheiden, wann Reparaturen, Verstärkungen oder Ersetzungen nötig sind.

Wie Rost die Tragfähigkeit verändert

Wenn der Stahl in einer Betonstütze korrodiert, nimmt der Rost mehr Volumen ein als das ursprüngliche Metall. Diese Volumenzunahme rissigt den umgebenden Beton, zunächst als feine innere Linien und später als sichtbares Abplatzen und Ablösen. Gleichzeitig verlieren die Bewehrungsstäbe Querschnitt, Festigkeit und Duktilität, und ihr Verbund mit dem Beton schwächt sich. Unter erdbebenähnlicher Hin‑ und Herbelastung durchlaufen intakte Stützen breite, abgerundete Schleifen in einer Kraft‑Verschiebungs‑Darstellung, was auf starke Energieaufnahme hinweist. Korrodierte Stützen dagegen zeigen schmalere, eingezwängte Schleifen und verlieren nach dem ersten Fließen schneller an Tragfähigkeit, was auf ein vermehrt sprödes, weniger nachsichtiges Verhalten hindeutet und die Strukturen anfälliger für Einsturz macht.

Von verstreuten Tests zu einem einheitlichen Gesamtbild

Forschende weltweit haben einzelne korrodierte Stützen in verschiedenen Laboren untersucht und dabei eine breite Vielfalt an Abmessungen, Bewehrungsanordnungen, Materialien, Korrosionsgraden und Belastungsbedingungen verwendet. Diese Studie fasst 200 derartige Prüfkörper in einer einzigen experimentellen Datenbank zusammen, die realistische Bereiche von Stützengeometrie, Stahl‑ und Betonfestigkeit, Normalkraft und gemessener Korrosion sowohl der Längsbewehrung als auch der Bügel abdeckt. Anstatt das Verhalten jeder Stütze auf einige wenige ideale Punkte zu reduzieren, extrahieren die Autorinnen und Autoren die vollständige Backbone‑Kurve – die glatte Hüllkurve, die zeigt, wie der Querkraftwiderstand zunimmt, seinen Gipfel erreicht und dann abnimmt, während die Stütze ausschwingt. Diese gemessenen Kurven dienen als Zielgrößen für datengesteuerte Modelle, die direkt aus den Experimenten lernen, statt aus vorab gewählten Formeln.

Maschinen das Lesen von Schäden beibringen

Das Team trainiert mehrere Ensemble‑Learning‑Methoden – Familien vieler kleiner Entscheidungsbäume, die gemeinsam abstimmen –, um Schlüsselpunkte entlang der Backbone jeder Stütze vorherzusagen: die Festigkeit beim ersten Fließen, die Spitzentragfähigkeit und die verbleibende Tragfähigkeit nach schweren Schäden. Indem ein Teil der Datenbank zum Training und der restliche Teil für Tests zurückgehalten wird, optimieren sie die Modelle mittels Bayesscher Suche, sodass allgemeine Muster erfasst werden, ohne einzelne Prüfkörper auswendig zu lernen. Unter allen getesteten Ansätzen erweist sich ein Extreme‑Gradient‑Boosting‑Modell als am zuverlässigsten: Es erreicht hohe Genauigkeit für Fließ-, Spitzen‑ und Residualzustände und reproduziert vor allem die steile Nachpeak‑Weichung, die einfachere, idealisierte Modelle häufig übersehen oder unterschätzen.

Erkennen, welche Details am wichtigsten sind

Um über eine Black‑Box‑Vorhersage hinauszugehen, wenden die Autorinnen und Autoren eine aus der Spieltheorie entlehnte Technik namens SHAP an, um zu messen, wie stark jeder Eingangsparameter die vorhergesagte Festigkeit nach oben oder unten verschiebt. Sie stellen fest, dass Grundform und Proportionen – wie die Schubspannweite und die Gesamttiefe der Stütze – zusammen mit der verminderten Festigkeit der Bewehrung beim ersten Fließen und bei der Spitzenfestigkeit am wichtigsten sind. Mit fortschreitender Schädigung werden Merkmale, die mit Einschluss (Confinement) und Versagensmechanismus zusammenhängen, relevanter; dies spiegelt wider, wie Rissbildung, Betonzerkleinerung und Bewehrungsknicken einfache geometrische Effekte verdrängen. Solche Einsichten ermöglichen es Ingenieurinnen und Ingenieuren zu erkennen, ob die Schwäche einer Stütze hauptsächlich von hoher Normalkraft, schlechter Ausführung oder starker Korrosion herrührt, und so gezieltere Nachrüstungen zu planen.

Was das für die alltägliche Sicherheit bedeutet

Praktisch zeigt die Studie, dass ein sorgfältig trainiertes, transparentes Modell des maschinellen Lernens zuverlässig den gesamten Kraft‑Drift‑Verlauf einer korrodierten Betonstütze aus messbaren Eigenschaften und Korrosionsindikatoren rekonstruieren kann. Im Vergleich zu älteren, idealisierten Backbone‑Formeln erfasst der neue Ansatz besser, wie schnell die Tragfähigkeit nach dem Gipfel abnimmt, insbesondere bei stark korrodierten Fällen, in denen die Restkapazität häufig überschätzt wurde. Das gibt Eigentümern von Brücken und Gebäuden ein präziseres Bild davon, wie viel seismischer Reserven in alternden Stützen noch vorhanden sind, und hilft, Reparaturen vor dem nächsten großen Erdbeben zu priorisieren – indem verstreute Labortests zu einem leistungsfähigen Werkzeug für Entscheidungen in der Praxis werden.

Zitation: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

Schlüsselwörter: Korrosion von Stahlbeton, seismische Leistungsfähigkeit, maschinelles Lernen im Bauingenieurwesen, Vorhersage der Backbone-Kurve, alternde Infrastruktur