Vorhersage der Druckfestigkeit von Beton mittels optimiertem Deep Learning und großen Sprachmodellen

Warum das für sicherere, umweltfreundlichere Gebäude wichtig ist

Beton trägt unsere Häuser, Brücken und Tunnel – die Festigkeitsprüfung bedeutet jedoch meist Wochen des Wartens auf Laborergebnisse. Diese Studie untersucht, wie fortgeschrittene künstliche Intelligenz die Betonfestigkeit allein aus der Rezeptur schnell und präzise vorhersagen kann. Schnellere und verlässlichere Prognosen könnten Ingenieuren helfen, sicherere Strukturen zu entwerfen, vermeidbare Versuch‑und‑Irrtum‑Prozesse im Labor zu reduzieren und die Nutzung kohlenstoffärmerer Zutaten wie Industrie‑Nebenprodukte zu erleichtern.

Von unordentlichen Labordaten zu sauberen digitalen Zutaten

Die Forschenden beginnen mit einem großen öffentlichen Datensatz von Betonmischungen. Jeder Eintrag listet Mengen von Zement, Hüttensand (Slag), Flugasche, Wasser, chemischen Zusatzstoffen, Sand, Kies und Aushärtezeit sowie die letztlich gemessene Festigkeit auf. Solche Real‑World‑Daten sind oft inkonsistent: Messwerte fehlen, Einheiten unterscheiden sich und seltsame Ausreißer schleichen sich ein. Um dem zu begegnen, setzen die Autoren große Sprachmodelle ein – allgemeine KI‑Systeme, die sonst für Text genutzt werden –, um die Daten zu bereinigen und neu zu strukturieren. Diese Modelle unterstützen Aufgaben wie Bereichsprüfungen, Vereinheitlichung von Bezeichnungen und Einheiten, Erzeugung sinnvoller abgeleiteter Größen wie Wasser‑zu‑Bindemittel‑Verhältnis und das Handhaben von Ausreißern. Ziel ist es, eine rauschbehaftete Tabelle in eine kohärente, physikbewusste Beschreibung jeder Mischung zu verwandeln, die Lernalgorithmen verarbeiten können.

Einem Netzwerk beibringen, Mischung und Zeit zugleich zu sehen

Die Betonfestigkeit hängt nicht nur von den Zutaten im Mischer ab; sie hängt auch davon, wie die Festigkeit über Tage und Wochen beim Aushärten zunimmt. Viele frühere Vorhersagewerkzeuge konzentrierten sich entweder auf die Zutaten oder auf Zeitverläufe, selten auf beides. Diese Arbeit nutzt ein spatio‑temporales Graph‑Convolutional‑Network, einen Modultyp, der jede Zutat (z. B. Zement, Wasser, Hüttensand oder Zusatzstoffe) als Knoten in einem Netzwerk behandelt, mit Verbindungen, die ihre Wechselwirkungen widerspiegeln. Gleichzeitig betrachtet das Modell die Zeitachse, um zu lernen, wie diese Kombinationen mit dem Alter an Festigkeit gewinnen. Effektiv lernt das Modell Muster wie „viel Zement plus wenig Wasser führt typischerweise zu schnellerer, höherer Festigkeit“, fängt aber auch subtilere Rollen von Hüttensand, Asche und chemischen Agenzien in verschiedenen Aushärtephasen ein.

Einen „menschenähnlichen“ Optimierer die KI feinjustieren lassen

Selbst leistungsstarke neuronale Netze können schlecht abschneiden, wenn ihre internen Einstellungen – etwa Lernrate, Anzahl der Schichten oder Filtergrößen – ungünstig gewählt sind. Anstatt diese händisch zu justieren, verwenden die Autoren eine neue Optimierungsmethode namens iHow Optimization Algorithm. Inspiriert davon, wie Menschen lernen, wechselt sie zwischen breit angelegter Erkundung vieler möglicher Entwürfe und fokussierter Verfeinerung der vielversprechendsten, während sie eine Art internes Gedächtnis darüber führt, was bisher gut funktionierte. Dieser Optimierer durchsucht den Raum der Netzwerkarchitekturen und Trainingsparameter für das graphbasierte Modell mit dem Ziel, Vorhersagefehler zu minimieren und Overfitting zu vermeiden. Dieselbe Familie von Optimierungsansätzen wird auch für die Merkmalsauswahl eingesetzt, um die Eingabeliste auf die informativsten Größen zu kürzen und das Modell kompakt sowie interpretierbar zu halten.

Wie gut funktioniert es im Vergleich zu anderen KI‑Werkzeugen?

Das Team führt umfangreiche Vergleiche gegen eine breite Palette von Alternativen durch: Standard‑Deep‑Netze, vision‑artige Transformer, variationale Autoencoder, physik‑informierte Netze und mehrere metaheuristische Optimierer wie Particle Swarm und genetische Algorithmen. Sie testen außerdem vier unterschiedliche Preprocessing‑Pipelines, die von verschiedenen Sprachmodellen gesteuert werden, und zeigen, dass bessere Bereinigung und Merkmalserzeugung die Genauigkeit deutlich verbessern. Über alle Tests hinweg liefert die Kombination aus iHow‑Optimierung und dem spatio‑temporalen Graph‑Netz die niedrigsten Vorhersagefehler und die höchste Übereinstimmung mit den gemessenen Festigkeiten. Statistische Prüfungen, einschließlich Varianzanalyse und nichtparametrischer Rangtests, bestätigen, dass diese Verbesserungen wahrscheinlich nicht zufällig sind.

Was das für die künftige Baupraxis bedeutet

Kurz gesagt zeigt die Studie, dass ein sorgfältig abgestimmtes, graphbasiertes KI‑Modell, gespeist mit gut bereinigten Daten, die Betonfestigkeit deutlich zuverlässiger vorhersagen kann als frühere Ansätze. Es erfasst, wie Zutaten und Aushärtezeit miteinander interagieren, und nutzt einen „Lernen‑zu‑lernen“‑Optimierer zur Feinabstimmung. Die Autoren betonen zwar, dass die Methode noch an vielfältigeren, realweltlichen Datensätzen getestet werden muss, bevor sie in Bauvorschriften oder Anlagensteuerungen eingebettet wird, doch sie weist bereits auf eine Zukunft hin, in der Ingenieure umweltfreundlichere Mischungen am Computer erkunden können – mit der Gewissheit, dass die prognostizierten Festigkeiten eng mit späteren Labor‑ oder Baustellenmessungen übereinstimmen werden.

Zitation: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Schlüsselwörter: Vorhersage der Betonfestigkeit, Deep Learning im Bauwesen, Graphneuronale Netze, Optimierungsalgorithmen, nachhaltige Betonmaterialien