Entwicklung einer benutzerdefinierten Verlustfunktion zur Regulierung von Unter- und Überschätzungen bei Vorhersagen mechanischer Eigenschaften von Beton in neuronalen Netzmodellen

Warum sicherere Betonprognosen wichtig sind

Die meisten modernen Gebäude und Brücken basieren auf Beton, und Ingenieure nutzen zunehmend künstliche Intelligenz, um dessen Festigkeit vorherzusagen. Während Standard‑Neuronale‑Netze jedoch darauf abzielen, in alle Richtungen gleich genau zu sein, sind reale Konstruktionen sicherer, wenn Vorhersagen eher vorsichtig als zu optimistisch sind. Diese Studie stellt eine neue Trainingsmethode vor, mit der neuronale Netze seltener die Betonfestigkeit überschätzen, sodass Ingenieure eine komfortable Sicherheitsreserve behalten können, ohne auf die Leistungsfähigkeit der KI verzichten zu müssen.

Balance zwischen Sicherheit und intelligenten Algorithmen

In der Praxis des Bauwesens sind Bemessungsregeln konservativ formuliert, damit Bauwerke auch bei Materialschwankungen oder fehlerhafter Ausführung sicher bleiben. Eine Unterschätzung der Betonfestigkeit führt in der Regel zu zusätzlicher Sicherheit, während eine Überschätzung schleichend an Sicherheitsreserven nagt. Traditionelle Trainingsverfahren für neuronale Netze unterscheiden nicht zwischen diesen beiden Ergebnissen; sie versuchen lediglich, die Gesamtfehlergröße zu minimieren. Die Autoren argumentieren, dass dies dem Ingenieursdenken über Risiko widerspricht, und setzen an, diese Präferenz für Sicherheit direkt in den Lernprozess zu integrieren.

Eine Verlustfunktion, die Vorsicht bevorzugt

Der Kern der Studie ist eine benutzerdefinierte Verlustfunktion, eine Regel, die einem neuronalen Netz während des Trainings sagt, wie gravierend jeder Fehler ist. Anstatt alle Fehler gleich zu behandeln, bestraft die vorgeschlagene Formel stärker, wenn das Modell eine höhere Festigkeit vorhersagt als tatsächlich vorhanden, und weniger stark, wenn es niedriger liegt. Ein Paar Steuerzahlen regelt dieses Ungleichgewicht und erlaubt es, das Modell in Richtung sicherer Unterschätzungen zu justieren. Der Verlust wird außerdem normalisiert, sodass er konsistent über unterschiedliche Datensätze und Skalen funktioniert, und in eine standardmäßige neuronale‑Netz‑Umgebung mit gängigen Tools wie TensorFlow oder PyTorch integriert.

Erprobung der Idee an gummifiziertem Beton

Um zu prüfen, wie sich diese vorsichtige Trainingsregel in der Praxis verhält, konzentrieren sich die Autoren auf gummifizierten Beton, ein Material, bei dem ein Teil des Zuschlags durch Abfallgummi ersetzt wird. Anhand eines experimentellen Datensatzes trainieren sie mehrere neuronale Netze mit gleicher Architektur, aber unterschiedlichen Verlustfunktionen, darunter gebräuchliche Varianten wie mittlere quadratische Abweichung und mittlere absolute Abweichung. Anschließend vergleichen sie, wie gut jedes Modell zwei wesentliche mechanische Eigenschaften vorhersagt: Druckfestigkeit, die angibt, wie viel Last der Beton tragen kann, und Elastizitätsmodul, das beschreibt, wie steif er unter Last ist.

Wie konservatives Lernen Vorhersagen verändert

Die mit der angepassten Verlustfunktion trainierten Modelle erreichen nahezu die gleiche Gesamtgenauigkeit wie solche mit herkömmlichen Verlusten, mit Fehlern von etwa sechs Prozent in den meisten Fällen. Der entscheidende Unterschied liegt in der Häufigkeit von Überschätzungen der tatsächlichen Festigkeit. Bei Standardverlustfunktionen liegen in einigen Tests zwischen einem Viertel und fast allen Vorhersagen über dem tatsächlichen Wert. Wenn die benutzerdefinierte Verlustfunktion richtig abgestimmt ist, sinkt dieser Anteil drastisch — auf rund ein Prozent bei der Druckfestigkeit und unter zehn Prozent bei der Steifigkeit — während die Daten weiterhin sehr gut angepasst werden. Diagramme von vorhergesagten gegen gemessene Werte zeigen, dass die Punkte des neuen Modells knapp unter der idealen Gleichheitslinie gruppiert sind, was eine gezielte, leichte Tendenz zur Unterschätzung widerspiegelt.

Was das für reale Bauwerke bedeutet

Allein ein vorsichtiges Vorhersagemodell garantiert kein sicheres Gebäude; Planer müssen weiterhin Normen einhalten, Bewehrung, Lasten und Geometrie berücksichtigen und das Verhalten von Bauteilen und Systemen prüfen. Indem es neuronale Netze jedoch von unkonservativen Überschätzungen auf Materialebene weglenkt, trägt diese neue Verlustfunktion dazu bei, dass KI‑gestützte Vorhersagen in diese Bemessungsprüfungen mit derselben Sicherheitsorientierung eingehen, die dem Bauingenieurwesen zugrunde liegt. Die Autoren sehen ihre Arbeit als Machbarkeitsnachweis, der auf größere Datensätze und vollständige Strukturmodelle erweitert werden kann und einen praktischen Schritt hin zu KI‑Werkzeugen darstellt, die mit etablierten Sicherheitsphilosophien zusammenarbeiten statt gegen sie.

Zitation: Habib, A., Habib, M., Junaid, M.T. et al. Developing a custom loss function for regulating underestimation and overestimation of concrete mechanical properties predictions in neural network models. Sci Rep 16, 15950 (2026). https://doi.org/10.1038/s41598-026-44200-5

Schlüsselwörter: Betonfestigkeitsvorhersage, neuronale Netze, Verlustfunktion, gummifizierter Beton, Bauteilsicherheit