Vergleich von Machine-Learning- und Deep-Learning-Ansätzen zur Vorhersage des seismischen Verhaltens von Platten-Säulen-Verbindungen

Warum sichere Geschosse bei Erdbeben wichtig sind

Viele städtische Gebäude stützen sich auf flache Betonplatten, die direkt auf Säulen ruhen, ohne tiefe tragende Träger. Bei einem Erdbeben können die Verbindungen zwischen Platte und Säule plötzlich versagen, wodurch Stockwerke absacken und Gebäude teilweise einstürzen können. Diese Studie untersucht, wie moderne datengetriebene Werkzeuge Ingenieuren helfen können, das Verhalten dieser kritischen Knoten unter starken Erschütterungen besser vorherzusagen, damit Gebäude mit größerer Sicherheit geplant oder geprüft werden können.

Wie Gebäudeknoten plötzlich versagen können

In Flachplattengebäuden muss die Säule sowohl die vertikalen Lasten als auch die seitlichen Erdbebenkräfte in die Platten übertragen. Wenn sich die Spannungen um die Säule zu stark konzentrieren, kann die Platte rund um die Säule wie ein Stempel durch Papier durchstoßen. Dieses spröde Versagen kündigt sich kaum an und kann einen progressiven Zusammenbruch auslösen. Gleichzeitig schwingt das gesamte Gebäude, beschrieben durch das sogenannte Driftverhältnis, das Ingenieuren angibt, wie weit die Struktur im Verhältnis zu ihrer Höhe ausschlägt. Sowohl das lokale Durchstanzmoment an der Verbindung als auch die Gesamt-Drift werden von vielen Faktoren bestimmt, darunter Plattendicke, Säulengröße, Bewehrungsmenge, Betonfestigkeit und die Charakteristik der Belastung durch das Erdbeben.

Vergangene Versuche und Computer als Lernwerkzeuge

Die Autoren stellten eine Datenbank mit 217 sorgfältig dokumentierten Laborversuchen an Platten‑Säulen‑Verbindungen unter simulierten Erdbebenbelastungen zusammen. Jeder Versuch enthielt geometrische Abmessungen, Materialfestigkeiten, Angaben zur Bewehrung, aufgebrachte Schwerkraftlast, Belastungsart sowie das gemessene Durchstanzmoment und Driftverhältnis beim Versagen. Anschließend teilten sie diese Informationen in separate Trainings‑ und Testdatensätze, sodass Computermodelle an ihrer Fähigkeit gemessen werden konnten, bisher ungesehene Ergebnisse vorherzusagen. Vor der Modellierung bereinigte das Team die Daten, behandelte fehlende Werte, normierte numerische Bereiche und untersuchte die Zusammenhänge einzelner Variablen mit dem Versagen mithilfe visueller Werkzeuge wie Boxplots und Streudiagrammen.

Vergleich vieler Lernwege für Computer

Um herauszufinden, welche Techniken am besten funktionieren, verglich die Studie eine breite Palette von Machine‑Learning‑Methoden mit mehreren Deep‑Learning‑Ansätzen. Zur Machine‑Learning‑Gruppe gehörten einfache lineare Formeln, regularisierte Versionen zur Vermeidung von Overfitting sowie flexiblere baumbasierte Ensembles wie Random Forest, Gradient Boosting und XGBoost. Die Deep‑Learning‑Gruppe verwendete neuronale Netzwerkarchitekturen, die häufiger in der Bild‑ oder Sequenzanalyse anzutreffen sind, darunter Convolutional‑Netzwerke, rekurrente Netzwerke, Long‑Short‑Term‑Memory‑Netze und ein Hybridmodell, das Faltungs‑ und Rekurrenzschichten kombinierte. Anders als bei Bildproblemen wurden diese Deep‑Netzwerke hier mit strukturierten Tabellen technischer Kenngrößen gefüttert, die zu eindimensionalen Sequenzen umgeformt wurden.

Was die Modelle über Festigkeit und Drift zeigten

Bei der Vorhersage des Durchstanzmoments an der Platten‑Säulen‑Verbindung erzielten baumbasierte Machine‑Learning‑Modelle die besten Ergebnisse. Gradient Boosting erreichte die höchste Genauigkeit bei ungesehenen Tests, dicht gefolgt von XGBoost und Random Forest. Diese Modelle fingen die komplexe, nichtlineare Kombination aus Geometrie, Materialeigenschaften und Belastung ein, die die lokale Knotentragfähigkeit bestimmt. Bei der Vorhersage des Driftverhältnisses, das das Schwanken des Gesamtsystems abbildet, lag Random Forest vor den anderen Ansätzen, obwohl alle Modelle diese Aufgabe schwieriger fanden und größere Streuung zeigten. Deep‑Learning‑Modelle, insbesondere der Hybridtyp, übertrafen die baumbasierten Methoden bei diesem relativ kleinen, tabellarischen Datensatz nicht und erforderten deutlich mehr Rechenaufwand.

Was das für sichereren Gebäudebau bedeutet

Für Nicht‑Spezialisten lautet die Kernbotschaft: Sorgfältig ausgewählte Machine‑Learning‑Werkzeuge können Ingenieuren bereits heute genauere Schätzungen darüber liefern, wie und wann Platten‑Säulen‑Verbindungen bei Erdbeben versagen könnten — insbesondere für die lokale Durchstanzfestigkeit und in geringerem Maße für die Gesamt‑Drift. In dieser Studie schnitten traditionelle, baumbasierte Machine‑Learning‑Modelle bei den verfügbaren Daten besser ab als populärere Deep‑Learning‑Netzwerke, da sie höhere Genauigkeit bei geringerem Aufwand boten. Die Autoren empfehlen, solche Modelle als Entscheidungsunterstützung zusätzlich zu bestehenden Entwurfsregeln zu verwenden und nicht als Ersatz für ingenieurmäßiges Urteilsvermögen. Mit größeren Datensätzen und verfeinerten Merkmalen könnten diese datengetriebenen Methoden ein praktischer Bestandteil routinemäßiger seismischer Bewertungen von Flachplattengebäuden werden.

Zitation: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

Schlüsselwörter: seismischer Entwurf, Flachplattengebäude, Machine Learning, Punching-Scherung, Driftverhältnis