אופטימיזציה של מודלים בלמידת מכונה עם Optuna לחיזוי מדויק של חוזק והתנהגות סדקים בקורות קונקרט פריסטרס

מדוע חיזוי סדקים בבטון חשוב

גשרים ובניינים גדולים נשענים על קורות בטון ארוכות הנושאות שקטות עומסים כבדים ותנאי מזג אוויר במשך עשורים. רבות מהקורות הללו הן "פריסטרס"—כבלי פלדה מתוחים בתוך הבטון כדי לעזור לו לעמוד בפני סדיקה ודהייה. כשהקורות הללו מאבדות חוזק או מתחילות לסדוק באופן לא צפוי, התוצאות עלולות להיות חמורות: תיקונים יקרים, סגירות תנועה או אפילו תאונות. עם זאת, בדיקות של קורות במידות מלאות במעבדה יקרות ואיטיות. מחקר זה בוחן כיצד למידת מכונה מודרנית, מכוונת בקפידה עם כלי אופטימיזציה בשם Optuna, יכולה לחזות את חוזק הקורות ואת התנהגות הסדקים שלהן, באמצעות נתוני בדיקה קיימים במקום ניסויים גדולים חדשים.

מנתוני בדיקה מפוזרים למשאב נתונים עשיר

החוקרים אספו תחילה אוסף גדול של תוצאות בדיקה על קורות בטון פריסטרס מ-22 מחקרים מתפרסמים, וקיבלו בסך הכול 626 מערכי נתונים של קורות. כל קורה תוארה על ידי 21 תכונות ניתנות למדידה, כגון רוחב וגובה, כמות ומיקום הזיון המרי, ופרטי כבלי הפריסטרס. התוצאות שהעניינו אותם כללו מתי נוצר הסדק החמור הראשון (מומנט סדיקה), העומס שהקורה יכולה לשאת לפני כשל (מומנט שיא), מרחק ממוצע בין סדקים, ורוחב הסדק הגדול ביותר. הם ניקו ואחדו בקפידה את הנתונים המעורבים כדי שיחידות שונות ותנאי בדיקה לא יטעו את המודלים, ואז שמרו חלק מהנתונים למבחן עצמאי והוגן.

לימוד המחשב לקרוא סימני כשל

במקום להישען על נוסחאות מסורתיות, שלעיתים מתקשות מול המציאות המעורבבת של מבנים אמיתיים, הצוות אימן ארבעה מודלי למידת מכונה פופולריים כדי ללמוד דפוסים ישירות מהנתונים: עצי החלטה, יער אקראי (Random Forest), XGBoost ו-LightGBM. כל המודלים הללו פועלים על ידי בניית חוקים רבים של החלטה מתוך התכונות הקלטיות כדי לחזות כיצד הקורה תתנהג. עם זאת, ביצועיהם תלויים במידה רבה בכיול "כפתורים" הידועים כהיפרפרמטרים—למשל, עד כמה מותר לעץ ההחלטה לגדול, כמה עצים להשתמש וכמה מהר המודל ילמד. בחירת הגדרות לקויה עלולה להוביל למודלים איטיים, לא מדויקים או יתר-התאמה שלא יעמדו במבחן מול קורות חדשות.

לאפשר ל-Optuna לחפש את ההגדרות הטובות ביותר

כדי להתמודד עם אתגר הכיול הזה, החוקרים השתמשו ב-Optuna, מסגרת אופטימיזציה מודרנית החוקר אוטומטית קומבינציות מבטיחות של היפרפרמטרים במקום לנסותן ידנית. עבור כל הגדרה מועמדת, Optuna אימנה מודל, בדקה עד כמה הוא חוזה את ביצועי הקורה, ואז השתמשה במשוב כדי להציע הגדרות טובות יותר בהמשך. הצוות גם בחן עקומות למידה כדי לבחור מספר סבבים הולם של אימון, ולמנוע מודלים העוצרים מוקדם מדי או מתאמנים יתר על המידה. תהליך זה הוביל לזוכה ברור: מודל LightGBM, מכויל על ידי Optuna, חזה את חוזק הקורה עם R² מעל 0.98 ואת עמידות הסדקים עם R² מעל 0.8, כלומר תחזיותיו עקבו מקרוב אחרי נתוני הנסיון.

פתיחת "תיבת השחורה" של למידת מכונה

דיוק גבוה בפני עצמו אינו מספיק למהנדסים, שצריכים להבין מדוע מודל נותן תחזיות מסוימות לפני שיאמינו לו בעיצוב או בבדיקות בטיחות. כדי להוסיף שקיפות זו, המחברים השתמשו ב-SHAP, שיטה המפרקת כל תחזית לתרומות מתכונות קלט בודדות. SHAP הראה, למשל, כי עומק אזור הדחיסה של הקורה, כמות הפלדה הפריסטרס והחוזק של הבטון משפיעים במידה רבה על מועד הופעת הסדקים ועל רוחבם—תובנות התואמות לחוקי מכניקה מבנית בסיסיים. למעשה, מודל למידת המכונה לא רק תאם את ההבנה האנושית אלא גם כימות את ההשפעה היחסית של החלטות עיצוב שונות.

מה משמעות הדבר למבנים בעולם האמיתי

ללא-מומחים, המסר המרכזי הוא שמידול למידת מכונה מכויל בקפידה יכול להפוך תוצאות בדיקה מפוזרות לכלי פרקטי לבחינת בריאות ובטיחות של קורות בטון פריסטרס. המודלים LightGBM ו-XGBoost המותאמים על ידי Optuna יכולים לסייע למהנדסים להעריך מתי קורות יסדקו וכמה עומס הן יכולות לשאת בבטחה, מבלי לבנות ולשבור כל כך הרבה דגימות בגדלים מלאים. מפני שהמודלים גם מדויקים וגם ברי-הסבר, הם יכולים להנחות החלטות עיצוב חכמות—כגון כמה פלדה להשתמש והיכן למקם אותה—מה שמסייע להאריך את חיי הגשרים והבניינים תוך חיסכון בזמן, בכסף ובחומרי גלם.

ציטוט: 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

מילות מפתח: קורות קונקרט פריסטרס, חיזוי סדקים, למידת מכונה, אופטימיזציה של היפרפרמטרים, הנדסה מבנית