Scheurvastheid van lichtgewicht beton elementenmodel gebaseerd op diepe neurale netwerken en COVID-19-optimalisatie

Waarom lichter beton en slimme wiskunde van belang zijn

Gebouwen en bruggen worden hoger, langer en efficiënter, en ingenieurs zoeken naar materialen die sterk maar licht zijn. Lichtgewicht beton helpt het gewicht van constructies te verminderen en de isolatie te verbeteren, maar voorspellen hoe het zal scheuren en falen onder bepaalde krachten is ingewikkeld. Deze studie toont aan hoe een moderne vorm van kunstmatige intelligentie, gecombineerd met een algoritme geïnspireerd op de verspreiding van COVID-19, één belangrijke eigenschap van lichtgewicht beton nauwkeuriger kan voorspellen dan huidige ontwerprichtlijnen, wat mogelijk leidt tot veiligere en efficiëntere constructies.

De uitdaging om beton tegen scheuren te beschermen

Wanneer een betonnen balk in een gebouw of brug belast wordt, kan deze op verschillende manieren falen. Een van de meest plotselinge en moeilijk voorspelbare faalmodi is schuif, waarbij diagonaal lopende scheuren ontstaan die door de balk snijden. Traditionele ontwerpsformules die in belangrijke bouwcodes wereldwijd worden gebruikt zijn bewust conservatief, maar ze komen vaak niet overeen en kunnen het gedrag van echte balken verkeerd inschatten. Het probleem wordt nog complexer bij lichtgewicht beton, waarvan het lagere gewicht en andere toeslagstoffen veranderen hoe scheuren ontstaan en hoe krachten door het materiaal reizen, waardoor bepaalde interne mechanismen die normaal weerstand bieden tegen schuif verzwakken.

Hoe een deep learning-model structureel gedrag leest

Om dit aan te pakken bouwden de auteurs een diep neuraal netwerk, een soort AI-model dat uit vele lagen eenvoudige verwerkingsunits bestaat die patronen in gegevens herkennen. Ze trainden dit netwerk met experimentele resultaten van lichtgewicht betonnen balken, en voedden het met geometrische details, materiaalkrachten, eigenschappen van wapening en hoe de belasting wordt aangebracht. In plaats van te beginnen met willekeurige instellingen stemden ze de initiële interne parameters van het netwerk af met een speciale zoekstrategie bijgenaamd het COVID-19-optimalisatiealgoritme, dat ideeën leent uit hoe een infectie zich verspreidt, uitdoven of worden ingedamd. Dit slimere startpunt helpt het netwerk sneller te leren en te voorkomen dat het vastloopt in slechte oplossingen.

Testen tegen echte balken en ontwerprichtlijnen

De onderzoekers stelden hun model vervolgens op de proef door de voorspellingen te vergelijken met daadwerkelijke laboratoriummetingen en met drie veelgebruikte ontwerpcodes uit de Verenigde Staten, Europa en Japan. Ze besteedden speciale aandacht aan datagebieden waar het gedrag sterk niet-lineair wordt, wat betekent dat kleine veranderingen in invoer grote en onregelmatige sprongen in schuifsterkte kunnen veroorzaken. Juist in deze uitdagende zones volgde het diepe netwerk de testresultaten veel nauwkeuriger dan de codevergelijkingen, die de neiging hadden af te wijken. Gemiddeld over de volledige dataset leverde het nieuwe model de laagste gemiddelde fout en de meest consistente overeenkomst tussen voorspelde en waargenomen sterktes, terwijl het ook goed presteerde bij herhaalde kruisvalideringen die overfitting tegengaan.

Wat het model onthult over sleutelingrediënten

Meer dan alleen getallen voorspellen, gebruikten de auteurs hun getrainde netwerk om te onderzoeken welke balk- en materiaaleigenschappen het belangrijkst zijn. De analyse benadrukte de effectieve diepte van de balk, de druksterkte van het beton, de volumieke massa en de breedte van de balk als de sterkste bepalende factoren voor schuifcapaciteit in lichtgewicht beton. Daarentegen lieten sommige factoren die vaak als belangrijk worden gezien, zoals toeslaggrootte en de hoeveelheid buigwapening, verrassend weinig invloed zien in deze dataset, wat vragen oproept voor toekomstige experimenten en suggereert dat ontwerpers mogelijk nauwer op een kleinere groep parameters moeten letten bij het verfijnen van regels voor lichtgewicht mengsels.

Wat dit betekent voor toekomstige constructies

Voor niet-specialisten is de belangrijkste conclusie dat een zorgvuldig getraind deep learning-model kan fungeren als een bekwame vertaler tussen laboratoriumtests en dagelijkse ontwerpppraktijk. In deze studie deed het met COVID-19 geoptimaliseerde netwerk het beter dan bestaande codeformules bij het schatten van hoe lichtgewicht betonnen balken weerstand bieden tegen scheurkrachten, vooral in moeilijke gevallen waarin het gedrag verre van eenvoudig is. Hoewel ingenieurs nog steeds op codes zullen vertrouwen voor regelgeving en goedkeuring, kunnen tools als dit model hen helpen overdreven conservatieve of mogelijk onveilige ontwerpen te signaleren en bewegen richting lichtere, efficiëntere constructies die materialen slimmer benutten.

Bronvermelding: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

Trefwoorden: lichtgewicht beton, schuifsterkte, diep neuraal netwerk, constructieve techniek, optimalisatie-algoritme