Ensemble learning-gestuurde voorspelling van de backbone-curve voor gecorrodeerde gewapendbetonnen kolommen met behulp van experimentele database

Waarom verouderende betonnen kolommen ertoe doen

Veel van de bruggen en gebouwen waarop we dagelijks vertrouwen, rusten op gewapendbetonnen kolommen die in de loop van tientallen jaren onopgemerkt corroderen. Zout van strooizout, zeespray en vervuilde lucht kunnen het inwendige staal langzaam aantasten, waardoor deze steunpunten verzwakken juist op het moment dat ze een aardbeving moeten doorstaan. Dit artikel presenteert een nieuwe manier om grote hoeveelheden testgegevens en moderne machinelearning te gebruiken om te voorspellen hoe zulke beschadigde kolommen zich tijdens zware trillingen zullen gedragen, zodat ingenieurs beter kunnen beslissen wanneer te repareren, versterken of vervangen.

Hoe roest het krachtverhaal verandert

Wanneer het staal in een betonkolom corrodeert, neemt de roest meer ruimte in dan het oorspronkelijke metaal. Deze volumetoename veroorzaakt scheuren in het omliggende beton, eerst als fijne interne lijnen en later als zichtbare scheuringen en afschilfering. Tegelijkertijd verliezen de staven zelf doorsnede, sterkte en taaiheid, en verzwakt hun hechting aan het beton. Onder bevingachtige heen-en-weer belastingen tekenen gezonde kolommen brede, afgeronde lussen in een kracht–verplaatsingsdiagram, wat wijst op sterke energieabsorptie. Gecorrodeerde kolommen daarentegen maken smallere, geknepen lussen en verliezen hun sterkte veel sneller na de eerste vloeiing, wat wijst op een verschuiving naar brosser, minder vergevingsgezind gedrag dat structuren kwetsbaarder voor instorting kan maken.

Van verspreide tests naar één groot geheel

Onderzoekers wereldwijd hebben individuele gecorrodeerde kolommen getest in verschillende laboratoria, met een grote variatie in afmetingen, wapeningopstellingen, materialen, corrosieniveaus en belastingscondities. Deze studie brengt 200 van die proefstukken samen in één experimentele database die realistische reeksen kolomgeometrie, staal- en betonsterkte, axiale belasting en gemeten corrosie van zowel hoofdstaven als strengen omvat. In plaats van het gedrag van elke kolom te reduceren tot een paar ideale punten, halen de auteurs de volledige backbone-curve eruit — de gladde envelop die volgt hoe de laterale weerstand groeit, piekt en vervolgens daalt terwijl de kolom zwaait. Ze gebruiken vervolgens deze gemeten curves als doelwaarden voor datagestuurde modellen die direct van de experimenten leren in plaats van van vooraf gekozen formules.

Machines leren schade te lezen

Het team traint meerdere ensemble-leermethoden — families van vele kleine beslisbomen die gezamenlijk stemmen — om sleutelstadia langs de backbone van elke kolom te voorspellen: de sterkte bij eerste vloeiing, de pieksterkte en de resterende sterkte na ernstige schade. Met een deel van de database voor training en de rest gereserveerd voor testen, stemmen ze de modellen af met Bayesian search zodat ze algemene patronen vastleggen zonder individuele proefstukken uit het hoofd te leren. Van alle geteste benaderingen blijkt een extreme gradient boosting-model het meest betrouwbaar, met hoge nauwkeurigheid bij vloei-, piek- en residustadia en, cruciaal, het reproduceren van de steile post-piek verzachting die eenvoudigere, geïdealiseerde modellen vaak missen of onderschatten.

Zien welke details het meest tellen

Om verder te gaan dan een black-boxvoorspelling passen de auteurs een techniek toe die SHAP heet, ontleend aan de speltheorie, om te meten hoeveel elke invoerfactor de voorspelde sterkte omhoog of omlaag duwt. Ze ontdekken dat basisvorm en -verhoudingen — zoals de schuifspanwijdte en de totale diepte van de kolom — samen met de gedegradeerde sterkte van de stalen staven het belangrijkst zijn bij het eerste vloeien en bij de pieksterkte. Naarmate de schade voortschrijdt, worden kenmerken die verband houden met omsluiting en faalmechanisme belangrijker, wat weerspiegelt hoe scheuren, vergruizing en knikken van staven het overnemen van eenvoudige geometrie. Dit soort inzichten stelt ingenieurs in staat te zien of de zwakte van een kolom vooral komt door zware axiale belasting, slechte detaillering of ernstige corrosie, en leidt zo tot gerichtere versterkingsmaatregelen.

Wat dit betekent voor de dagelijkse veiligheid

In praktische termen laat de studie zien dat een zorgvuldig getraind, transparant machinelearningmodel betrouwbaar het volledige sterkte–driftpad van een gecorrodeerde betonkolom kan reconstrueren met meetbare eigenschappen en corrosie-indicatoren. Vergeleken met oudere, geïdealiseerde backbone-formules brengt de nieuwe aanpak beter in kaart hoe snel de sterkte wegvalt na de piek, vooral in sterk gecorrodeerde gevallen waar de residuele capaciteit vaak overschat werd. Dit geeft brug- en gebouweigenaren een scherper beeld van hoeveel seismische reserve er nog in verouderende steunpunten zit en helpt hen reparaties te prioriteren voor de volgende grote aardbeving, waardoor verspreide laboratoriumtests veranderen in een krachtig instrument voor beslissingen in de echte wereld.

Bronvermelding: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

Trefwoorden: corrosie van gewapend beton, seismische prestaties, machine learning in civiele techniek, voorspelling van backbone-curve, verouderende infrastructuur