Ontwikkeling van een aangepaste verliesfunctie om onderschatting en overschatting van voorspellingen van mechanische eigenschappen van beton in neurale netwerkmodellen te reguleren

Waarom veiligere betonvoorspellingen ertoe doen

De meeste moderne gebouwen en bruggen vertrouwen op beton, en ingenieurs gebruiken in toenemende mate kunstmatige intelligentie om te voorspellen hoe sterk dat beton zal zijn. Terwijl standaard neurale netwerken proberen in alle richtingen even nauwkeurig te zijn, zijn echte constructies veiliger wanneer voorspellingen iets terughoudend zijn in plaats van te optimistisch. Deze studie presenteert een nieuwe manier om neurale netwerken te trainen zodat ze minder geneigd zijn de betonsterkte te overschatten, waardoor ingenieurs een comfortabele veiligheidsmarge behouden zonder het voordeel van AI op te geven.

Het vinden van balans tussen veiligheid en slimme algoritmen

In de civiele techniek zijn ontwerprichtlijnen conservatief opgesteld zodat constructies veilig blijven, zelfs als materialen variëren of de uitvoering niet perfect is. Een onderschatting van de betonsterkte betekent meestal extra veiligheid, terwijl een overschatting stilletjes in de veiligheidsmarges kan knabbelen. Traditionele trainingsmethoden voor neurale netwerken maken geen onderscheid tussen deze twee uitkomsten; ze proberen simpelweg de totale foutgrootte te verkleinen. De auteurs stellen dat dit haaks staat op hoe ingenieurs risico’s echt inschatten en bouwen die voorkeur voor veiligheid daarom rechtstreeks in het leerproces in.

Een verliesfunctie die voorzichtigheid prefereert

De kern van de studie is een aangepaste verliesfunctie, een regel die het neurale netwerk tijdens training vertelt hoe ernstig elke fout is. In plaats van alle fouten gelijk te behandelen, legt de voorgestelde formule zwaardere straffen op wanneer het model een hogere sterkte voorspelt dan de werkelijke waarde en lichtere straffen wanneer het een lagere sterkte voorspelt. Een stel controleschalen bestuurt deze onbalans, zodat het model richting veiligere onderschattingen kan worden bijgesteld. De verliesfunctie wordt ook genormaliseerd zodat hij consistent kan werken over verschillende datasets en schalen, en wordt gecombineerd met een standaard neurale netwerkopzet met populaire tools zoals TensorFlow of PyTorch.

De idee testen op gerubberd beton

Om te zien hoe deze voorzichtige trainingsregel zich in de praktijk gedraagt, richten de auteurs zich op gerubberd beton, een materiaal waarbij een deel van het grind is vervangen door stukjes afvalrubber. Met een experimentele dataset trainen ze meerdere neurale netwerken met dezelfde architectuur maar verschillende verliesfuncties, waaronder gangbare keuzes zoals mean squared error en mean absolute error. Vervolgens vergelijken ze hoe goed elk model twee belangrijke mechanische eigenschappen voorspelt: druksterkte, die aangeeft hoeveel belasting het beton kan dragen, en elasticiteitsmodulus, die beschrijft hoe stijf het is onder belasting.

Hoe conservatief leren voorspellingen verandert

De modellen die met de aangepaste verliesfunctie zijn getraind bereiken bijna dezelfde algemene nauwkeurigheid als die met traditionele verliezen, met foutniveaus van ongeveer zes procent in de meeste gevallen. Het cruciale verschil zit in hoe vaak ze de werkelijke sterkte overschatten. Bij standaardverliesfuncties is tussen een kwart en bijna alle voorspellingen in sommige tests overschattingen. Wanneer de aangepaste verliesfunctie goed is afgestemd, daalt die overschattingsratio drastisch, tot ongeveer één procent voor druksterkte en onder de tien procent voor stijfheid, terwijl de data nog steeds goed worden passend gemaakt. Grafieken van voorspelde tegenover gemeten waarden tonen dat de punten van het nieuwe model net onder de ideale gelijkheidslijn clusteren, wat een bewuste, milde neiging tot onderschatting weerspiegelt.

Wat dit betekent voor echte constructies

Op zichzelf kan een voorzichtig voorspellend model een veilig gebouw niet garanderen; ontwerpers moeten nog steeds normen volgen, wapening, belastingen en geometrie in overweging nemen en het gedrag van leden en systemen controleren. Maar door neurale netwerken weg te sturen van onverantwoorde overschattingen op materiaaniveau, helpt deze nieuwe verliesfunctie ervoor te zorgen dat AI-gebaseerde voorspellingen die ontwerpcontroles ingaan met dezelfde veiligheidseerst mentaliteit die de civiele techniek onderbouwt. De auteurs zien hun werk als een proof of concept dat uitgebreid kan worden naar grotere datasets en volledige structurele modellen, en biedt een praktische stap richting AI-hulpmiddelen die met, in plaats van tegen, gevestigde veiligheidsfilosofieën werken.

Bronvermelding: 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

Trefwoorden: voorspelling betonsterkte, neurale netwerken, verliesfunctie, gerubberd beton, constructieve veiligheid