Vergelijking van machine learning- en deep learning-benaderingen voor het voorspellen van de seismische reactie van plaat-kolomverbindingen

Waarom veiligere vloeren bij aardbevingen ertoe doen

Veel stedelijke gebouwen vertrouwen op vlakke betonnen vloeren die direct op kolommen rusten, zonder diepe ondersteunende balken. Tijdens een aardbeving kunnen de aansluitingen waar platen en kolommen samenkomen plotseling falen, waardoor vloeren kunnen zakken en gebouwen gedeeltelijk kunnen instorten. Deze studie onderzoekt hoe moderne datagedreven hulpmiddelen ingenieurs kunnen helpen beter te voorspellen hoe deze kritieke verbindingen zich gedragen bij zware schokken, zodat gebouwen met meer vertrouwen kunnen worden ontworpen of gecontroleerd.

Hoe bouwverbindingen plots kunnen falen

In vlakke plaatgebouwen moet de kolom zowel het verticale gewicht als de zijwaartse aardbevingskrachten naar de vloerplaat overbrengen. Als de spanningen te veel rond de kolom concentreren, kan de plaat rondom de kolom doordrukken alsof een stempel door papier gaat. Dit broze falen geeft weinig waarschuwing en kan een progressieve instorting veroorzaken. Tegelijk zwaait het hele gebouw, wat wordt beschreven met een maat genaamd de vervormingsratio, die aangeeft hoe ver de constructie helt in verhouding tot zijn hoogte. Zowel het lokale doorsnijdende moment bij de aansluiting als de totale vervorming worden bepaald door veel factoren, waaronder plaatdikte, kolomafmetingen, hoeveelheid wapening, betonsterkte en het patroon van de aardbevingsbelasting.

Gebruik van eerdere tests en computers als leermiddelen

De auteurs stelden een database samen van 217 zorgvuldig gedocumenteerde laboratoriumproeven aan plaat-kolomverbindingen onder gesimuleerde aardbevingsbelasting. Elke proef bevatte geometrische afmetingen, materiaalkrachten, wapeningdetails, toegepaste zwaartekrachtbelasting, type belasting en het gemeten doorsnijdende moment en de vervormingsratio bij falen. Ze splitsten deze gegevens vervolgens in aparte trainings- en testsets, zodat computermodellen beoordeeld konden worden op hun vermogen resultaten te voorspellen die ze nog niet gezien hadden. Voor het modelleren maakte het team de data schoon, ging om met ontbrekende waarden, schaaltens getallenbereiken en onderzocht hoe elke variabele samenhing met falen met behulp van visuele hulpmiddelen zoals boxplots en spreidingsdiagrammen.

Vergelijken van veel manieren waarop computers kunnen leren

Om te ontdekken welke technieken het beste werken, vergeleek de studie een breed scala aan machine learning-methoden met verschillende deep learning-benaderingen. De machine learning-groep omvatte eenvoudige lineaire formules, geregulariseerde versies die overfitting proberen te vermijden, en flexibeler boomgebaseerde ensembles zoals random forest, gradient boosting en XGBoost. De deep learning-groep gebruikte neurale netwerkarchitecturen die vaker worden gezien in beeld- of sequentieanalyse, waaronder convolutionele netwerken, recurrente netwerken, long short term memory-netwerken en een hybride model dat convolutionele en recurrente lagen combineerde. In tegenstelling tot beeldproblemen werden deze diepe netwerken hier gevoed met gestructureerde tabellen van technische getallen, herschikt tot eendimensionale reeksen.

Wat de modellen onthulden over sterkte en vervorming

Voor het voorspellen van het doorsnijdende moment bij de plaat-kolomverbinding presteerden machine learning-modellen opgebouwd uit veel beslisboomstructuren het beste. Gradient boosting behaalde de hoogste nauwkeurigheid op ongeziene tests, op de voet gevolgd door XGBoost en random forest. Deze modellen vatten de complexe, niet-lineaire mix van geometrie, materialen en belasting samen die de lokale verbindingssterkte bepaalt. Voor het voorspellen van de vervormingsratio, die weerspiegelt hoe het hele systeem zwaait, kwam random forest als beste uit de bus, hoewel alle modellen deze taak moeilijker vonden en meer spreiding produceerden. Deep learning-modellen, vooral het hybride type, overtroffen de boomgebaseerde methoden niet op deze relatief kleine, tabelachtige dataset en vergden veel meer rekeninspanning.

Wat dit betekent voor veiliger gebouwontwerp

Voor niet-specialisten is de kernboodschap dat zorgvuldig gekozen machine learning-hulpmiddelen ingenieurs al meer nauwkeurige schattingen kunnen geven van hoe en wanneer plaat-kolomverbindingen bij aardbevingen kunnen falen, vooral voor de lokale doorsnijdende sterkte en, in mindere mate, de algehele vervorming. In deze studie presteerde traditioneel boomgebaseerde machine learning beter dan meer modieuze deep learning-netwerken voor de beschikbare data, en bood betere nauwkeurigheid met minder complexiteit. De auteurs raden aan dergelijke modellen als besluitvormingsondersteuning naast bestaande ontwerprichtlijnen te gebruiken, in plaats van het vervangen van ingenieurs­oordeel. Met grotere datasets en verfijnde kenmerken zouden deze datagedreven methoden een praktisch onderdeel kunnen worden van routinematige seismische beoordeling van vlakke plaatgebouwen.

Bronvermelding: 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

Trefwoorden: seismisch ontwerp, vlat plategebouwen, machine learning, doorsnijdende schuif, vervormingsratio