Model wytrzymałości na ścinanie elementów z lekkiego betonu oparty na głębokiej sieci neuronowej i optymalizacji COVID-19

Dlaczego lżejszy beton i inteligentna matematyka mają znaczenie

Budynki i mosty robią się coraz wyższe, dłuższe i bardziej wydajne, a inżynierowie szukają materiałów, które będą jednocześnie mocne i lekkie. Lekki beton pozwala zmniejszyć masę konstrukcji i poprawić izolację, ale przewidywanie, w jaki sposób będzie pękał i ulegał uszkodzeniom pod określonymi rodzajami sił, jest trudne. W tym badaniu pokazano, jak nowoczesna forma sztucznej inteligencji, połączona z algorytmem zainspirowanym rozprzestrzenianiem się COVID-19, może przewidzieć jedną z kluczowych właściwości lekkiego betonu dokładniej niż obecne reguły projektowe, co potencjalnie prowadzi do bezpieczniejszych i bardziej wydajnych konstrukcji.

Wyzwanie powstrzymania rozdarcia betonu

Gdy belka betonowa w budynku lub na moście przenosi obciążenia, może zawieść na różne sposoby. Jednym z najbardziej nagłych i trudnych do przewidzenia trybów jest ścinanie, gdy tworzą się ukośne pęknięcia przecinające belkę. Tradycyjne wzory projektowe stosowane w głównych normach budowlanych na świecie są celowo konserwatywne, lecz często nie zgadzają się między sobą i mogą błędnie oceniać zachowanie rzeczywistych belek. Problem staje się jeszcze trudniejszy w przypadku lekkiego betonu, którego mniejsza gęstość i inne kruszywo zmieniają sposób powstawania pęknięć i przenoszenia sił w materiale, osłabiając pewne wewnętrzne mechanizmy, które normalnie pomagają przeciwdziałać ścinaniu.

Jak model głębokiego uczenia odczytuje zachowanie konstrukcji

Aby sprostać temu wyzwaniu, autorzy zbudowali głęboką sieć neuronową, rodzaj modelu AI składający się z wielu warstw prostych jednostek przetwarzających, które wykrywają wzorce w danych. Trenowali tę sieć na wynikach eksperymentalnych z belek z lekkiego betonu, dostarczając jej szczegóły geometryczne, wytrzymałości materiałów, właściwości zbrojenia stalowego oraz sposób przyłożenia obciążenia. Zamiast zaczynać od losowych ustawień, dostroili początkowe wewnętrzne parametry sieci za pomocą specjalnej strategii poszukiwań określanej jako algorytm optymalizacji COVID-19, który czerpie pomysły z mechanizmów rozprzestrzeniania się, wygasania lub ograniczania infekcji. Ten inteligentniejszy punkt startowy pomaga sieci uczyć się szybciej i unikać utknięcia w słabych rozwiązaniach.

Testy na rzeczywistych belkach i wobec przepisów projektowych

Następnie badacze poddali swój model ocenie, porównując jego przewidywania z rzeczywistymi pomiarami laboratoryjnymi oraz z trzema powszechnie stosowanymi normami projektowymi ze Stanów Zjednoczonych, Europy i Japonii. Zwrócili szczególną uwagę na obszary danych, gdzie zachowanie staje się silnie nieliniowe, co oznacza, że niewielkie zmiany wejść mogą wywołać duże i nieregularne skoki w wytrzymałości na ścinanie. W dokładnie tych trudnych strefach głęboka sieć śledziła wyniki testów znacznie ściślej niż równania z norm, które miały tendencję do odchyleń. Mierzona na całym zbiorze danych nowa metoda osiągnęła najmniejszy błąd średni oraz najściślejsze dopasowanie między przewidywanymi a zaobserwowanymi wytrzymałościami, przy jednoczesnym dobrym zachowaniu przy powtarzanych testach krzyżowych zapobiegających przeuczeniu.

Co model ujawnia o kluczowych składnikach

Poza samym przewidywaniem liczb, autorzy wykorzystali wytrenowaną sieć do zbadania, które właściwości belki i materiału mają największe znaczenie. Analiza wyróżniła efektywną głębokość belki, wytrzymałość betonu na ściskanie, jego gęstość jednostkową oraz szerokość belki jako najsilniejsze czynniki wpływające na nośność na ścinanie w betonie lekkim. W przeciwieństwie do tego niektóre czynniki często uznawane za istotne, takie jak rozmiar kruszywa czy ilość zbrojenia zginającego, wykazywały zaskakująco niewielki wpływ w tym zbiorze danych, co rodzi pytania na przyszłe eksperymenty i sugeruje, że projektanci mogą chcieć skupić się bliżej na węższej grupie parametrów przy udoskonalaniu reguł dla mieszanek lekkich.

Co to oznacza dla przyszłych konstrukcji

Dla osób niebędących specjalistami główny wniosek jest taki, że starannie wytrenowany model głębokiego uczenia może działać jak wykwalifikowany tłumacz między testami laboratoryjnymi a praktyką projektową. W tym badaniu sieć zoptymalizowana algorytmem COVID-19 lepiej niż istniejące równania norm szacowała, jak belki z lekkiego betonu przeciwstawiają się siłom rozdzierającym, szczególnie w trudnych przypadkach, gdzie zachowanie jest dalekie od prostej zależności. Choć inżynierowie nadal będą polegać na normach dla zatwierdzeń regulacyjnych, narzędzia takie jak ten model mogą pomóc dostrzec nadmiernie konserwatywne lub potencjalnie niebezpieczne projekty oraz zmierzać w stronę lżejszych, bardziej efektywnych konstrukcji, które mądrzej wykorzystują materiały.

Cytowanie: 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

Słowa kluczowe: lekki beton, wytrzymałość na ścinanie, głęboka sieć neuronowa, inżynieria strukturalna, algorytm optymalizacyjny