Optymalizacja modeli uczenia maszynowego za pomocą Optuna dla dokładnego przewidywania wytrzymałości i zachowania pęknięć w belkach sprężonych

Dlaczego przewidywanie pęknięć w betonie ma znaczenie

Mosty i duże budynki opierają się na długich belkach betonowych, które przez dekady w milczeniu przenoszą ciężki ruch i warunki pogodowe. Wiele z tych belek jest „sprężonych” — wewnątrz betonu naciągane są stalowe cięgna, aby zapobiec pękaniu i ugięciom. Gdy belki tracą wytrzymałość lub zaczynają nieoczekiwanie pękać, konsekwencje mogą być poważne: kosztowne naprawy, zamknięcia ruchu, a nawet wypadki. Testowanie pełnowymiarowych belek w laboratorium jest jednak drogie i powolne. W tym badaniu autorzy analizują, jak nowoczesne uczenie maszynowe, starannie dostrojone za pomocą narzędzia Optuna, może przewidywać wytrzymałość tych belek i zachowanie pęknięć, korzystając z dostępnych danych eksperymentalnych zamiast przeprowadzać nowe badania na dużą skalę.

Od rozproszonych wyników badań do bogatego zasobu danych

Naukowcy najpierw zgromadzili dużą kolekcję wyników badań nad belkami sprężonymi pochodzących z 22 opublikowanych prac, uzyskując łącznie 626 zestawów danych belek. Każda belka była opisana 21 mierzalnymi cechami, takimi jak szerokość i wysokość, ilość i rozmieszczenie zbrojenia stalowego oraz szczegóły dotyczące cięgien sprężających. Wynikami, które ich interesowały, były: moment pojawienia się pierwszego istotnego pęknięcia (moment rysowania), obciążenie, które belka może przenieść przed zniszczeniem (moment maksymalny), typowy rozstaw rys oraz maksymalna szerokość największej rysy. Ostrożnie oczyszczono i ustandaryzowano te mieszane dane, aby różnice w jednostkach i ustawieniach testów nie wprowadzały modeli w błąd, a część danych odłożono na niezależne, uczciwe testy.

Nauczanie komputerów rozpoznawania sygnałów awarii

Zamiast polegać na tradycyjnych wzorach, które często mają trudności z nieuporządkowaną rzeczywistością rzeczywistych konstrukcji, zespół wytrenował cztery popularne modele uczenia maszynowego, aby uczyły się wzorców bezpośrednio z danych: drzewa decyzyjne, lasy losowe (Random Forest), XGBoost oraz LightGBM. Modele te działają przez budowanie wielu reguł decyzyjnych na podstawie cech wejściowych, aby przewidzieć zachowanie belki. Ich wydajność w dużej mierze zależy jednak od strojenia „pokręteł” zwanych hiperparametrami — na przykład, jak głębokie mogą być drzewa decyzyjne, ile drzew użyć i jak szybko model się uczy. Źle dobrane ustawienia mogą prowadzić do powolnych, niedokładnych lub przetrenowanych modeli, które zawodzą wobec nowych belek.

Pozwolić Optunie wyszukać najlepsze ustawienia

Aby sprostać wyzwaniu strojenia, badacze użyli Optuny, nowoczesnego frameworka optymalizacyjnego, który automatycznie eksploruje obiecujące kombinacje hiperparametrów zamiast testować je ręcznie. Dla każdej proponowanej konfiguracji Optuna trenowała model, sprawdzała, jak dobrze przewiduje parametry belki, a następnie wykorzystywała tę informację zwrotną do proponowania lepszych ustawień. Zespół analizował też krzywe uczenia, aby wybrać odpowiednią liczbę rund treningowych, unikając modeli, które kończą zbyt wcześnie lub się przeuczą. Proces ten wyłonił wyraźnego zwycięzcę: model LightGBM strojony przez Optunę przewidywał wytrzymałość belek z R² powyżej 0,98 oraz odporność na rysowanie z R² powyżej 0,8, co oznacza, że jego przewidywania bardzo dokładnie odwzorowywały dane testowe.

Otwieranie „czarnej skrzynki” uczenia maszynowego

Wysoka dokładność to za mało dla inżynierów, którzy muszą zrozumieć, dlaczego model podejmuje konkretne przewidywania, zanim zaufają mu w projektowaniu czy kontrolach bezpieczeństwa. Aby dodać przejrzystości, autorzy zastosowali SHAP — metodę rozkładającą każdą predykcję na wkłady poszczególnych cech wejściowych. SHAP pokazał na przykład, że głębokość strefy ściskanej belki, ilość stali sprężonej oraz wytrzymałość betonu silnie wpływają na moment pojawienia się rys i ich szerokość — wnioski zgodne z podstawową mechaniką konstrukcji. W praktyce model uczenia maszynowego nie tylko odpowiadał wiedzy inżynierskiej, ale też ilościowo określał względne znaczenie różnych wyborów projektowych.

Co to oznacza dla rzeczywistych konstrukcji

Dla osób spoza specjalizacji główne przesłanie jest takie, że starannie strojone uczenie maszynowe potrafi przekształcić rozproszone wyniki badań w praktyczne narzędzie do oceny stanu i bezpieczeństwa belek sprężonych. Modele LightGBM i XGBoost zoptymalizowane przez Optunę mogą pomóc inżynierom oszacować, kiedy belki zaczną pękać i jakim obciążeniom mogą bezpiecznie podlegać, bez konieczności wznoszenia i niszczenia tylu pełnowymiarowych próbek. Ponieważ modele są zarówno dokładne, jak i wytłumaczalne, mogą wspierać mądrzejsze decyzje projektowe — na przykład ile stali zastosować i gdzie ją umieścić — pomagając wydłużyć żywotność mostów i budynków przy oszczędności czasu, pieniędzy i materiałów.

Cytowanie: Wen, Y., Guo, R., Duan, Z. et al. Machine learning model optimization with optuna for accurate prediction of strength and crack behavior in prestressed concrete beams. Sci Rep 16, 5822 (2026). https://doi.org/10.1038/s41598-026-36692-y

Słowa kluczowe: belki ze sprężonego betonu, predykcja pęknięć, uczenie maszynowe, optymalizacja hiperparametrów, inżynieria konstrukcyjna