Przewidywanie wytrzymałości betonu na ściskanie przy użyciu zoptymalizowanego uczenia głębokiego i dużych modeli językowych

Dlaczego to ma znaczenie dla bezpieczniejszych i bardziej ekologicznych budynków

Beton podtrzymuje nasze domy, mosty i tunele, ale badanie jego wytrzymałości zwykle wymaga tygodni oczekiwania na wyniki laboratoryjne. W tym badaniu pokazano, jak zaawansowana sztuczna inteligencja może szybko i dokładnie przewidzieć wytrzymałość betonu jedynie na podstawie jego receptury. Szybsze i bardziej wiarygodne prognozy mogą pomóc inżynierom projektować bezpieczniejsze konstrukcje, ograniczyć marnotrawstwo związane z próbami i błędami w laboratorium oraz ułatwić stosowanie niskoemisyjnych składników, takich jak odpady przemysłowe.

Od nieuporządkowanych danych laboratoryjnych do czystych cyfrowych składników

Naukowcy zaczynają od dużego publicznego zestawu danych mieszanek betonowych. Każdy wpis zawiera ilości cementu, żużla, popiołu lotnego, wody, dodatków chemicznych, piasku, kruszywa i czasu dojrzewania oraz ostatecznie zmierzoną wytrzymałość. Dane tego typu z rzeczywistości często są niespójne: pomiary mogą być brakujące, jednostki różnić się między sobą, a w dane mogą wkradać się nietypowe obserwacje. Aby temu zaradzić, zespół wykorzystuje duże modele językowe — uniwersalne systemy AI zwykle stosowane do tekstu — do pomocy w czyszczeniu i restrukturyzacji danych. Modele te wspierają zadania takie jak sprawdzanie zakresów, ujednolicanie nazw i jednostek, tworzenie sensownych wielkości pochodnych (np. stosunku wody do spoiwa) oraz obsługa obserwacji odstających. Celem jest przekształcenie hałaśliwego arkusza kalkulacyjnego w spójny, zgodny z fizyką opis każdej mieszanki, który algorytmy uczące się będą mogły przetworzyć.

Nauczanie sieci, by widziała zarówno skład mieszanki, jak i czas

Wytrzymałość betonu zależy nie tylko od tego, co trafiło do mieszarki; istotne jest także, jak wytrzymałość rozwija się przez dni i tygodnie w miarę dojrzewania materiału. Wiele wcześniejszych narzędzi prognostycznych koncentrowało się albo na składnikach, albo na trendach czasowych, rzadko na obu jednocześnie. W tej pracy zastosowano przestrzenno‑czasową grafową sieć konwolucyjną — typ modelu, który traktuje każdy składnik (np. cement, wodę, żużel czy dodatki) jako węzeł w sieci, z powiązaniami odzwierciedlającymi siłę ich wzajemnych interakcji. Równocześnie model analizuje oś czasu, aby nauczyć się, jak te kombinacje zyskują wytrzymałość z wiekiem. W praktyce model uczy się wzorców typu „dużo cementu przy niskiej zawartości wody zazwyczaj prowadzi do szybszego i wyższego wzrostu wytrzymałości”, jednocześnie uchwytując subtelniejsze role żużla, popiołu i środków chemicznych w różnych okresach dojrzewania.

Pozwalanie „ludzkiemu” optymalizatorowi stroić AI

Nawet potężne sieci neuronowe mogą słabo pracować, jeśli ich wewnętrzne ustawienia — takie jak tempo uczenia, liczba warstw czy rozmiary filtrów — zostaną źle dobrane. Zamiast ręcznego strojenia, autorzy zastosowali nową metodę optymalizacji nazwaną algorytmem iHow. Inspirując się sposobem, w jaki uczą się ludzie, naprzemiennie prowadzi ona szerokie eksploracje wielu możliwych projektów i skupione dopracowanie najobiecującej grupy, zachowując przy tym rodzaj wewnętrznej pamięci o tym, co dotychczas się sprawdziło. Ten optymalizator przeszukuje przestrzeń projektów sieci i parametrów treningu dla modelu opartego na grafie, dążąc do minimalizacji błędów predykcji przy jednoczesnym unikaniu przeuczenia. Ta sama filozofia optymalizacyjna stosowana jest również do selekcji cech, przycinając listę wejściową do najbardziej informatywnych wielkości i utrzymując model kompaktowym i łatwym do interpretacji.

Jak to wypada w porównaniu z innymi narzędziami AI?

Zespół przeprowadził szerokie porównania z wieloma alternatywami: standardowymi sieciami głębokimi, transformatorami w stylu wizji, wariacyjnymi autoenkoderami, sieciami uwzględniającymi prawa fizyki oraz kilkoma różnymi metaheurystycznymi optymalizatorami, takimi jak rój cząstek czy algorytmy genetyczne. Przetestowano też cztery odrębne pipeline’y przetwarzania wstępnego napędzane różnymi modelami językowymi, pokazując, że lepsze czyszczenie danych i tworzenie cech wyraźnie poprawiają dokładność. We wszystkich tych testach połączenie optymalizacji iHow z przestrzenno‑czasową grafową siecią dawało najniższe błędy predykcji i najwyższą zgodność z mierzoną wytrzymałością. Sprawdzenia statystyczne, w tym analiza wariancji i nieparametryczne testy rangowe, potwierdzają, że te ulepszenia raczej nie wynikają z przypadku.

Co to oznacza dla przyszłej praktyki budowlanej

Mówiąc prosto, badanie pokazuje, że starannie strojony, oparty na grafie model AI, zasilany dobrze oczyszczonymi danymi, może przewidywać wytrzymałość betonu znacznie bardziej niezawodnie niż wcześniejsze podejścia. Ujmuje on interakcje między składnikami a czasem dojrzewania oraz korzysta z optymalizatora „uczenia się uczenia” do samodzielnego dopracowywania. Autorzy podkreślają, że metoda nadal wymaga testów na bardziej zróżnicowanych, rzeczywistych zestawach danych, zanim zostanie włączona do norm budowlanych czy systemów sterowania wytwórni, lecz już wskazuje na przyszłość, w której inżynierowie będą mogli komputerowo opracowywać bardziej ekologiczne receptury z pewnością, że przewidywana wytrzymałość będzie bliska tej, którą później zaobserwuje się w laboratorium lub na budowie.

Cytowanie: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Słowa kluczowe: predykcja wytrzymałości betonu, uczenie głębokie w budownictwie, grafowe sieci neuronowe, algorytmy optymalizacyjne, zrównoważone materiały betonowe