Opracowanie niestandardowej funkcji straty regulującej niedoszacowanie i przeszacowanie prognoz mechanicznych właściwości betonu w modelach sieci neuronowych

Dlaczego bezpieczniejsze prognozy betonu mają znaczenie

Większość współczesnych budynków i mostów opiera się na betonie, a inżynierowie coraz częściej wykorzystują sztuczną inteligencję do przewidywania jego wytrzymałości. Jednak podczas gdy standardowe sieci neuronowe dążą do jednakowej dokładności we wszystkich kierunkach, rzeczywiste konstrukcje są bezpieczniejsze, gdy prognozy są nieco ostrożne zamiast zbyt optymistyczne. W badaniu przedstawiono nowy sposób trenowania sieci neuronowych, dzięki któremu rzadziej będą one przeszacowywać wytrzymałość betonu, co pomaga inżynierom zachować komfortową rezerwę bezpieczeństwa, nie rezygnując z zalet AI.

Równoważenie bezpieczeństwa i inteligentnych algorytmów

W praktyce inżynierii lądowej zasady projektowania są pisane konserwatywnie, tak aby konstrukcje pozostawały bezpieczne nawet przy zmienności materiałów lub niedoskonałościach wykonawczych. Niedoszacowanie wytrzymałości betonu zwykle oznacza dodatkowe bezpieczeństwo, podczas gdy przeszacowanie może stopniowo zjadać marginesy bezpieczeństwa. Tradycyjne metody trenowania sieci neuronowych nie rozróżniają tych dwóch rezultatów; po prostu redukują ogólny rozmiar błędów. Autorzy twierdzą, że stoi to w sprzeczności z podejściem inżynierów do ryzyka i postanawiają wbudować tę preferencję bezpieczeństwa bezpośrednio w proces uczenia.

Funkcja straty preferująca ostrożność

Rdzeniem badania jest niestandardowa funkcja straty — reguła, która mówi sieci neuronowej, jak złe jest każde przewinienie podczas treningu. Zamiast traktować wszystkie błędy jednakowo, proponowany wzór nakłada większe kary, gdy model przewiduje wyższą wytrzymałość niż wartość rzeczywista, i łagodniejsze, gdy przewiduje niższą wytrzymałość. Para parametrów kontrolnych reguluje tę nierównowagę, pozwalając dostroić model w kierunku bezpieczniejszych niedoszacowań. Strata jest także normalizowana, aby działać spójnie na różnych zestawach danych i skalach, i łączona ze standardową konfiguracją sieci neuronowej przy użyciu popularnych narzędzi, takich jak TensorFlow czy PyTorch.

Testowanie pomysłu na betonie z domieszką gumy

Aby sprawdzić, jak ta ostrożna reguła treningowa zachowuje się w praktyce, autorzy skupiają się na betonie z domieszką gumy, materiale, w którym część kruszywa zastąpiono kawałkami odpadowej gumy. Wykorzystując zbiór danych eksperymentalnych, trenują kilka sieci neuronowych o tej samej architekturze, lecz z różnymi funkcjami straty, w tym popularnymi wyborami, takimi jak błąd średniokwadratowy i błąd bezwzględny średni. Następnie porównują, jak dobrze każdy model przewiduje dwie kluczowe właściwości mechaniczne: wytrzymałość na ściskanie, która odzwierciedla, jak duże obciążenie beton może przenosić, oraz moduł sprężystości, opisujący sztywność materiału pod obciążeniem.

Jak konserwatywne uczenie zmienia prognozy

Modele trenowane z niestandardową funkcją straty osiągają niemal taką samą ogólną dokładność jak te z tradycyjnymi stratami, z poziomami błędów około sześciu procent w większości przypadków. Kluczowa różnica polega na częstotliwości przeszacowań rzeczywistej wytrzymałości. Dla standardowych funkcji straty od jednej czwartej do niemal wszystkich prognoz w niektórych testach to przeszacowania. Gdy niestandardowa strata jest odpowiednio dostrojona, udział przeszacowań dramatycznie spada — do około jednego procenta dla wytrzymałości na ściskanie i poniżej dziesięciu procent dla sztywności — przy jednoczesnym bardzo dobrym dopasowaniu do danych. Wykresy porównujące wartości przewidziane i zmierzone pokazują punkty nowego modelu skupione tuż poniżej idealnej linii równości, co odzwierciedla celowe, łagodne przesunięcie w stronę niedoszacowania.

Co to oznacza dla rzeczywistych konstrukcji

Samo w sobie konserwatywne modelowanie prognoz nie gwarantuje bezpiecznego budynku; projektanci muszą nadal przestrzegać przepisów, uwzględniać zbrojenie, obciążenia i geometrię oraz sprawdzać zachowanie elementów i systemów. Jednak przez odciąganie sieci neuronowych od niekonserwatywnych przeszacowań na poziomie materiałowym, nowa funkcja straty pomaga zapewnić, że prognozy oparte na AI trafiają do tych kontroli projektowych z tą samą filozofią „bezpieczeństwo w pierwszej kolejności”, która stoi u podstaw praktyki inżynierii lądowej. Autorzy postrzegają swoją pracę jako dowód koncepcji, którą można rozszerzyć na większe zbiory danych i pełne modele konstrukcyjne, oferując praktyczny krok w kierunku narzędzi AI współdziałających, a nie działających w sprzeczności, z ustalonymi zasadami bezpieczeństwa.

Cytowanie: 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

Słowa kluczowe: predykcja wytrzymałości betonu, sieci neuronowe, funkcja straty, beton z domieszką gumy, bezpieczeństwo konstrukcji