Porównanie podejść uczenia maszynowego i głębokiego do przewidywania reakcji sejsmicznej połączeń płyta‑słup

Dlaczego bezpieczniejsze stropy w trzęsieniach ziemi mają znaczenie

Wielu miejskich budynków opiera się na płaskich betonowych stropach spoczywających bezpośrednio na słupach, bez głębokich belek podporowych. Podczas trzęsienia ziemi złącza, gdzie płyty spotykają słupy, mogą ulec nagłej awarii, powodując opadanie kondygnacji i częściowe zawalenie budynku. Niniejsze badanie analizuje, jak nowoczesne narzędzia oparte na danych mogą pomóc inżynierom lepiej przewidywać zachowanie tych krytycznych złączy przy silnych drganiach, tak aby budynki mogły być projektowane lub sprawdzane z większym zaufaniem.

Jak złącza mogą ulec nagłej awarii

W budynkach z płaskimi płytami słup musi przenosić zarówno pionowe obciążenie, jak i poziome siły sejsmiczne na płytę stropową. Jeśli naprężenia skoncentrują się zbyt mocno wokół słupa, płyta może przebić się wokół słupa jak wykrojnik przez papier. Ta krucha awaria daje niewiele ostrzeżeń i może wywołać postępujące zawalenie. Równocześnie cały budynek się kołysze — opisuje to wskaźnik zwany współczynnikiem przemieszczenia (drift ratio), który informuje inżynierów, jak bardzo konstrukcja odchyliła się względem wysokości. Zarówno lokalny moment przebicia w złączu, jak i ogólne przemieszczenie są kontrolowane przez wiele czynników, w tym grubość płyty, rozmiar słupa, ilość zbrojenia, wytrzymałość betonu oraz charakter obciążenia sejsmicznego.

Wykorzystanie wcześniejszych testów i komputerów jako narzędzi uczących się

Autorzy zebrali bazę danych 217 starannie udokumentowanych badań laboratoryjnych dotyczących połączeń płyta‑słup pod symulowanym obciążeniem sejsmicznym. Każdy test zawierał wymiary geometryczne, wytrzymałości materiałów, szczegóły zbrojenia, przyłożone obciążenie grawitacyjne, typ obciążenia oraz zmierzony moment przebicia i współczynnik przemieszczenia przy awarii. Następnie dane podzielono na zbiory treningowe i testowe, aby modele komputerowe były oceniane pod kątem zdolności do przewidywania wyników, których wcześniej nie widziały. Przed modelowaniem zespół oczyścił dane, poradził sobie z brakującymi wartościami, skalował zakresy liczbowe i zbadał, jak poszczególne zmienne wiążą się z awarią, używając narzędzi wizualnych takich jak wykresy pudełkowe i wykresy rozrzutu.

Porównanie wielu sposobów uczenia komputerów

Aby ustalić, które techniki działają najlepiej, badanie porównało szeroki zestaw metod uczenia maszynowego z kilkoma podejściami głębokiego uczenia. Grupa uczenia maszynowego obejmowała proste formuły liniowe, wersje regularizowane zapobiegające przeuczeniu oraz bardziej elastyczne zespoły oparte na drzewach, takie jak las losowy (random forest), gradient boosting i XGBoost. Grupa głębokiego uczenia używała architektur sieci neuronowych częściej spotykanych w analizie obrazów lub sekwencji, w tym sieci konwolucyjnych, rekurencyjnych, długiej pamięci krótkotrwałej (LSTM) oraz modelu hybrydowego łączącego warstwy konwolucyjne i rekurencyjne. W przeciwieństwie do problemów obrazowych, tutaj sieci głębokie otrzymywały uporządkowane tabele danych inżynierskich przekształcone do jednowymiarowych sekwencji.

Co modele ujawniły o wytrzymałości i przemieszczeniu

Do przewidywania momentu przebicia w złączu płyta‑słup najlepiej spisały się modele uczenia maszynowego budowane z wielu drzew decyzyjnych. Gradient boosting osiągnął najwyższą dokładność na niewidzianych wcześniej testach, tuż za nim uplasowały się XGBoost i las losowy. Modele te uchwyciły złożoną, nieliniową mieszaninę geometrii, materiałów i obciążeń, która rządzi lokalną wytrzymałością złącza. Do przewidywania współczynnika przemieszczenia, odzwierciedlającego, jak cały układ się kołysze, las losowy okazał się lepszy od innych podejść, chociaż wszystkie modele miały z tym zadaniem większe trudności i większy rozrzut wyników. Modele głębokiego uczenia, szczególnie typ hybrydowy, nie przewyższyły metod opartych na drzewach dla tego stosunkowo małego, tabelarycznego zestawu danych i wymagały znacznie więcej mocy obliczeniowej.

Co to oznacza dla bezpieczniejszego projektowania budynków

Dla osoby niebędącej specjalistą kluczowe przesłanie jest takie, że starannie dobrane narzędzia uczenia maszynowego mogą już dostarczać inżynierom dokładniejsze oszacowania, jak i kiedy złącza płyta‑słup mogą zawieść podczas trzęsień ziemi — szczególnie w zakresie lokalnej wytrzymałości na przebicie, a w mniejszym stopniu dla ogólnego przemieszczenia. W tym badaniu tradycyjne, oparte na drzewach metody uczenia maszynowego przewyższały bardziej modne sieci głębokiego uczenia dla dostępnych danych, oferując lepszą dokładność przy mniejszej złożoności. Autorzy zalecają stosowanie takich modeli jako wsparcie decyzyjne obok istniejących zasad projektowych, zamiast zastępowania inżynierskiego osądu. Przy większych zbiorach danych i dopracowanych cechach metody oparte na danych mogą stać się praktycznym elementem rutynowej oceny sejsmicznej budynków z płaskimi płytami.

Cytowanie: 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

Słowa kluczowe: projektowanie sejsmiczne, budynki z płaskimi płytami, uczenie maszynowe, przebicie, wskaźnik przemieszczenia