Модель прочности на сдвиг легкобетонных элементов на основе глубокой нейронной сети и оптимизации COVID-19

Почему важны более лёгкий бетон и умные методы расчёта

Здания и мосты становятся выше, длиннее и эффективнее, поэтому инженеры ищут материалы, которые одновременно прочны и лёгки. Легкобетон помогает снижать массу конструкций и улучшать теплоизоляцию, но предсказать, как он будет трескаться и разрушаться под определёнными нагрузками, непросто. В этом исследовании показано, как современная форма искусственного интеллекта в сочетании с алгоритмом, вдохновлённым распространением COVID-19, может прогнозировать один ключевой параметр легкобетона точнее, чем существующие проектные правила, что потенциально ведёт к более безопасным и экономичным конструкциям.

Проблема предотвращения разреза

Когда балка из бетона в здании или на мосту несёт нагрузки, она может разрушаться по-разному. Один из самых внезапных и трудно предсказуемых режимов — сдвиг, при котором образуются диагональные трещины, прорезающие балку. Традиционные проектные формулы, используемые в основных строительных нормах по всему миру, намеренно консервативны, но часто расходятся между собой и могут неверно оценивать поведение реальных балок. Ситуация усложняется для легкобетона: его меньшая масса и иные заполнители меняют механизм образования трещин и пути передачи усилий в материале, ослабляя некоторые внутренние механизмы, обычно сопротивляющиеся сдвигу.

Как глубокая модель читает поведение конструкции

Чтобы справиться с этой задачей, авторы построили глубокую нейронную сеть — тип ИИ-модели, состоящей из многих слоёв простых вычислительных звеньев, обнаруживающих закономерности в данных. Они обучили сеть на экспериментальных результатах по балкам из легкобетона, подавая на вход геометрию, прочностные характеристики материалов, параметры арматуры и схему приложения нагрузки. Вместо случайной инициализации внутренних параметров они настроили начальные значения с помощью специальной стратегии поиска, получившей неформальное название алгоритма оптимизации COVID-19, заимствующей идеи из процессов распространения, затухания и сдерживания инфекции. Такой более осмысленный старт помогает сети учиться быстрее и избегать застревания в плохих решениях.

Тестирование на реальных балках и в сравнении с нормами

Затем исследователи протестировали модель, сравнив её прогнозы с лабораторными измерениями и с тремя широко используемыми нормами проектирования из США, Европы и Японии. Они уделили особое внимание областям данных с высокой нелинейностью, где небольшие изменения входных параметров могут вызывать большие и неравномерные скачки в прочности на сдвиг. Именно в этих сложных зонах глубокая сеть следовала результатам испытаний намного точнее, чем формулы норм, которые склонялись в сторону расхождений. По всей выборке новая модель показала наименьшую среднюю ошибку и наиближайшее соответствие предсказанных и наблюдаемых значений прочности, при этом сохраняла надёжность при повторной проверке кросс-валидацией, предохраняющей от переобучения.

Что модель показывает про ключевые компоненты

Помимо простого предсказания чисел, авторы использовали обученную сеть, чтобы выяснить, какие свойства балки и материала имеют наибольшее значение. Анализ выделил эффективную глубину балки, прочность бетона на сжатие, его объёмный вес и ширину балки как наиболее сильные факторы, определяющие несущую способность на сдвиг у легкобетона. В то же время некоторые факторы, обычно считающиеся важными, такие как размер заполнителя и количество изгибающей арматуры, в этой выборке показали удивительно низкое влияние, что ставит вопросы для будущих экспериментов и указывает, что проектировщикам, возможно, стоит сосредоточиться на более узком наборе параметров при уточнении правил для легких смесей.

Что это значит для будущих конструкций

Для неспециалистов главный вывод таков: тщательно обученная модель глубокого обучения может выступать как искусный переводчик между лабораторными испытаниями и повседневной практикой проектирования. В этом исследовании сеть, оптимизированная алгоритмом COVID-19, справилась с оценкой сопротивления легкобетонных балок сдвиговым нагрузкам лучше, чем существующие формулы норм, особенно в сложных случаях, где поведение далеко от простого. Хотя инженеры по-прежнему будут полагаться на нормы для регламентного одобрения, такие инструменты могут помочь выявлять чрезмерно консервативные или потенциально небезопасные решения и двигаться в сторону более лёгких и эффективных конструкций с более рациональным использованием материалов.

Цитирование: 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

Ключевые слова: легкобетон, прочность на сдвиг, глубокая нейронная сеть, инженерные конструкции, алгоритм оптимизации