Оптимизация моделей машинного обучения с помощью Optuna для точного прогнозирования прочности и поведения трещин в предварительно напряжённых железобетонных балках

Почему важно предсказывать трещины в бетоне

Мосты и крупные здания опираются на длинные бетонные балки, которые годами тихо выдерживают интенсивное движение и погодные воздействия. Многие из этих балок предварительно напряжены — стальные канаты натягиваются внутри бетона, чтобы он противостоял растрескиванию и прогибам. Когда такие балки теряют прочность или начинают неожиданно трескаться, последствия могут быть серьёзными: дорогостоящий ремонт, перекрытия движения или даже аварии. Лабораторные испытания полноразмерных балок при этом дороги и медленны. В этом исследовании рассматривается, как современные методы машинного обучения, тщательно настроенные с помощью инструмента оптимизации Optuna, могут предсказывать прочность балок и поведение трещин, опираясь на уже имеющиеся данные испытаний вместо новых крупных экспериментов.

От разрозненных результатов испытаний к богатому набору данных

Исследователи сначала собрали большую коллекцию результатов испытаний предварительно напряжённых бетонных балок из 22 опубликованных работ, получив в итоге 626 наборов данных по балкам. Каждая балка была описана 21 измеряемой характеристикой, такими как ширина и высота, количество и расположение арматуры, а также параметры предварительного напряжения стержней. Исходными величинами, представляющими интерес, были момент образования первой значительной трещины (момент растрескивания), нагрузка, при которой балка разрушается (предельный момент), типичное расстояние между трещинами и максимальная ширина трещины. Данные были тщательно очищены и стандартизованы, чтобы различия в единицах измерения и условиях испытаний не вводили модели в заблуждение, после чего часть данных была отложена для честной независимой проверки.

Обучение компьютеров распознавать признаки разрушения

Вместо опоры на традиционные формулы, которые часто не справляются с хаотичной реальностью реальных конструкций, команда обучила четыре популярных модели машинного обучения извлекать закономерности непосредственно из данных: деревья решений, случайный лес, XGBoost и LightGBM. Все эти модели строят множество правил принятия решений на основе входных признаков для прогнозирования поведения балки. Однако их эффективность сильно зависит от настройки «ручек», называемых гиперпараметрами — например, насколько глубоко может расти дерево решений, сколько деревьев использовать и с какой скоростью модель обучается. Неправильно подобранные настройки приводят к медленным, неточным или переобученным моделям, которые плохо работают на новых образцах.

Доверьтесь Optuna: поиск лучших настроек

Чтобы решить задачу настройки, исследователи использовали Optuna — современную платформу оптимизации, которая автоматически исследует перспективные сочетания гиперпараметров вместо ручного перебора. Для каждой кандидатной конфигурации Optuna обучала модель, оценивала, насколько хорошо она предсказывает характеристики балки, и затем использовала эту обратную связь для предложений более удачных настроек. Команда также изучала кривые обучения, чтобы выбрать подходящее число этапов обучения и избежать преждевременной остановки или переобучения. Этот процесс выявил явного лидера: модель LightGBM, настроенная Optuna, предсказала прочность балки с коэффициентом детерминации R² выше 0,98 и сопротивление растрескиванию с R² выше 0,8, что означает очень хорошее согласование предсказаний с результатами испытаний.

Открывая «чёрный ящик» машинного обучения

Высокая точность сама по себе недостаточна для инженеров, которым нужно понимать, почему модель делает те или иные предсказания, прежде чем применять её в расчётах или проверках безопасности. Для повышения прозрачности авторы использовали SHAP — метод, который разлагает каждое предсказание на вклад отдельных входных признаков. SHAP показал, например, что глубина сжатой зоны балки, количество предварительно напряжённой стали и прочность бетона существенно влияют на момент появления трещин и их максимальную ширину — выводы, согласующиеся с базовыми представлениями конструкционной механики. По сути, модель машинного обучения не только соответствовала человеческим представлениям, но и количественно оценивала относительное влияние различных конструктивных решений.

Что это значит для реальных конструкций

Главная мысль для неспециалистов заключается в том, что тщательно настроенное машинное обучение может преобразовать разрозненные результаты испытаний в практичный инструмент для оценки состояния и безопасности предварительно напряжённых железобетонных балок. Модели LightGBM и XGBoost, оптимизированные с помощью Optuna, могут помочь инженерам оценивать, когда балки начнут трескаться и какую нагрузку они способны безопасно нести, не заставляя строить и разрушать большое количество полноразмерных образцов. Поскольку модели одновременно точны и объяснимы, они могут направлять более взвешенные проектные решения — например, сколько арматуры использовать и где её размещать — что помогает продлить срок службы мостов и зданий, экономя время, деньги и материалы.

Цитирование: 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

Ключевые слова: предварительно напряжённые железобетонные балки, прогноз трещин, машинное обучение, оптимизация гиперпараметров, строительная инженерия