Прогнозирование базовой кривой для корродированных железобетонных колонн на основе ансамблевого обучения с использованием экспериментальной базы данных

Почему важны стареющие бетонные колонны

Многие мосты и здания, на которые мы опираемся ежедневно, стоят на железобетонных колоннах, которые с годами незаметно ржавеют. Соль от обработки дорог, морской морось и загрязнённый воздух со временем разъедают сталь внутри и ослабляют эти опоры как раз тогда, когда им может потребоваться выдержать землетрясение. В этой работе предложен новый подход, который использует большие объёмы экспериментальных данных и современные методы машинного обучения для прогнозирования поведения таких повреждённых колонн при сильных колебаниях, помогая инженерам принимать решения о ремонте, усилении или замене.

Как ржавчина меняет картину прочности

Когда сталь внутри бетонной колонны корродирует, продукт коррозии занимает больший объём, чем исходный металл. Это расширение приводит к растрескиванию окружающего бетона: сначала в виде тонких внутренних трещин, затем в виде видимых вертикальных разломов и отслоений. Одновременно арматурные стержни теряют сечение, прочность и пластичность, а их сцепление с бетоном снижается. При знакопеременных нагрузках, имитирующих землетрясение, исправные колонны на графике «сила—смещение» описывают широкие округлые петли, демонстрируя высокое поглощение энергии. Корродированные колонны, напротив, рисуют более узкие, «защемлённые» петли и теряют прочность быстрее после первой текучести, что указывает на переход к хрупкому, менее прощающему поведению, делая конструкции более уязвимыми к обрушению.

От разрозненных испытаний — к единой картине

Исследователи по всему миру испытывали поодиночке корродированные колонны в разных лабораториях, используея широкий спектр размеров, компоновок арматуры, материалов, уровней коррозии и условий нагружения. В этом исследовании 200 таких образцов объединены в единую экспериментальную базу, охватывающую реалистичные диапазоны геометрии колонн, прочности стали и бетона, осевой нагрузки и измеренной коррозии как основных стержней, так и хомутов. Вместо того чтобы упрощать поведение каждой колонны до нескольких характерных точек, авторы извлекают полную базовую кривую — плавную огибающую, которая показывает, как поперечное сопротивление растёт, достигает пика и затем снижается по мере колебаний колонны. Эти измеренные кривые затем используются в качестве целей для моделей с обучением на данных, которые усваивают поведение напрямую из экспериментов, а не из заранее избранных формул.

Обучение машин «читать» повреждения

Команда обучает несколько методов ансамблевого обучения — семейств многих небольших деревьев решений, голосующих совместно — для прогнозирования ключевых стадий вдоль базовой кривой каждой колонны: прочности при первой текучести, пиковой прочности и остаточной прочности после тяжёлого повреждения. Используя часть базы данных для обучения и оставляя остальную часть для тестирования, они настраивают модели с помощью байесовского поиска, чтобы захватить общие закономерности, не запоминая отдельные образцы. Из всех опробованных подходов наиболее надёжной оказывается модель экстремального градиентного бустинга, показывающая высокую точность по стадиям текучести, пика и остаточной прочности и, что важно, воспроизводящая резкое послепиковое размягчение, которое более простые идеализированные модели часто пропускают или недооценивают.

Какие детали важны в первую очередь

Чтобы выйти за рамки «чёрного ящика», авторы применяют технику SHAP, заимствованную из теории игр, чтобы измерить, насколько каждый входной фактор сдвигает прогнозируемую прочность вверх или вниз. Они обнаруживают, что базовая форма и пропорции — такие как изгибовый размах и общая глубина колонны — наряду с пониженной прочностью арматуры наиболее важны на стадии первой текучести и при пиковом усилии. По мере развития повреждений более критичными становятся параметры, связанные с ограничением (конфайнментом) и режимом отказа, что отражает переход контроля от простой геометрии к растрескиванию, дроблению бетона и выпучиванию стержней. Такой анализ позволяет инженерам понять, вызвана ли слабость колонны прежде всего большой осевой нагрузкой, плохой деталировкой или сильной коррозией, и выбрать более прицельные меры усиления.

Что это значит для повседневной безопасности

Практически исследование показывает, что тщательно обученная прозрачная модель машинного обучения может надёжно восстановить весь путь «прочность—смещение» корродированной бетонной колонны, используя измеримые характеристики и индикаторы коррозии. По сравнению со старыми идеализированными формулами базовой кривой новый подход лучше отражает скорость падения прочности после пика, особенно в сильно корродированных случаях, где остаточная несущая способность часто была переоценена. Это даёт владельцам мостов и зданий более чёткое представление о том, сколько сейсмического резерва осталось в стареющих опорах, и помогает им приоритизировать ремонт до следующего большого землетрясения, превращая разрозненные лабораторные испытания в мощный инструмент для принятия решений в реальном мире.

Цитирование: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

Ключевые слова: коррозия железобетона, сейсмическая работоспособность, машинное обучение в гражданском строительстве, прогнозирование базовой кривой, стареющая инфраструктура