Прогнозирование прочности на сжатие бетона с помощью оптимизированных глубоких нейросетей и больших языковых моделей

Почему это важно для более безопасных и экологичных зданий

Бетон поддерживает наши дома, мосты и туннели, но проверка его прочности обычно требует недель ожидания лабораторных результатов. В этом исследовании рассматривается, как передовые методы искусственного интеллекта могут быстро и точно предсказывать прочность бетона, исходя только из рецептуры. Более быстрые и надёжные прогнозы помогут инженерам проектировать более безопасные сооружения, сократить экспериментальные пробные испытания в лаборатории и упростить использование низкоуглеродных компонентов, таких как промышленные побочные продукты.

От неаккуратных лабораторных данных к чистым цифровым ингредиентам

Исследователи начинают с большой публичной базы данных смесей бетона. В каждой записи указано, сколько цемента, шлака, летучей золы, воды, химических добавок, песка, гравия и времени выдержки использовалось, а также измеренная конечная прочность. Подобные данные из реального мира часто непоследовательны: измерения могут отсутствовать, единицы могут различаться, а редкие выбросы — проскакивать. Для решения этих проблем команда использует большие языковые модели — универсальные ИИ‑системы, обычно применяемые для работы с текстом — чтобы помочь очистить и реструктурировать данные. Эти модели направляют задачи проверки диапазонов, согласования наименований и единиц, создания значимых производных величин, например отношения вода/вяжущее, и обработки выбросов. Цель — преобразовать шумную таблицу в согласованное, учитывающее физику описание каждой смеси, которое смогут усвоить алгоритмы обучения.

Обучение сети учитывать и состав, и временную динамику

Прочность бетона зависит не только от того, что кладут в миксер; она также определяется тем, как прочность нарастает в течение дней и недель при наборе. Многие предыдущие средства прогнозирования либо фокусировались на ингредиентах, либо на временных тенденциях, но редко одновременно на обоих аспектах. В этой работе используется пространственно‑временная графовая сверточная сеть — тип модели, который рассматривает каждый ингредиент (например, цемент, вода, шлак или добавки) как узел в сети, с связями, отражающими степень их взаимодействия. Одновременно модель прослеживает временную ось, чтобы научиться тому, как эти комбинации набирают прочность с возрастом. По сути модель усваивает такие закономерности, как «высокое содержание цемента при низком водоцементном отношении обычно даёт более быстрое и высокое укрепление», а также улавливает более тонкие роли шлака, золы и химических веществ в разные периоды выдержки.

Позволяя «человеко‑подобному» оптимизатору настраивать ИИ

Даже мощные нейросети могут работать хуже ожидаемого, если их внутренние параметры — такие как скорость обучения, число слоёв или размеры фильтров — выбраны плохо. Вместо ручной настройки авторы используют новый метод оптимизации, названный iHow Optimization Algorithm. Вдохновлённый тем, как люди учатся, он чередует широкое исследование множества возможных вариантов и сосредоточенную донастройку наиболее перспективных, при этом сохраняя некоторую внутреннюю память о ранее успешных решениях. Этот оптимизатор ищет пространство архитектур сетей и параметров обучения для графовой модели, стремясь минимизировать ошибки прогноза и избегать переобучения. Та же идея оптимизации применяется и для отбора признаков, сокращая входной список до наиболее информативных величин и делая модель компактной и интерпретируемой.

Насколько это лучше по сравнению с другими инструментами ИИ?

Команда провела обширные сравнения с широким набором альтернатив: стандартными глубокими сетями, трансформерами в стиле компьютерного зрения, вариационными автокодировщиками, физико‑информированными сетями и несколькими метаэвристическими оптимизаторами, такими как рой частиц и генетические алгоритмы. Они также протестировали четыре разных конвейера предобработки, управляемых различными языковыми моделями, демонстрируя, что лучшая очистка и создание признаков заметно повышают итоговую точность. По всем этим тестам сочетание оптимизации iHow с пространственно‑временной графовой сетью показало наименьшие ошибки прогноза и наибольшее согласие с измеренными значениями прочности. Статистические проверки, включая дисперсионный анализ и непараметрические ранговые тесты, подтверждают, что эти улучшения вряд ли обусловлены случайностью.

Что это значит для практики строительства в будущем

Проще говоря, исследование показывает, что тщательно настроенная графовая модель ИИ, питаемая хорошо очищенными данными, может предсказывать прочность бетона значительно надежнее, чем ранние подходы. Она учитывает взаимодействие ингредиентов и времени выдержки и использует «обучающийся оптимизатор» для тонкой настройки. Авторы подчёркивают, что метод всё ещё требует проверок на более разнообразных реальных наборах данных, прежде чем его можно будет внедрять в строительные нормы или системы управления заводами, но уже сейчас он указывает на будущее, в котором инженеры смогут с уверенностью исследовать более экологичные рецептуры в цифровой среде, будучи уверенными, что предсказанная прочность будет близка к результатам лабораторных или полевых испытаний.

Цитирование: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Ключевые слова: прогноз прочности бетона, глубокое обучение в строительстве, графовые нейронные сети, алгоритмы оптимизации, устойчивые бетонные материалы