Разработка пользовательской функции потерь для регулирования недооценки и переоценки прогнозов механических свойств бетона в нейронных сетях

Почему важны более безопасные прогнозы прочности бетона

Большинство современных зданий и мостов опираются на бетон, и инженеры всё чаще используют искусственный интеллект, чтобы предсказывать его прочность. Однако в то время как стандартные нейронные сети стремятся к равномерной точности во всех направлениях, на практике конструкции безопаснее, если прогнозы чуть консервативны, а не чрезмерно оптимистичны. В этом исследовании предложен новый подход к обучению нейронных сетей, который снижает вероятность переоценки прочности бетона, помогая инженерам сохранять комфортный запас прочности, не отказываясь от преимуществ ИИ.

Баланс между безопасностью и умными алгоритмами

В практике гражданского строительства правила проектирования прописываются консервативно, чтобы конструкции оставались безопасными даже при вариативности материалов или погрешностях в исполнении. Недооценка прочности бетона обычно означает дополнительную безопасность, тогда как переоценка может незаметно съедать запасы прочности. Традиционные методы обучения нейронных сетей не различают эти два исхода; они просто стремятся уменьшить общий размер ошибок. Авторы утверждают, что это расходится с инженерным подходом к риску, и стремятся прямо заложить предпочтение безопасности в процесс обучения.

Функция потерь, отдающая приоритет осторожности

Сердцем исследования является пользовательская функция потерь — правило, которое говорит нейронной сети, насколько плоха каждая ошибка в процессе обучения. Вместо одинакового обращения со всеми ошибками предложенная формула сильнее штрафует случаи, когда модель предсказывает прочность выше реального значения, и мягче — когда предсказание ниже. Пара управляющих коэффициентов регулирует этот дисбаланс, позволяя настраивать модель в сторону безопасной недооценки. Функция потерь также нормализована, чтобы работать последовательно на различных наборах данных и шкалах, и интегрируется с привычными инструментами нейросетевого обучения, такими как TensorFlow или PyTorch.

Тестирование идеи на резинобетоне

Чтобы проверить, как это осторожное правило обучения работает на практике, авторы сосредотачиваются на резинобетоне — материале, в котором часть щебня заменена кусками отходов резины. Используя экспериментальный набор данных, они обучают несколько нейронных сетей с одинаковой архитектурой, но разными функциями потерь, включая распространённые варианты, такие как среднеквадратичная и средняя абсолютная ошибки. Затем сравнивают, насколько хорошо каждая модель предсказывает два ключевых механических свойства: прочность на сжатие, отражающую нагрузку, которую выдержит бетон, и модуль упругости, характеризующий его жёсткость при нагрузке.

Как консервативное обучение меняет прогнозы

Модели, обученные с пользовательской функцией потерь, достигают почти такой же общей точности, как и модели с традиционными функциями потерь, с уровнями ошибок примерно шесть процентов в большинстве случаев. Ключевое отличие — частота завышений истинной прочности. Для стандартных функций потерь от четверти до почти всех прогнозов в некоторых тестах оказываются переоценками. При правильной настройке пользовательской функции потерь доля таких переоценок резко падает — примерно до одного процента для прочности на сжатие и ниже десяти процентов для жёсткости — при сохранении хорошего приближения к данным. Графики «предсказанное против измеренного» показывают, что точки новой модели группируются чуть ниже линии идеального соответствия, что отражает намеренную, мягкую тенденцию к недооценке.

Что это значит для реальных конструкций

Сама по себе осторожная модель прогнозирования не гарантирует безопасность здания; проектировщикам по‑прежнему нужно следовать кодам, учитывать армирование, нагрузки и геометрию, а также проверять поведение элементов и систем. Но направляя нейронные сети в сторону недопущения неконсервативных переоценок на уровне материалов, новая функция потерь помогает обеспечить, чтобы прогнозы на базе ИИ попадали в проектные проверки с тем же приоритетом безопасности, который лежит в основе практики гражданского строительства. Авторы рассматривают свою работу как доказательство концепции, которое можно расширить на большие наборы данных и полные конструктивные модели, предлагая практический шаг к инструментам ИИ, работающим в унисон с устоявшимися принципами безопасности.

Цитирование: Habib, A., Habib, M., Junaid, M.T. et al. Developing a custom loss function for regulating underestimation and overestimation of concrete mechanical properties predictions in neural network models. Sci Rep 16, 15950 (2026). https://doi.org/10.1038/s41598-026-44200-5

Ключевые слова: прогноз прочности бетона, нейронные сети, функция потерь, резинобетон, конструктивная безопасность