Сравнение методов машинного обучения и глубокого обучения для прогнозирования сейсмической реакции узлов плита-колонна

Почему безопасные перекрытия при землетрясениях важны

Во многих городских зданиях используются плоские железобетонные перекрытия, опирающиеся непосредственно на колонны, без глубоких несущих балок. Во время землетрясения узлы, где плита соединяется с колонной, могут внезапно разрушиться, что приведёт к провалу перекрытий и частичному обрушению здания. В этом исследовании рассматривается, как современные инструменты, основанные на данных, могут помочь инженерам точнее прогнозировать поведение этих критических узлов при сильной тряске, чтобы проектировать и проверять здания с большей уверенностью.

Как узлы здания могут разрушаться внезапно

В зданиях с плоскими плитами колонна должна передавать как вертикальные нагрузки, так и боковые силы землетрясения в плиту перекрытия. Если напряжения слишком концентрируются вокруг колонны, плита может прорваться вокруг неё, как штамп через бумагу — явление, известное как пробивная (punching) отлёжка. Такое хрупкое разрушение мало предвещает и может спровоцировать прогрессирующее обрушение. Одновременно всё здание раскачивается, что описывается показателем, называемым коэффициентом смещения (drift ratio), который показывает, насколько конструкция отклоняется относительно высоты. И локальный момент пролёта у узла, и общий дрейф зависят от множества факторов: толщины плиты, размеров колонны, количества арматуры, прочности бетона и характера сейсмической нагрузки.

Использование прошлых испытаний и компьютеров как инструментов обучения

Авторы собрали базу данных из 217 тщательно задокументированных лабораторных испытаний узлов плита–колонна при имитированной сейсмической нагрузке. Для каждого испытания были указаны геометрические размеры, прочностные характеристики материалов, детали армирования, приложенная собственная нагрузка, тип нагрузки, а также измеренные момент пробития и коэффициент смещения при разрушении. Затем эти данные разделили на тренировочную и тестовую выборки, чтобы оценивать модели по их способности предсказывать ранее невидимые результаты. Перед моделированием команда очистила данные, обработала пропуски, масштабировала числовые диапазоны и изучила взаимосвязи переменных с разрушением с помощью визуальных средств, таких как ящиковые диаграммы и диаграммы рассеяния.

Сравнение множества способов обучения компьютеров

Чтобы выяснить, какие техники работают лучше, исследование сравнило широкий набор методов машинного обучения с несколькими подходами глубокого обучения. В группу машинного обучения вошли простые линейные формулы, регуляризованные версии, снижающие переобучение, и более гибкие ансамблевые деревья решений, такие как случайный лес, градиентный бустинг и XGBoost. В группу глубокого обучения включили архитектуры нейронных сетей, чаще используемые для анализа изображений или последовательностей: свёрточные сети, рекуррентные сети, сети с долгой краткосрочной памятью (LSTM) и гибридную модель, сочетающую свёрточные и рекуррентные слои. В отличие от задач с изображениями, этим глубоким сетям подавали структурированные табличные инженерные данные, преобразованные в одномерные последовательности.

Что показали модели о прочности и смещении

При прогнозировании момента пробития в узле плита–колонна лучше всех себя показали модели машинного обучения на основе множества деревьев решений. Градиентный бустинг достиг наивысшей точности на невидимых тестах, за ним с небольшим отрывом следовали XGBoost и случайный лес. Эти модели уловили сложную нелинейную смесь геометрии, материалов и нагрузок, определяющую локальную прочность узла. Для предсказания коэффициента смещения, отражающего общее раскачивание системы, лидировал случайный лес, хотя все модели справлялись с этой задачей хуже и допускали больше разброса. Модели глубокого обучения, особенно гибридные, не превзошли древовидные методы на этой относительно небольшой табличной выборке и требовали значительно больших вычислительных ресурсов.

Что это означает для более безопасного проектирования зданий

Для неспециалиста главный вывод таков: правильно подобранные инструменты машинного обучения уже могут дать инженерам более точные оценки того, как и когда узлы плита–колонна могут разрушиться при землетрясении, особенно в отношении локальной пробивной прочности и, в меньшей степени, общего смещения. В этом исследовании традиционные древовидные методы машинного обучения превзошли более модные сети глубокого обучения для имеющихся данных, обеспечивая лучшую точность при меньшей сложности. Авторы рекомендуют использовать такие модели как средство поддержки принятия решений наряду с существующими расчётными правилами, а не заменять инженерное суждение. С увеличением объёмов данных и уточнением признаков эти методы, основанные на данных, могут стать практической частью рутинной сейсмической оценки зданий с плоскими плитами.

Цитирование: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

Ключевые слова: сейсмическое проектирование, плоские плиты зданий, машинное обучение, пробивная прочность, коэффициент смещения