Skjuvhållfasthet hos lätta betongelement modell baserad på djup neuralt nätverk och COVID-19-optimering

Varför lättare betong och smart matematik spelar roll

Byggnader och broar blir högre, längre och mer effektiva, och ingenjörer söker material som är starka men lätta. Lättbetong hjälper till att minska konstruktionernas vikt och förbättra isoleringen, men det är svårt att förutsäga hur den kommer att spricka och brista under vissa typer av laster. Denna studie visar hur en modern form av artificiell intelligens, kombinerad med en algoritm inspirerad av spridningen av COVID-19, kan förutsäga en nyckelegenskap hos lättbetong mer exakt än dagens konstruktionsregler, vilket potentiellt kan leda till säkrare och mer effektiva konstruktioner.

Utmaningen att hindra betong från att rivas sönder

När en betongbalk i en byggnad eller bro bär laster kan den gå sönder på olika sätt. Ett av de mest plötsliga och svårförutsägbara lägena kallas skjuvning, där diagonala sprickor bildas och skär igenom balken. Traditionella designformler som används i stora byggnormer runt om i världen är medvetet konservativa, men de är ofta inkonsistenta sinsemellan och kan missbedöma hur verkliga balkar beter sig. Problemet blir ännu svårare med lättbetong, vars lägre vikt och annorlunda ballastmaterial förändrar hur sprickor bildas och hur krafter förs genom materialet, vilket försvagar vissa interna mekanismer som normalt hjälper till att motstå skjuvning.

Hur en djupinlärningsmodell läser strukturbeteende

För att tackla detta byggde författarna ett djupt neuralt nätverk, en typ av AI-modell bestående av många lager av enkla bearbetningsenheter som fångar mönster i data. De tränade detta nätverk på experimentella resultat från lättbetongbalkar och matade in geometriska detaljer, materialstyrkor, egenskaper hos armeringsstål och hur lasten appliceras. Istället för att börja från slumpmässiga inställningar stämde de av nätverkets initiala interna parametrar med en speciell sökstrategi med smeknamnet COVID-19-optimeringsalgoritm, som lånar idéer från hur en infektion sprids, dör ut eller begränsas. Denna smartare startpunkt hjälper nätverket att lära snabbare och undvika att fastna i dåliga lösningar.

Testning mot verkliga balkar och normer

Forskarna satte sedan sin modell på prov genom att jämföra dess förutsägelser med faktiska laboratoriemätningar och med tre vanligt använda konstruktionsnormer från USA, Europa och Japan. De uppmärksammade särskilt dataintervall där beteendet blir starkt icke-linjärt, vilket innebär att små förändringar i indata kan ge stora och oregelbundna hopp i skjuvhållfasthet. Just i dessa utmanande zoner följde det djupa nätverket försöksresultaten mycket närmare än normernas ekvationer, som tenderade att avvika. Mätt över hela datamängden gav den nya modellen den lägsta genomsnittliga felet och den snävaste överensstämmelsen mellan förutsagd och observerad hållfasthet, samtidigt som den presterade väl i upprepade korsvalideringar som skyddar mot överanpassning.

Vad modellen avslöjar om viktiga ingredienser

Bortom rena förutsägelser använde författarna sitt tränade nätverk för att undersöka vilka balk- och materialegenskaper som betyder mest. Analysen framhävde balkens effektiva djup, betongens tryckhållfasthet, dess volymvikt och balkens bredd som de starkaste pådrivarna för skjuvkraft i lättbetong. I kontrast visade vissa faktorer som ofta antas vara viktiga, såsom ballaststorlek och mängden böjarmering, förvånansvärt låg inverkan i denna datamängd, vilket väcker frågor för framtida experiment och antyder att konstruktörer kanske bör fokusera mer på en snävare grupp parametrar när regler för lättbetong blandningar förfinas.

Vad detta betyder för framtida konstruktioner

För icke-specialister är huvudslutsatsen att en noggrant tränad djupinlärningsmodell kan fungera som en skicklig tolk mellan laboratorietester och vardaglig konstruktionspraxis. I denna studie gjorde det COVID-19-optimerade nätverket ett bättre jobb än befintliga normformler för att uppskatta hur lättbetongbalkar motstår rivingkrafter, särskilt i svåra fall där beteendet är långt ifrån enkelt. Medan ingenjörer fortfarande kommer att förlita sig på normer för regulatoriskt godkännande, kan verktyg som denna modell hjälpa dem att upptäcka överdrivet konservativa eller potentiellt osäkra konstruktioner och röra sig mot lättare, mer effektiva strukturer som använder material smartare.

Citering: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

Nyckelord: lättbetong, skjuvhållfasthet, djup neuralt nätverk, byggnadsteknik, optimeringsalgoritm