Utveckling av en anpassad förlustfunktion för att reglera underskattning och överskattning av betongs mekaniska egenskapsprognoser i neurala nätverksmodeller

Varför säkrare betongprognoser spelar roll

Majoriteten av moderna byggnader och broar förlitar sig på betong, och ingenjörer använder i allt större utsträckning artificiell intelligens för att förutsäga hur stark den betongen blir. Men medan standardneuronät försöker vara lika precisa åt alla håll, är verkliga konstruktioner säkrare när prognoserna är lite försiktiga snarare än för optimistiska. Denna studie presenterar ett nytt sätt att träna neurala nätverk så att de blir mindre benägna att överskatta betongens hållfasthet, vilket hjälper ingenjörer att bibehålla en bekväm säkerhetsmarginal utan att ge upp AI:s kapacitet.

Att balansera säkerhet och intelligenta algoritmer

I byggnadsteknisk praxis skrivs konstruktionsregler för att vara konservativa så att konstruktioner förblir säkra även när material varierar eller utförandet inte är perfekt. Att underskatta betongens hållfasthet innebär vanligtvis extra säkerhet, medan att överskatta den kan tysta urholka säkerhetsmarginaler. Traditionella träningsmetoder för neurala nät skiljer inte på dessa två utfall; de försöker helt enkelt minska felens totala storlek. Författarna menar att detta står i konflikt med hur ingenjörer faktiskt tänker kring risk och avser att bygga in den säkerhetspreferensen direkt i inlärningsprocessen.

En förlustfunktion som föredrar försiktighet

Studien kärnar kring en anpassad förlustfunktion, en regel som talar om för det neurala nätverket hur allvarligt varje misstag är under träningen. Istället för att behandla alla fel lika ger den föreslagna formeln tyngre straff när modellen förutsäger en hållfasthet som är högre än det verkliga värdet och lättare straff när den förutsäger lägre hållfasthet. Ett par styrtal styr denna obalans och låter modellen ställas in mot säkrare underskattningar. Förlusten normaliseras också så att den kan fungera konsekvent över olika dataset och skalor, och kombineras med en standard uppsättning neurala nätverk med populära verktyg som TensorFlow eller PyTorch.

Test av idén på gummiförstärkt betong

För att se hur denna försiktiga träningsregel beter sig i praktiken fokuserar författarna på gummiförstärkt betong, ett material där delar av ballast ersätts med bitar av avfallsdäck. Med ett experimentellt dataset tränar de flera neurala nätverk med samma arkitektur men olika förlustfunktioner, inklusive vanliga val som medelkvadratfel och medelabsolutfel. De jämför sedan hur väl varje modell förutsäger två viktiga mekaniska egenskaper: tryckhållfasthet, som speglar hur mycket last betongen kan bära, och elasticitetsmodul, som beskriver hur styv den är under last.

Hur konservativ inlärning förändrar prognoser

Modellerna tränade med den anpassade förlustfunktionen uppnår nästan samma övergripande noggrannhet som de som använder traditionella förluster, med felnivåer på omkring sex procent i de flesta fall. Den avgörande skillnaden ligger i hur ofta de överskattar den verkliga hållfastheten. För standardförluster är mellan en fjärdedel och nästan alla prognoser i vissa tester överskattningar. När den anpassade förlusten är korrekt kalibrerad sjunker denna andel dramatiskt, till runt en procent för tryckhållfasthet och under tio procent för styvhet, samtidigt som modellen fortfarande anpassar sig väl till data. Diagram som visar förutsagt kontra uppmätt värde visar att de nya modellernas punkter klustrar sig strax under idealdiagonalen, vilket återspeglar en avsiktlig, måttlig tendens att underskatta.

Vad detta betyder för verkliga konstruktioner

Enbart kan en försiktig prognosmodell inte garantera en säker byggnad; konstruktörer måste fortfarande följa koder, beakta armering, laster och geometri samt kontrollera komponenters och systems beteende. Men genom att styra neurala nät bort från okonservativa överskattningar på materialnivå hjälper denna nya förlustfunktion till att säkerställa att AI-baserade prognoser går in i dessa konstruktionskontroller med samma säkerhetsförstänk som ligger till grund för byggnadsteknisk praxis. Författarna ser sitt arbete som ett proof of concept som kan utvidgas till större dataset och fullständiga strukturella modeller, och som ett praktiskt steg mot AI-verktyg som arbetar med, snarare än mot, etablerade säkerhetsfilosofier.

Citering: 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

Nyckelord: prognos av betongstyrka, neurala nätverk, förlustfunktion, gummiförstärkt betong, strukturell säkerhet