Jämförelse av maskininlärning och djupinlärning för att förutsäga seismiskt beteende i platta bjälklags–pelarknutar

Varför säkrare våningar vid jordbävningar är viktiga

Många stadsbyggnader förlitar sig på platta betongbjälklag som vilar direkt på pelare, utan djupa bärande balkar. Under en jordbävning kan de knutar där bjälklag och pelare möts brista plötsligt, vilket gör att våningar sjunker och byggnader delvis kollapsar. Denna studie undersöker hur moderna datadrivna verktyg kan hjälpa ingenjörer att bättre förutsäga hur dessa kritiska knutar beter sig vid kraftig skakning, så att byggnader kan utformas eller kontrolleras med större säkerhet.

Hur byggnadsknutar kan brista plötsligt

I platta bjälklagsbyggnader måste pelaren överföra både vertikala laster och sidokrafter från jordbävningen in i bjälklaget. Om spänningarna koncentreras för mycket runt pelaren kan bjälklaget pressas igenom runt pelaren som ett stämpel genom papper. Denna spröda brottform ger liten förvarning och kan utlösa progressiv kollaps. Samtidigt svajar hela byggnaden, beskrivet av en storhet som kallas förskjutningskvot, vilken talar om hur långt konstruktionen lutar i förhållande till sin höjd. Både det lokala genombrottsmomentet i knuten och den övergripande förskjutningen styrs av många faktorer, inklusive bjälklagstjocklek, pelarstorlek, mängd armering, betongstyrka och belastningsmönstret vid jordbävningen.

Användning av tidigare tester och datorer som inlärningsverktyg

Författarna samlade en databas med 217 noggrant dokumenterade laboratorietester av platta–pelaranslutningar under simulerad jordbävningslastning. Varje test inkluderade geometriska mått, materialstyrkor, armeringsdetaljer, applicerad egenlast, lasttyp samt uppmätt genombrottsmoment och förskjutningskvot vid brott. De delade sedan upp informationen i separata tränings- och testuppsättningar, så att datorbaserade modeller kunde bedömas på sin förmåga att förutsäga resultat de inte tidigare sett. Innan modellering rengjorde teamet datan, hanterade saknade värden, skalade numeriska intervall och undersökte hur varje variabel relaterade till brott med hjälp av visuella verktyg som boxplots och spridningsdiagram.

Jämförelse av många sätt att låta datorer lära sig

För att ta reda på vilka tekniker som fungerar bäst jämförde studien ett brett spektrum av maskininlärningsmetoder mot flera djupinlärningsansatser. Maskininlärningsgruppen inkluderade enkla linjära formler, regulariserade varianter som försöker undvika överanpassning, och mer flexibla trädensembler såsom random forest, gradient boosting och XGBoost. Djupinlärningsgruppen använde neurala nätverksarkitekturer som oftare ses i bild- eller sekvensanalys, inklusive konvolutionsnätverk, rekurrenta nätverk, LSTM-nätverk och en hybridmodell som kombinerade konvolutions- och rekurrenta lager. Till skillnad från bildproblem matades dessa djupa nätverk här med strukturerade tabeller av ingenjörsdata formade till endimensionella sekvenser.

Vad modellerna visade om styrka och förskjutning

För förutsägelse av genombrottsmomentet i platta–pelarknuten presterade modeller byggda på många beslutsträd bäst. Gradient boosting uppnådde högst noggrannhet på osedda tester, tätt följd av XGBoost och random forest. Dessa modeller fångade den komplexa, icke-linjära blandningen av geometri, material och belastning som styr lokal knutstyrka. För förutsägelse av förskjutningskvoten, som återspeglar hur hela systemet svajar, var random forest bäst bland metoderna, även om alla modeller fann denna uppgift svårare och gav större spridning i resultaten. Djupinlärningsmodellerna, särskilt hybridtypen, överträffade inte trädmetoderna på denna relativt lilla, tabulära datamängd och krävde avsevärt mer beräkningsresurser.

Vad detta innebär för säkrare byggnadsdesign

För en icke-specialist är huvudbudskapet att noggrant utvalda maskininlärningsverktyg redan kan ge ingenjörer mer precisa uppskattningar av hur och när platta–pelarknutar kan brista vid jordbävningar, särskilt för den lokala genombrottsstyrkan och i mindre grad för den övergripande förskjutningen. I denna studie överträffade traditionella träd-baserade maskininlärningsmetoder de mer trendiga djupinlärningsnäten för den tillgängliga datan, och erbjöd bättre noggrannhet med mindre komplexitet. Författarna rekommenderar att sådana modeller används som beslutstöd tillsammans med befintliga konstruktionsregler, snarare än att ersätta ingenjörsmässigt omdöme. Med större datamängder och förfinade variabler kan dessa datadrivna metoder bli en praktisk del av rutinmässiga seismiska bedömningar av platta bjälklagsbyggnader.

Citering: 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

Nyckelord: seismisk dimensionering, platta bjälklagsbyggnader, maskininlärning, genombrottsbelastning, förskjutningskvot