COVID-19 optimizasyonlu derin sinir ağına dayalı hafif beton elemanlarının kesme dayanımı modeli

Neden daha hafif beton ve akıllı matematik önemli

Binalar ve köprüler daha yüksek, daha uzun ve daha verimli hale geliyor; mühendisler ise hem güçlü hem de hafif malzemeler arıyor. Hafif beton, yapıların ağırlığını azaltmaya ve yalıtımı iyileştirmeye yardımcı olur, ancak belirli kuvvetler altında nasıl çatlayıp kırılacağını öngörmek zordur. Bu çalışma, yapay zekanın modern bir biçimi ile COVID-19 salgınının yayılımından esinlenen bir algoritmanın bir araya gelerek hafif betonun bir anahtar özelliğini mevcut tasarım kurallarından daha doğru şekilde tahmin edebileceğini gösteriyor; bu da potansiyel olarak daha güvenli ve daha verimli yapılara yol açabilir.

Betonu yırtılmaktan korumanın zorluğu

Bir binadaki veya köprüdeki beton kirişi yük taşıdığında farklı şekillerde başarısız olabilir. En ani ve öngörülmesi zor modlardan biri, diyagonal çatlakların oluşup kirişi boylamasına böldüğü kesmedir. Dünyanın önde gelen yapı yönetmeliklerinde kullanılan geleneksel tasarım formülleri kasıtlı olarak temkinlidir, ancak çoğu zaman birbirleriyle çelişir ve gerçek kirişlerin davranışını yanlış değerlendirebilirler. Bu sorun, daha düşük ağırlığı ve farklı agregaları nedeniyle çatlakların oluşum şeklini ve kuvvetlerin malzeme içindeki yolunu değiştiren hafif betonla daha da karmaşık hale gelir; bu durum, normalde kesmeye direnç gösteren bazı iç mekanizmaları zayıflatır.

Derin öğrenme modeli yapısal davranışı nasıl okuyor

Bunu ele almak için yazarlar, verideki örüntüleri algılayan birçok katmandan oluşan bir tür yapay zeka modeli olan derin bir sinir ağı inşa ettiler. Bu ağı hafif beton kirişlerine ait deneysel sonuçlarla eğiterek geometrik ayrıntıları, malzeme dayanımlarını, donatı özelliklerini ve yük uygulanma şeklini beslediler. Ağı rastgele başlangıçlardan başlatmak yerine, ağın içsel parametrelerini COVID-19 optimizasyon algoritması olarak adlandırılan özel bir arama stratejisiyle ayarladılar; bu strateji, bir enfeksiyonun yayılma, sönme veya kontrol altına alınma biçiminden esinlenen fikirler ödünç alır. Bu daha akıllı başlangıç, ağın daha hızlı öğrenmesine ve kötü çözümlerde takılıp kalmamasına yardımcı olur.

Gerçek kirişler ve tasarım kurallarına karşı test

Araştırmacılar daha sonra modellerini laboratuvar ölçümleri ve Amerika Birleşik Devletleri, Avrupa ve Japonya’dan üç yaygın tasarım yönetmeliğiyle karşılaştırarak test etti. Davranışın son derece doğrusal olmadığı, yani girdilerdeki küçük değişikliklerin kesme dayanımında büyük ve düzensiz sıçramalara yol açabildiği veri bölgelerine özel dikkat gösterdiler. Tam olarak bu zorlu bölgelerde, derin ağ kod denklemelerinden çok daha yakın bir şekilde test sonuçlarını izledi; kodlar genellikle sapma gösteriyordu. Tüm veri seti üzerinde ölçüldüğünde, yeni model en düşük ortalama hatayı ve tahmin edilen ile gözlemlenen dayanımlar arasında en sıkı uyumu sağladı; ayrıca aşırı uyum (overfitting) riskine karşı tekrar eden çapraz doğrulamalarda da iyi performans gösterdi.

Modelin ana bileşenler hakkında neler ortaya koyduğu

Sadece sayı tahmin etmenin ötesinde, yazarlar eğitilmiş ağlarını hangi kiriş ve malzeme özelliklerinin en önemli olduğunu incelemek için kullandılar. Analiz, hafif betonda kesme kapasitesinin en güçlü belirleyicileri olarak kirişin etkili derinliğini, betonun basınç dayanımını, birim ağırlığını ve kiriş genişliğini öne çıkardı. Buna karşılık, agregat boyutu ve eğilme donatısı miktarı gibi sıklıkla önemli kabul edilen bazı faktörler bu veri setinde şaşırtıcı şekilde düşük etki gösterdi; bu durum gelecekteki deneyler için soru işaretleri doğuruyor ve tasarımcıların hafif karışımlar için kuralları iyileştirirken daha dar bir parametre grubuna odaklanmalarını önerebilir.

Gelecekteki yapılar için anlamı

Uzman olmayanlar için ana çıkarım, dikkatle eğitilmiş bir derin öğrenme modelinin laboratuvar testleri ile günlük tasarım uygulamaları arasında yetkin bir çevirmen gibi davranabileceğidir. Bu çalışmada COVID-19 optimizasyonlu ağ, özellikle davranışın basit olmadığı zor durumlarda, hafif beton kirişlerinin yırtılma kuvvetlerine karşı nasıl direnç gösterdiğini tahmin etmede mevcut kod formüllerinden daha iyi performans gösterdi. Mühendisler düzenleyici onay için yine de kodlara güvenecek olsa da, bu tür bir model gibi araçlar aşırı temkinli veya potansiyel olarak güvensiz tasarımları tespit etmelerine yardımcı olabilir ve malzemeyi daha akıllıca kullanan daha hafif, daha verimli yapılara doğru ilerlemeyi destekleyebilir.

Atıf: 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

Anahtar kelimeler: hafif beton, kesme dayanımı, derin sinir ağı, yapısal mühendislik, optimizasyon algoritması