基于深度神经网络与 COVID-19 优化的轻质混凝土构件抗剪强度模型

为什么更轻的混凝土与智能算法很重要

建筑和桥梁在变得更高、更长、更高效的同时，工程师在寻找既轻又强的材料。轻质混凝土有助于减轻结构自重并改善保温性能，但预测其在特定荷载下如何开裂与失效并不容易。本研究展示了一种现代人工智能方法，结合一种受 COVID-19 传播启发的优化算法，能够比现行设计规范更准确地预测轻质混凝土的一个关键性能，这可能带来更安全、更高效的结构。

防止混凝土被剪切撕裂的挑战

当建筑或桥梁中的混凝土梁承受荷载时，可能出现多种破坏模式。其中最突发且难以预测的一种是剪切破坏，表现为斜向裂缝形成并贯穿梁体。世界各地主要规范中采用的传统设计公式通常刻意保守，但它们相互之间常有差异，并且有时无法准确判断实际梁的行为。对于轻质混凝土来说，问题更为复杂：其较低的自重和不同的集料改变了裂缝形成与力在材料中的传递方式，削弱了通常用于抵抗剪切的一些内部机制。

深度学习模型如何读取结构行为

为了解决这一问题，作者构建了一个深度神经网络，这是一类由多层简单处理单元组成、用于从数据中识别模式的人工智能模型。他们用轻质混凝土梁的实验结果对该网络进行训练，输入包括几何细节、材料强度、钢筋属性以及荷载作用方式。研究者没有从随机构型开始，而是用一种被称为 COVID-19 优化算法的特殊搜索策略调整网络的初始内部参数，该算法借鉴了感染传播、消退或被控制的过程。这种更智能的初始设置有助于网络更快学习并避免陷入性能不佳的解。

与真实梁和设计规范的对比测试

随后，研究人员将其模型投入测试，比较模型预测与实验室实测值以及来自美国、欧洲和日本的三种广泛使用的设计规范的结果。他们特别关注行为高度非线性的区域——在这些区域，输入的微小变化可能导致抗剪强度出现大幅且不规则的跳变。正是在这些具有挑战性的区域，深度网络比规范公式更紧密地追踪了试验结果，而规范公式往往出现偏离。在整个数据集上衡量时，新模型表现出最低的平均误差和预测与观测强度之间最紧密的拟合，同时在重复交叉验证中也保持良好，降低了过拟合的风险。

模型揭示的关键因素

除了单纯给出预测数值外，作者还利用训练好的网络探查了哪些梁和材料属性最为重要。分析显示，梁的有效高度、混凝土的抗压强度、单位重和梁宽是影响轻质混凝土抗剪承载力的主要驱动因素。相比之下，一些通常被认为重要的因素，如集料粒径和弯矩区钢筋量，在该数据集中影响出人意料地小，这为今后的试验提出了问题，并暗示设计者在完善轻质混凝土配比规则时可能应更集中地关注一小部分参数。

这对未来结构意味着什么

对非专业读者而言，主要结论是：经细致训练的深度学习模型可以充当试验与日常设计实践之间的有力“翻译器”。在本研究中，经 COVID-19 优化的网络在估计轻质混凝土梁抵抗剪切破坏方面优于现有的规范公式，尤其是在行为远非简单的复杂情形下。尽管工程师在合规审批上仍将依赖规范，像此类模型的工具可以帮助他们识别过于保守或可能不安全的设计，从而朝着更轻、更高效并更智能利用材料的结构迈进。

引用: 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

关键词: 轻质混凝土, 抗剪强度, 深度神经网络, 结构工程, 优化算法