为神经网络模型开发自定义损失函数以调节混凝土力学性能预测的低估与高估

为什么更保守的混凝土预测很重要

大多数现代建筑与桥梁都依赖混凝土，工程师越来越多地使用人工智能来预测混凝土的强度。但标准神经网络试图在各方向上同等地追求精确，而现实结构在预测上略显谨慎通常比过于乐观更安全。本研究提出了一种新的训练方式，使神经网络不太可能高估混凝土强度，帮助工程师在不放弃人工智能能力的前提下保持舒适的安全余量。

在安全与智能算法间取得平衡

在土木工程实践中，设计规则被写得更为保守，以便在材料有差异或施工不完美时结构仍能安全。低估混凝土强度通常意味着额外的安全裕度，而高估则可能悄然侵蚀这些裕度。传统的神经网络训练方法不区分这两类结果；它们仅仅试图缩小总体误差。作者认为这与工程师在实际考虑风险时的思路相悖，因此着手将这种安全偏好直接内嵌到学习过程中。

偏好谨慎的损失函数

研究的核心是一种自定义损失函数，它在训练期间告诉神经网络每种错误有多严重。该公式并非将所有误差等同对待，而是在模型预测强度高于真实值时施加更重的惩罚，在预测低于真实值时施加较轻的惩罚。一对控制参数支配这种不平衡，使模型可以针对更安全的低估进行调优。该损失还进行了归一化处理，以便在不同数据集和尺度上保持一致性，并与使用 TensorFlow 或 PyTorch 等常用工具的标准神经网络设置结合使用。

在橡胶化混凝土上的验证

为观察这种谨慎训练规则在实践中的表现，作者着重研究了橡胶化混凝土——一种将部分石料替换为废橡胶碎片的材料。利用实验数据集，他们训练了几种具有相同架构但使用不同损失函数的神经网络，包括均方误差和平均绝对误差等常见选择。随后比较每个模型在预测两个关键力学性能上的表现：反映混凝土承载能力的抗压强度，以及描述受载时刚度的弹性模量。

保守学习如何改变预测结果

采用自定义损失函数训练的模型在总体精度上几乎与使用传统损失的模型相当，大多数情况下误差水平约为六个百分点。关键差异在于模型高估真实强度的频率。对于标准损失函数，在一些测试中，过高估计的预测占比从四分之一到几乎全部不等。当自定义损失经过适当调优后，这一过高估比率显著下降：抗压强度约降至约百分之一，而刚度则低于百分之十，同时仍能很好地拟合数据。预测值与实测值的散点图显示，新模型的点群聚集在理想等号线的正下方，反映出刻意的、轻微的低估偏向。

对实际结构的意义

单靠谨慎的预测模型不能保证建筑绝对安全；设计人员仍需遵循规范、考虑配筋、荷载和几何形状，并检查构件与体系的性能。但通过在材料层面将神经网络从不保守的高估行为中引导开来，这个新的损失函数有助于确保基于 AI 的预测以与土木工程实践相一致的“安全优先”心态进入这些设计检查。作者将其工作视为一个概念验证，可扩展到更大的数据集和完整结构模型，为开发与既有安全理念相辅相成的 AI 工具提供了一个务实的步骤。

引用: 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

关键词: 混凝土强度预测, 神经网络, 损失函数, 橡胶化混凝土, 结构安全