⚡ electrical engineering

Development of Machine Learning Algorithms to Predict Damage Level of RC Structures Exposed to Extreme Dynamic Loads

Diese Studie schlägt fünf maschinelle Lernalgorithmen vor und evaluiert diese, die auf Finite-Elemente-Daten trainiert wurden, um die durch Explosionen verursachten Schäden an Stahlbetonstützen vorherzusagen, wobei CatBoost als das effektivste Modell identifiziert und die Bauteiltiefe, das Ladungsgewicht sowie die Streckgrenze der Bewehrung als die primären Einflussfaktoren hervorgehoben werden.

Ursprüngliche Autoren: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Veröffentlicht 2026-07-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Stahlbetonstütze eines Gebäudes wie einen stabilen, stahlbewehrten Baumstamm vor. Stellen Sie sich nun vor, direkt neben diesem Baum findet eine gewaltige Explosion statt. Die Schockwelle trifft den Baum, und die große Frage ist: Wie viel Schaden wird dieser Baum erleiden? Wird er nur ein paar Kratzer bekommen, einen Ast brechen oder wird er komplett in der Mitte durchbrechen?

Traditionell müssen Ingenieure diese Frage beantworten, indem sie teure, gefährliche physische Modelle in Laboren bauen oder unglaublich komplexe, langsame Computersimulationen durchführen, die Stunden oder Tage dauern. Es ist, als würde man versuchen, das Wetter vorherzusagen, indem man jedes Mal eine neue, lebensgroße Atmosphäre in einem Raum baut, wenn man wissen möchte, ob es regnen wird.

Dieses Paper stellt einen klügeren, schnelleren Weg vor: Maschinelles Lernen (ML). Denken Sie an ML als einen superintelligenten Schüler, der tausende von „Was-wäre-wenn“-Szenarien studiert hat und die Muster gelernt hat, wie diese Betonstützen auf Explosionen reagieren. Anstatt jedes Mal ein neues Modell zu bauen, fragen wir den Schüler einfach: „Hier sind die Details der Explosion und der Stütze; wie groß ist der Schaden?“

Hier ist eine Aufschlüsselung, wie sie vorgegangen sind und was sie herausgefunden haben, unter Verwendung einfacher Analogien:

1. Der Trainingsplatz (Die Daten)

Bevor die „Schüler“ (die KI-Modelle) lernen konnten, mussten die Forscher eine riesige Bibliothek an Übungsaufgaben erstellen. Sie verwendeten keine echten Explosionen (da diese gefährlich und teuer sind); stattdessen nutzten sie ein hochentwickeltes Computerprogramm namens LS-DYNA, um hunderte von Explosionen an virtuellen Stützen zu simulieren.

Sie erstellten einen Datensatz mit 10 verschiedenen „Zutaten“ für jedes Szenario, wie zum Beispiel:

Wie groß die Stütze ist (Tiefe und Breite).
Wie stark der Beton und der Stahl sind.
Wie schwer die Bombe ist.
Wie weit die Bombe entfernt ist.

2. Die fünf Schüler (Die Algorithmen)

Die Forscher haben sich nicht nur einen einzigen KI-Schüler ausgesucht, sondern fünf verschiedene „Schüler“ mit unterschiedlichen Lernstilen engagiert, um zu sehen, wer den Schaden am besten vorhersagen kann.

Random Forest (RF): Wie ein Komitee von Experten. Sie betrachten das Problem aus leicht unterschiedlichen Blickwinkeln und stimmen über die Antwort ab.
LightGBM, CatBoost und XGBoost: Dies sind wie ein Team von Detektiven, die nacheinander arbeiten. Der erste macht eine Vermutung, der zweite schaut sich die Fehler des Ersten an und versucht, sie zu korrigich, der dritte korrigiert die Fehler des Zweiten und so weiter. Sie werden mit jedem Schritt klüger.
SVM (Support Vector Machine): Dies ist wie ein strenger Schiedsrichter, der versucht, eine gerade Linie (oder eine glatte Kurve) zu ziehen, um „sicher“ von „beschädigt“ zu trennen.

3. Der Test (Wer hat gewonnen?)

Die Forscher gaben allen fünf Schülern einen neuen Satz von Problemen, die sie noch nie zuvor gesehen hatten, um zu testen, wer den Schaden am genauesten vorhersagen konnte.

Der Gewinner: CatBoost. Dieses Modell war der klare Champion. Es war am genauesten und zuverlässigsten. Es konnte die komplexen, chaotischen Muster von Explosionen besser lernen als die anderen.
Der Zweitplatzierte: Random Forest. Es war sehr konsistent und stabil, wenn auch etwas weniger genau als der Gewinner.
Die Schwierigen: XGBoost und LightGBM waren okay, hatten aber mehr Höhen und Tiefen in ihrer Leistung.
Der Verlierer: SVM. Dieses Modell versagte völlig. Es war, als würde man versuchen, eine geschwungene Linie mit einem Lineal zu messen; der Schaden durch eine Explosion ist zu chaotisch und unvorhersehbar für diese spezielle Art des „geradlinigen“ Denkens.

4. Was zählt eigentlich? (Die Schlüsselzutaten)

Das Gewinnermodell (CatBoost) verriet den Forschern auch, welche „Zutaten“ am wichtigsten waren. Es ist wie ein Koch, der einem sagt, welche Gewürze ein Gericht schmackhaft machen.

Die Tiefe der Stütze (Der große Gewinner): Der wichtigste Faktor war, wie „tief“ oder dick die Stütze war. Eine Stütze tiefer zu bauen ist wie einen Baumstamm dicker zu machen; es macht es unglaublich schwer, sie zu brechen. Dieser einzelne Faktor war für fast 38 % der Schadensvorhersage verantwortlich.
Das Gewicht der Bombe: Offensichtlich verursacht eine größere Bombe mehr Schaden, aber die Beziehung ist nicht einfach „doppelte Bombe, doppelter Schaden“. Es ist etwas komplexer, aber dennoch sehr wichtig (etwa 27 %).
Die Festigkeit des Stahls: Die Festigkeit der Stahlstäbe, die im Inneren des Betons verlaufen, war der dritrwichtigste Faktor (14 %). Stärkerer Stahl hilft der Stütze, selbst nach dem Reißen des Betons zusammenzuhalten.

Überraschende Erkenntnisse:

Betonfestigkeit: Überraschenderweise half es nicht so viel wie erwartet, den Beton stärker zu machen, sobald ein gewisser Punkt überschritten war. Es ist wie bei einem Türstopper aus superhartem Gestein; sobald er hart genug ist, verhindert er nicht mehr, dass die Tür ausschlägt.
Querbewehrung (Die „Bügel“): Die kleinen Stahlbügel, die die Hauptstäbe zusammenhalten, spielten nicht viel eine Rolle, wenn die Stütze bereits nach Baunormen errichtet wurde. Es ist, als würde man zusätzliche Sicherheitsgurte zu einem Auto hinzufügen, das bereits gute Sicherheitsgurte hat; es ändert das Ergebnis bei einem Unfall nicht wesentlich.

5. Warum das wichtig ist

Das Paper kommt zu dem Schluss, dass wir nicht mehr für jede Konstruktion langsame, teure Computersimulationen durchführen müssen. Wir können das CatBoost-Modell nutzen, um sofort vorherzusagen, wie viel Schaden eine Stütze durch eine Explosion erleiden wird.

Geschwindigkeit: Es geht augenblicklich.
Genauigkeit: Es ist zuverlässig genug, um Ingenieuren zu helfen, sicherere Gebäude zu entwerfen.
Sicherheit: Es hilft dabei, zu identifizieren, welche Gebäude verwundbar sind und welche Designänderungen (wie tiefere Stützen oder der Einsatz von stärkerem Stahl) am meisten Leben retten würden.

Kurz gesagt: Die Forscher haben ein „Kristallglas“ für Ingenieure gebaut. Anstatt zu raten oder tagelang auf eine Simulation zu warten, können sie nun die KI fragen: „Wenn wir eine Stütze dieser Größe mit diesem viel Stahl bauen und eine Bombe dieser Größe hier explodiert, wie schlimm wird der Schaden sein?“ – und erhalten in Sekundenschnelle eine vertrauenswürdige Antwort.

Technisches Resümee: Entwicklung von Algorithmen des maschinellen Lernens zur Vorhersage des Schadensgrades von Stahlbetonstrukturen unter extremen dynamischen Lasten

1. Problemstellung

Stahlbetonstrukturen (RC-Strukturen) sind aufgrund der zunehmenden Häufigkeit von Terroranschlägen und potenziellen Industrieunfällen zunehmend anfällig für Explosionslasten. Traditionelle Methoden zur Bewertung von Explosionsschäden – experimentelle Tests und numerische Simulationen – weisen erhebliche Einschränkungen auf. Die experimentelle Analyse ist kostspielig, zeitaufwendig und birgt schwerwiegende Sicherheitsrisiken. Umgekehrt erfordern numerische Simulationen (z. B. Finite-Elemente-Analysen mittels LS-DYNA) zwar detaillierte Einblicke, beanspruchen jedoch enorme Rechenressourcen und spezialisiertes Fachwissen, was sie für die schnelle vorläufige Bemessung oder groß angelegte Schwachstellenanalysen unpraktisch macht.

Es besteht ein kritischer Bedarf an einer einfacheren, schnelleren und genaueren Methode zur Vorhersage der Schadensgrade von Stahlbetonstützen unter Explosionsbelastung. Diese Studie adresst diese Lücke, indem sie die Wirksamkeit von Algorithmen des maschinellen Lernens (ML) als datengestützte Alternativen zu traditionellen Simulationsmethoden untersucht.

2. Methodik

2.1 Datengenerierung und numerische Simulation

Die Forschung nutzte einen umfassenden Datensatz, der durch numerische Simulationen anstelle von physikalischen Experimenten generiert wurde.

Software: LS-DYNA wurde verwendet, um das dynamische Ansprechverhalten von Stahlbetonstützen unter Explosionsbelastung zu modellieren.
Modell-Details: Die Modelle repräsentierten rechteckige Stahlbetonstützen (Querschnitt 500 × 700 mm, Höhe 4400 mm) mit spezifischer Längs- und Querbewehrung.
Materialmodelle:
- Beton: Modelliert mit MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3), um das nichtlineare Verhalten, die Schadensakkumulation und die Dehnraten-Effekte zu erfassen.
- Stahl: Modelliert mit MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24).
- Dehnrate: Dynamische Erhöhungsfaktoren (DIF) basierend auf dem CEB-FIB Model Code wurden sowohl für Beton als auch für Stahl angewendet, um die hohen Dehnraten zu berücksichtigen, die typisch für Explosionsereignisse sind.
Belastung: Die Explosionslasten wurden mithilfe einer vereinfachten dreieckigen Druck-Zeit-Historie simuliert, die auf die Stützenoberfläche angewendet wurde, definiert durch den Spitzenüberdruck und die Dauer der positiven Phase.
Validierung: Das numerische Modell wurde gegen experimentelle Daten von Baylot und Benvis (2007) validiert, wobei eine enge Übereinstimmung in der Durchbiegung in der Mitte der Höhe und der bleibenden Verformung festgestellt wurde.

2.2 Schadensbewertung

Ein Schadensindex ( $D$ ) wurde basierend auf der Resttragfähigkeit der Achslast der Stütze definiert:
$D = 1 - \frac{P_{residual}}{P_d}$
Wobei $P_{residual}$ die Kapazität der beschädigten Stütze und $P_d$ die Kapazität der unbeschädigten Stütze ist. Die Schadensgrade wurden in vier Kategorien unterteilt: Niedrig ( $0 < D < 0,2$ ), Mittel ( $0,2 < D < 0,5$ ), Hoch ( $0,5 < D < 0,8$ ) und Einsturz ( $0,8 < D < 1$ ).

2.3 Framework des maschinellen Lernens

Fünf verschiedene ML-Algorithmen wurden auf dem aus den Finite-Elemente-Modellen abgeleiteten Datensatz trainiert und getestet:

Random Forest (RF)
Light Gradient Boosting Machine (LightGBM)
Categorical Boosting (CatBoost)
Extreme Gradient Boosting (XGBoost)
Support Vector Machine (SVM)

Input-Features (10 Parameter):

Geometrie: Stützentiefe ( $D$ ), Breite ( $w$ ), Höhe ( $H$ ).
Material: Betondruckfestigkeit ( $f_c$ ), Streckgrenze der Längsbewehrung ( $f_y$ ), Streckgrenze der Querbewehrung ( $f_{yt}$ ), Längsbewehrungsgrad ( $\rho$ ), Querbewehrungsgrad ( $\rho_s$ ).
Explosion: Sprengstoffgewicht ( $W$ ), Skalierter Abstand ( $Z$ ).

3. Zentrale Beiträge

Vergleichende Analyse: Die Studie bietet einen strengen Vergleich von fünf hochmodernen ML-Algorithmen speziell für das nichtlineare, schwellenwertreiche Problem der Explosionsschadensvorhersage bei Stahlbetonstützen.
Identifizierung des optimalen Algorithmus: Sie identifiziert CatBoost als den überlegenen Modell für diese spezifische Anwendung, der RF, XGBoost, LightGBM und SVM in Bezug auf Genauigkeit und Zuverlässigkeit übertrifft.
Quantifizierung der Merkmalsrelevanz: Die Forschung quantifiziert den relativen Einfluss geometrischer, materieller und explosionsbedingter Parameter auf die Schwere des Schadens und bietet datengestützte Erkenntnisse für die Designoptimierung.
Sensitivitätsanalyse: Die Studie bildet die nichtlinearen Beziehungen zwischen den Eingangsvariablen (z. B. Sprengstoffgewicht, Stützentiefe) und dem resultierenden Schadensindex ab und identifiziert kritische Schwellenwerte im Strukturverhalten.

4. Ergebnisse

4.1 Modellleistung

Die Leistung wurde anhand von $R^2$ , MSE, MAE, EVS, MAPE und MSLE bewertet.

CatBoost (Tier 1): Erzielte die höchste Leistung mit einem $R^2$ von 0,7125, einem MAE von 1.061,09 und einem MAPE von 17,63 %. Es zeigte die beste Balance zwischen Genauigkeit und Zuverlässigkeit.
Random Forest (Tier 2): Zeigte eine gute Leistung ( $R^2 = 0,6274$ ) mit der höchsten Stabilität (niedrigste Standardabweichung in $R^2$ ), was es zu einer robusten Alternative macht.
XGBoost (Tier 2): Erzielte eine wettbewerbsfähige mittlere Genauigkeit ( $R^2 = 0,6109$ ), wies jedoch eine hohe Variabilität (Standardabweichung von 0,2313) auf, was auf eine Sensitivität gegenüber Datensplits hindeutet.
LightGBM (Tier 3): Lieferte eine marginale Leistung ( $R^2 = 0,5043$ ), wahrscheinlich aufgrund seiner Leaf-wise-Wachstumsstrategie, die lokale Muster überanpasst.
SVM (Tier 4): Versagte vollständig mit einem $R^2$ von -0,0170, was auf eine Unfähigkeit hindeutet, die komplexen Nichtlinearitäten und diskontinuierlichen Übergänge (z. B. von lokalem Schaden bis zum Einsturz) zu erfassen, die bei einer Explosion inhärent sind.

4.2 Merkmalsrelevanz (Feature Importance)

Basierend auf dem CatBoost-Modell wurden die Input-Parameter nach ihrem Einfluss auf die Schadensvorhersage eingestuft:

Tiefe des Bauelements ( $D$ ): 38,45 % (dominanter Faktor).
Sprengstoffgewicht: 27,25 %.
Streckgrenze der Längsbewehrung ( $f_y$ ): 14,55 %.
Skalierter Abstand ( $Z$ ): 6,42 %.
Querbewehrungsgrad ( $\rho_s$ ): 3,04 %.
Streckgrenze der Querbewehrung ( $f_{yt}$ ): 2,71 %.
Betondruckfestigkeit ( $f_c$ ): 2,66 %.
Stützenhöhe ( $H$ ): 2,21 %.
Stützenbreite ( $w$ ): 1,78 %.
Längsbewehrungsgrad ( $\rho$ ): 0,93 %.

4.3 Sensitivität und Schwellenwerte

Tiefe: Es existiert ein deutlicher Schwellenwert zwischen 550 mm und 650 mm. Eine Erhöhung der Tiefe über 600 mm hinaus liefert abnehmende Erträge bei der Schadensreduzierung.
Sprengstoffgewicht: Der Schaden steigt logarithmisch mit dem Sprengstoffgewicht an und flacht ab, wenn die Struktur sich dem totalen Einsturz nähert.
Betonfestigkeit: Eine Erhöhung von $f_c$ über 45 MPa hinaus bietet aufgrund des Dehnraten-Effekts (DIF), der die Unterschiede in der statischen Festigkeit normalisiert, kaum zusätzlichen Nutzen.
Querbewehrung: Innerhalb des untersuchten Bereichs hatten Variationen der Querbewehrung vernachlässigbare Auswirkungen auf die Metrik der Restachslasttragfähigkeit, sofern die Mindestvorschriften eingehalten wurden.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass die entwickelten ML-Modelle, insbesondere CatBoost, ein schnelles und genaues Werkzeug zur Vorhersage der strukturellen Schäden und Versagensmodi von Stahlbetonstützen unter Explosionslast bieten.

Praktischer Nutzen: Die Modelle können rechenintensive Finite-Elemente-Simulationen für die vorläufige Bemessung und Schwachstellenanalyse ersetzen, sofern angemessene Sicherheitsfaktoren angewendet werden.
Design-Leitlinien: Die Studie bietet spezifische, datengestützte Designempfehlungen:
- Priorisieren Sie die Erhöhung der Stützentiefe gegenüber der Erhöhung der Betonfestigkeit oder dem Hinzufügen von Querbewehrung für die Explosionsresistenz.
- Verwenden Sie hochfesten Längsstahl ( $f_y \ge 500$ MPa), um die Vorteile der Dehnraten zu nutzen.
- Vermeiden Sie die Angabe von Betonfestigkeiten signifikant über 45 MPa für die Explosionsresistenz, da der Grenznutzen gering ist.
- Konzentrieren Sie sich auf den skalierten Abstand (Standoff-Distanz) als primäre Schutzmaßnahme bei der Standortplanung.

Die Autoren kommen zu dem Schluss, dass die Modelle, obwohl sie auf die verwendeten Parameterbereiche und numerischen Simulationsdaten beschränkt sind, einen bedeutenden Schritt in Richtung effizienter, datengestützter explosionsresistenter Konstruktion darstellen. Die Studie vermeidet explizit den Anspruch einer universellen Anwendbarkeit über die getesteten Bereiche hinaus und schlägt vor, zukünftige Arbeiten durch experimentelle Daten zu ergänzen und auf andere Strukturelemente auszuweiten.