⚡ electrical engineering

Physics-Integrated Machine Learning Framework for Predicting the Load Capacity of Single Row Bolted Steel to Timber Connections in Tropical Hardwoods

Diese Studie präsentiert ein physikintegriertes maschinelles Lernframework, das die Querlastkapazität von einreihigen bolzenverbundenen Stahl-Holz-Verbindungen in malaysischen tropischen Harthölzern (Balau und Bitis) erfolgreich vorhersagt, indem es Modelle darauf trainiert, Diskrepanzen zwischen experimentellen Ergebnissen und bestehenden Bemessungsnormen zu korrigieren, und somit einen zuverlässigen Weg zur Erweiterung der Holzbemessungsstandards auf tropische Arten bietet.

Ursprüngliche Autoren: Md. Abdul Kaium Mia, Abdul Razak Abdul Karim, Norazzlina M. Sa’don, Md. Habibur Rahman Sobuz, Borsha Podder, Siti Hanim Sahari, Teng Xin Yao, Nur Liza Rahim, Pierre Quenneville

Veröffentlicht 2026-07-01

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Md. Abdul Kaium Mia, Abdul Razak Abdul Karim, Norazzlina M. Sa’don, Md. Habibur Rahman Sobuz, Borsha Podder, Siti Hanim Sahari, Teng Xin Yao, Nur Liza Rahim, Pierre Quenneville

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

Das große Ganze: Ein besseres Sicherheitsnetz für Holzbrücken

Stellen Sie sich vor, Sie bauen eine Brücke aus Holz und Stahl, die durch riesige Bolzen zusammengehalten wird. Sie müssen genau wissen, wie viel Gewicht diese Brücke tragen kann, bevor sie bricht.

Seit Jahrzehnten nutzen Ingenieure ein „Regelwerk“ (mathematische Formeln), um dieses Gewicht zu schätzen. Diese Regelwerke wurden jedoch für Weichhölzer wie Kiefer und Fichte geschrieben (die Arten, die in kalten Klimazonen vorkommen). Die Forscher in dieser Arbeit arbeiten jedoch mit tropischen Harthölzern (wie Balau und Bitis) aus Malaysia. Diese Hölzer sind dichter, härter und verhalten sich anders. Die alten Regelwerke auf diese neuen Hölzer anzuwenden, ist so, als würde man versuchen, ein Formel-1-Auto mit einem Handbuch für ein Fahrrad zu steuern; es mag funktionieren, aber es ist nicht präzise und könnte unsicher sein.

Diese Studie versucht, dies zu beheben, indem sie einen „Smarten Co-Piloten“ für Ingenieure entwickelt. Sie kombiniert die alten, bewährten Regelwerke mit einem neuen, datengestützten Computergehirn, um exakt vorherzusagen, wie stark diese Holzverbindungen sind.

Das Problem: Die „Copy-Paste“-Falle

Die Forscher standen vor einem kniffligen Problem mit ihren Daten. Sie testeten 36 verschiedene Gruppen von Holzverbindungen. Jede Gruppe bestand aus 10 identischen Holzstücken.

Wenn man einen Computer lehrt, aus diesen Daten zu lernen, indem man die Stücke zufällig mischt, erhält der Computer einen Cheat-Code. Er sieht 9 Stücke einer bestimmten Gruppe in seinem „Training“ und muss dann das 10. Stück erraten. Da das 10. Stück identisch mit den anderen 9 ist, lernt der Computer nicht wirklich Physik, sondern er merkt sich einfach nur die Antwort. Dies nennt man Data Leakage (Datenleck). Es ist wie ein Schüler, der die Antwortliste für eine bestimmte Testfrage auswendig lernt, anstatt das Fach zu verstehen.

Die Lösung: Die Forscher ließen den Computer nach „Gruppen“ lernen. Sie verbarg eine komplette Gruppe von 10 Stücken vor dem Computer, trainierten ihn mit den anderen 35 Gruppen und baten ihn dann, die verborgene Gruppe zu erraten. Diesen Vorgang wiederholten sie 36 Mal. Dies stellt sicher, dass der Computer die Regeln des Holzes lernt und nicht nur spezifische Antworten auswendig lernt.

Die Lösung: Die „Physics-Residual“-Strategie

Anstatt den Computer zu fragen, das Gewicht von Grund auf neu vorherzusagen (was schwierig ist und zu wilden Schätzungen führen kann), verwendeten sie eine clevere Zwei-Schritte-Strategi namens Physics-Residual Learning.

Stellen Sie es sich so vor:

Das alte Regelwerk (Der Anker): Zuerst berechnet der Computer das Gewicht mithilfe der Standard-Ingenieurformeln (EYM, RSM und MS544). Sagen wir, das Regelwerk sagt, die Brücke kann 50 Tonnen tragen.
Die reale Welt (Die Lücke): Im Labor hielt die Brücke tatsächlich 65 Tonnen. Es gibt eine Lücke von 15 Tonnen.
Der Smarte Co-Pilot (Die Korrektur): Die einzige Aufgabe des Computers ist es, zu lernen, wie er diese 15-Tonnen-Lücke behebt. Er versucht nicht, das Rad neu zu erfinden; er lernt lediglich den „Korrekturfaktor“, der benötigt wird, damit das alte Regelwerk der Realität entspricht.

Dies hält die Vorhersage in der physikalischen Realität verankert. Selbst wenn der Computer verwirrt wird, wird er nicht vorschlagen, dass die Brücke 1.000 Tonnen oder -50 Tonnen tragen kann; er bleibt nah an der sicheren, logischen Basis.

Die Ergebnisse: Wer hat das Rennen gewonnen?

Die Forscher testeten sechs verschiedene Arten von Computer-„Gehirnen“ (Algorithmen), um zu sehen, welches am besten darin war, die Lücke zu schließen.

Der Gewinner: Support Vector Regression (SVR). Er war am genauesten, mit einer Fehlerrate von nur etwa 8,6 %. Er war wie der zuverlässigste Mechaniker in der Werkstatt.
Die Zweitplatzierten: CatBoost und XGBoost waren ebenfalls sehr gut und fast so genau wie der Gewinner.
Die Verlierer: Einige andere Methoden (wie einfache Entscheidungsbäume) waren zu instabil und machten größere Fehler.

Was hat der Computer gelernt? (Das „Warum“)

Die Forscher nutzten ein spezielles Werkzeug namens SHAP, um den Computer zu fragen: „Welche Faktoren waren am wichtigsten?“

Holzart ist entscheidend: Der wichtigste Faktor war schlichtweg welche Art von Holz es war. Das Holz „Bitis“ war konsistent stärker als das „Balau“-Holz. Der Computer lernte dies sofort.
Abstände spielen eine Rolle: Wie weit die Bolzen voneinander entfernt platziert wurden (Bolzabstand), war das zweitwichtigste Kriterium.
Das Regelwerk zählt immer noch: Interessanterweise hörten die besten Modelle (SVR und CatBoost) tatsächlich auf die Zahlen des alten Regelwerks. Das „XGBoost“-Modell hingegen ignorierte das Regelwerk weitgehend und verließ sich nur auf die Geometrie. Die Forscher bevorzugen die Modelle, die auf das Regelwerk hören, da dies die Vorhersagen sicherer und logischer macht.

Das Endprodukt: Ein sicheres Design-Werkzeug

Das Ziel war nicht nur, das durchschnittliche Gewicht vorherzusagen, sondern eine sichere, konservative Grenze zu finden, die Ingenieure im echten Leben verwenden können.

Sie berechneten einen „Sicherheitsfaktor“ (eine Zahl kleiner als 1).

Für das beste Modell (SVR) lag dieser Faktor bei 0,842.
So funktioniert es: Wenn der Computer vorhersagt, dass eine Brücke 100 Tonnen tragen kann, multipliziert der Ingenieur dies mit 0,842. Die Design-Grenze liegt dann bei 84,2 Tonnen.
Warum? Dies stellt sicher, dass in 95 von 100 Fällen das tatsächliche Holz stärker ist als die Design-Grenze. Es ist ein Sicherheitsbuffer, der berücksichtigt, dass Holz ein Naturmaterial ist und variieren kann.

Zusammenfassung

Diese Arbeit hat einen neuen, smarteren Weg zur Konstruktion von gebohrten Verbindungen für tropische Harthölzer geschaffen.

Sie vermied Betrug, indem sie den Computer an ganzen Holzgruppen testete und nicht an einzelnen Stücken.
Sie hat die alten Ingenieurregeln nicht weggeworfen; sie nutzte sie als Basis und ließ den Computer die „Korrekturen“ lernen.
Sie fand heraus, dass die Holzart und der Bolzabstand die kritischsten Faktoren sind.
Sie lieferte eine einfache Formel (Vorhersage × 0,842), die Ingenieure verwenden können, um Strukturen aus malaysischen tropischen Harthölzern sicher zu entwerfen, sodass sie ausreichend belastbar sind, ohne übermäßig materialverschwendend zu sein.

Hinweis: Die Studie ist derzeit auf zwei spezifische Holzarten (Balau und Bitis) und spezifische Bolzengrößen beschränkt. Die Forscher weisen ausdrücklich darauf hin, dass dieses Werkzeug für diese spezifischen Fälle gedacht ist und nicht für andere Hölzer oder Bolzentypen verwendet werden sollte, bis weitere Tests durchgeführt wurden.

Technisches Resümee: Physik-integriertes maschinelles Lernframework zur Vorhersage der Tragfähigkeit von verschraubten Stahl-Holz-Verbindungen in tropischen Harthölzern

1. Problemstellung

Die Vorhersage der Querbelastbarkeit von verschraubten Stahl-Holz-Verbindungen bleibt eine erhebliche Herausforderung im Holzbau, insbesondere bei tropischen Harthölzern. Bestehende Bemessungsnormen, wie das European Yield Model (EYM) und das Row Shear Model (RSM), wurden primär anhand von gemäßigten Weichholzarten (z. B. Fichte, Kiefer, Tanne) kalibriert. Diese Modelle lassen oft die nötige Genauigkeit vermissen, wenn sie auf malaysische tropische Harthölzer wie Balau (Shorea spp.) und Bitis (Madhuca spp.) angewendet werden, die eine höhere Dichte, unterschiedliche Kornstrukturen und distinkte Versagensmechanismen aufweisen.

Darüber hinaus steht die Anwendung von maschinellem Lernen (ML) in diesem Bereich vor drei spezifischen methodischen Hürden:

Datenknappheit und Struktur: Experimentelle Datensätze für Verbindungstests sind typischerweise klein und hochgradig strukturiert, wobei mehrere Proben dieselben geometrischen Eingabewerte innerhalb einer einzelnen Verbindungsgruppe teilen.
Data Leakage (Datenleckage): Eine standardmäßige zufällige Kreuzvalidierung auf Probenebene führt zu Data Leakage, bei dem Modelle die Reaktionen von Gruppen „auswendig lernen“, anstatt generalisierbare Abbildungen zu erlernen, was zu übermäßig optimistischen Leistungsschätzungen führt.
Mangel an physikalischer Fundierung: Rein datengesteuerte Modelle können Vorhersagen treffen, die etablierte Ingenieursprinzipien verletzen, insbesondere bei der Extrapolation über den Trainingsbereich hinaus.

2. Methodik

2.1 Experimenteller Datensatz

Die Studie nutzte einen Datensatz aus 36 Verbindungsgruppen (360 einzelne Proben), die aus systematischen Tests von Einzelscher-Verbindungen (einreihig, Stahlplatte-zu-Holz, verschraubt) resultierten.

Arten: Balau und Bitis (Malaysian Strength Group 1).
Konfiguration: M13 Grade 4.6 Bolzen, 6 mm Stahlplatten, Lastrichtung parallel zur Faser.
Variablen: Anzahl der Verbindungsmittel ( $N$ ), Endabstandverhältnis ( $e/d$ ) und Bolzenabstandsverhältnis ( $s_b/d$ ).
Zielgröße: Die mittlere Tragfähigkeit jeder Gruppe wurde als Datenpunkt für die Modellierung verwendet.

2.2 Physik-integriertes Framework

Die Studie verfolgte eine Physik-Residuen-Lernstrategie anstatt Modelle darauf zu trainieren, die Tragfähigkeit von Grund auf neu zu berechnen.

Physikalischer Anker: Drei etablierte Bemessungsgleichungen (EYM, RSM und MS544-5) wurden für jede Gruppe berechnet. Das Minimum dieser drei Vorhersagen ( $R_{min}$ ) diente als physikalische Basislinie.
Residuen-Lernen: Die ML-Modelle wurden trainiert, um den Residuenfehler ( $\varepsilon = R_{exp} - R_{min}$ ) vorherzusagen, anstatt die absolute Tragfähigkeit. Die endgültige Vorhersage ( $R_{ml}$ ) wird als $R_{min} + \hat{y}(\varepsilon)$ berechnet. Dies stellt sicher, dass die Vorhersagen an der physikalischen Theorie verankert bleiben.

2.3 Validierung und Erklärbarkeit

Gruppenbasierte Leave-One-Out-Kreuzvalidierung (Group-LOO-CV): Um Data Leakage zu verhindern, wandte die Studie ein 36-faches Kreuzvalidierungsschema an, bei dem ganze Verbindungsgruppen (nicht einzelne Proben) als Testsets zurückgehalten wurden. Dies stellt sicher, dass das Modell an ungesehenen geometrischen Konfigurationen getestet wird.
Algorithmen: Es wurden sechs Algorithmen evaluiert: Support Vector Regression (SVR), CatBoost, XGBoost, Random Forest, K-Nearest Neighbors (KNN) und Gradient Boosting.
Erklärbarkeit: SHAP (SHapley Additive exPlanations) und Permutation Importance wurden verwendet, um den Beitrag der Merkmale zu quantifizieren und die physikalische Interpretierbarkeit sicherzustellen.
Kalibrierung: Ein Kalibrierungsfaktor ( $\phi$ ) wurde als das 5. Perzentil des Verhältnisses von experimentellen zu vorhergesagten Werten abgeleitet, um konservative Bemessungswerte ( $R_{5th}$ ) zu generieren.

3. Kernergebnisse

3.1 Vorhersageleistung

Alle Modelle übertrafen die code-basierte Basislinie ( $R_{min}$ ). Die Support Vector Regression (SVR) erwies sich als das leistungsstärkste Modell:

$R^2$ : 0,876 (±0,043)
RMSE: 6,09 kN
MAE: 4,80 kN
Bias: -0,783 kN (leicht konservativ)

CatBoost ( $R^2$ = 0,846) und XGBoost ( $R^2$ = 0,842) folgten dicht darauf. Statistische Tests (Wilcoxon-Vorzeichen-Rang-Test) zeigten, dass die Unterschiede zwischen den Top-Drei-Modellen zwar nicht statistisch signifikant auf dem 95%-Konfidenzniveau waren, SVR jedoch die konsistenteste Leistung über die Folds hinweg zeigte.

3.2 Merkmalsrelevanz (Feature Importance)

Die SHAP-Analyse ergab, dass die Holzart, das Bolzenabstandsverhältnis und das Randabstandverhältnis die einflussreichsten Prädiktoren waren.

Holzart: Wurde als das dominante Merkmal identifiziert, was die Differenz der mittleren Tragfähigkeit von 6,9 kN zwischen Bitis und Balau widerspiegelt.
Nutzung des physikalischen Ankers: SVR und CatBoost wiesen dem physikalischen Anker ( $R_{min}$ ) eine signifikante Bedeutung zu, was die physikalische Konsistenz sicherstellt. Im Gegensatz dazu ignorierte XGBoost den physikalischen Anker weitgehend (SHAP-Wert ~0,19 kN) und stützte sich statattdessen auf geometrische Eingaben, was die Zuverlässigkeit der Extrapolation einschränken könnte.

3.3 Kalibrierung und praktische Anwendung

Die Studie leitete Kalibrierungsfaktoren ( $\phi$ ) ab, um die Rohvorhersagen in konservative Bemessungswerte umzuwandeln.

SVR-Kalibrierungsfaktor: $\phi$ = 0,842.
Charakteristische Festigkeit ( $R_{5th}$ ): Die kalibrierte SVR-Vorhersage ergab ein $R_{5th}$ von 26,27 kN, was leicht unter dem experimentellen Benchmark von 27,45 kN liegt. Dies bestätigt, dass das Framework konservative, sichere Bemessungswerte liefert, die mit bestehenden Standards wie MS544-5 vergleichbar sind.

4. Wesentliche Beiträge

Methodische Strenge: Die Studie adressiert das kritische Problem des Data Leakage in kleinen, strukturierten experimentellen Datensätzen durch die Implementierung von Group-LOO-CV, ein notwendiger Schritt, der in ML-Anwendungen für das Bauwesen oft vernachlässigt wird.
Physik-Residuen-Strategie: Sie zeigt, dass das Training von Modellen zur Korrektur der Lücke zwischen Code-Vorhersagen und experimentellen Ergebnissen (anstatt einer Vorhersage von Grund auf) eine höhere Genauigkeit und physikalische Konsistenz für tropische Hölzer liefert.
Erklärbarkeit im Design: Durch die Integration der SHAP-Analyse validiert die Studie, dass ML-Modelle physikalisch sinnvolle Beziehungen lernen (z. B. die Dominanz von Holzarten und Abstandsverhältnissen) anstatt bloßer Schein-Korrelationen.
Praktische Kalibrierung: Die Ableitung eines spezifischen Kalibrierungsfaktors bietet einen direkten Weg, um ML-Vorhersagen in konservative strukturelle Bemessungsrahmen zu integrieren und so die Lücke zwischen datengesteuerter Genauigkeit und ingenieurtechnischen Sicherheitsanforderungen zu schließen.

5. Bedeutung und Behauptungen

Das Paper beansprucht, eines der ersten physik-integrierten maschinellen Lernframeworks zu sein, das speziell für die Vorhersage der Tragfähigkeit von verschraubten Stahl-Holz-Verbindungen in malaysischen Holzarten der Stärke-Gruppe 1 entwickelt wurde.

Die Bedeutung der Arbeit liegt in ihrer Fähigkeit:

Die Bemessungsrichtlinien auf tropische Hölzer auszuweiten, für die bestehende Normen weniger genau sind.
Einen „klaren, physikalisch fundierten Pfad“ zur Erweiterung der Bemessungsrichtlinien zu bieten, ohne etablierte mechanische Theorien zu ersetzen.
Ein robustes, gegen Datenleckage geschütztes Validierungsprotokoll anzubieten, das als Vorlage für andere strukturelle Ingenieurprobleme mit begrenzten, strukturierten Daten dienen kann.

Die Autoren vertreten eine moderate Position und räumen ein, dass das Framework derzeit auf die Arten Balau und Bitis sowie auf einreihige Konfigurationen beschränkt ist. Sie betonen, dass das Modell als Entscheidungshilfe gedacht ist, um bestehende Bemessungsnormen zu ergänzen und nicht zu ersetzen, und dass zukünftige Arbeiten eine Validierung an externen Datensätzen und einem breiteren Spektrum an Holzarten erfordern.