⚡ electrical engineering

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

Deze studie stelt vijf machine learning-algoritmen voor en evalueert deze, getraind op eindelementgegevens, om de door explosies veroorzaakte schade aan gewapende betonkolommen te voorspellen, waarbij CatBoost wordt geïdentificeerd als het meest effectieve model en de structurele diepte, het explosieveffectgewicht en de vloeigrens van de wapening als de belangrijkste beïnvloedende factoren worden benadrukt.

Oorspronkelijke auteurs: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Gepubliceerd 2026-07-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een gewapende betonnen kolom voor als een stevige, met staal versterkte boomstam. Stel je nu voor dat er vlak naast die boom een enorme explosie plaatsvindt. De schokgolf raakt de boom, en de grote vraag is: Hoeveel schade zal die boom oplopen? Krijgt de boom slechts een paar krasjes, scheurt er een tak af, of breekt hij volledig doormidden?

Traditioneel moeten ingenieurs dit beantwoorden door dure, gevaarlijke fysieke modellen in laboratoria te bouwen of door ongelooflijk complexe, trage computersimulaties te draaien die uren of dagen duren voordat ze klaar zijn. Het is alsof je probeert te voorspellen of het gaat regenen door elke keer dat je dat wilt weten een nieuwe, volledige atmosfeer in een kamer te bouwen.

Dit artikel introduceert een slimmere, snellere manier: Machine Learning (ML). Denk aan ML als een superintelligente student die duizenden "wat als"-scenario's heeft bestudeerd en de patronen heeft geleerd van hoe deze betonnen kolommen op explosies reageren. In plaats van elke keer een nieuw model te bouwen, vragen we de student gewoon: "Hier zijn de details van de explosie en de kolom; wat is de schade?"

Hier is een overzicht van hoe ze het aanpakten en wat ze ontdekten, met behulp van eenvoudige analogieën:

1. De Trainingsgrond (De Data)

Voordat de "studenten" (de AI-modellen) konden leren, moesten de onderzoekers een enorme bibliotheek aan oefenopgaven creëren. Ze gebruikten geen echte explosies (die zijn gevaarlijk en duur); in plaats daarvan gebruikten ze een geavanceerd computerprogramma genaamd LS-DYNA om honderden explosies op virtuele kolommen te simuleren.

Ze creëerden een dataset met 10 verschillende "ingrediënten" voor elk scenario, zoals:

Hoe groot de kolom is (diepte en breedte).
Hoe sterk het beton en het staal zijn.
Hoe zwaar de bom is.
Hoe ver de bom verwijderd is.

2. De Vijf Studenten (De Algoritmen)

De onderzoekers kozen niet zomaar één AI; ze namen vijf verschillende "studenten" in dienst met verschillende leerstijlen om te zien wie het beste was in het voorspellen van de schade.

Random Forest (RF): Als een commissie van experts. Zij bekijken het probleem vanuit een iets andere hoek en stemmen over het antwoord.
LightGBM, CatBoost en XGBoost: Dit zijn als een team van detectives die in een reeks werken. De eerste maakt een gok, de tweede kijkt naar de fouten van de eerste en probeert deze te herstellen, de derde herstelt de fouten van de tweede, enzovoort. Ze worden slimmer bij elke stap.
SVM (Support Vector Machine): Dit is als een strenge scheidsrechter die probeert een rechte lijn (of een vloeiende curve) te trekken om "veilig" van "beschadigd" te scheiden.

3. De Test (Wie won?)

De onderzoekers gaven alle vijf de studenten een nieuwe set problemen die ze nog nooit eerder hadden gezien, om te zien wie de schade het meest nauwkeurig kon voorspellen.

De Winnaar: CatBoost. Dit model was de duidelijke kampioen. Het was het meest nauwkeurig en betrouwbaar. Het leerde de complexe, chaotische patronen van explosies beter dan de anderen.
De Naaste Volger: Random Forest. Het was zeer consistent en stabiel, maar iets minder nauwkeurig dan de winnaar.
De Twijfelaars: XGBoost en LightGBM waren oké, maar hadden meer ups en downs in hun prestaties.
De Verliezer: SVM. Dit model faalde volledig. Het was alsof je een liniaal probeerde te gebruiken om een kronkelige lijn te meten; de schade door een explosie is te chaotisch en onvoorspelbaar voor dit specifieke type "rechtlijnige" denken.

4. Wat doet er eigenlijk toe? (De Belangrijkste Ingrediënten)

Het winnende model (CatBoost) vertelde de onderzoekers ook welke "ingrediënten" het belangrijkst waren. Het is alsof een chef-kok vertelt welke kruiden een gerecht lekker maken.

De Diepte van de Kolom (De Grote Winnaar): De belangrijkste factor was hoe "diep" of dik de kolom was. Een kolom dieper maken is als een boomstam dikker maken; het maakt het extreem moeilijk om hem te breken. Deze enkele factor was verantwoordelijk voor bijna 38% van de voorspelling van de schade.
Het Gewicht van de Bom: Natuurlijk veroorzaakt een grotere bom meer schade, maar de relatie is niet simpelweg "dubbel zo zware bom, dubbel zoveel schade". Het is een beetje complexer, maar nog steeds erg belangrijk (ongeveer 27%).
De Sterkte van het Staal: De sterkte van de stalen staven die in het beton lopen, was de derde belangrijkste factor (14%). Sterker staal hel covers de kolom bij elkaar te houden, zelfs nadat het beton is gebarsten.

Verrassende Bevindingen:

Betonsterkte: Verrassend genoeg hielp het maken van het beton sterker minder dan verwacht zodra een bepaalt punt was bereikt. Het is als het gebruik van een superhard stuk steen als deurstopper; zodra het hard genoeg is, stopt het de deur niet meer in haar beweging.
Dwarsversterking (De "Staven"): De kleine stalen ringen die de hoofdstaven bij elkaar houden, deden er niet veel toe als de kolom al volgens de geldende normen was gebouwd. Het is als het toevoegen van extra autogordels aan een auto die al goede gordels heeft; het verandert de uitkomst bij een crash niet veel.

5. Waarom dit ertoe doet

Het artikel concludeert dat we niet langer voor elke ontwerpkeuze trage, dure computersimulaties hoeven te draaien. We kunnen het CatBoost-model gebruiken om direct te voorspellen hoeveel schade een kolom zal oplopen door een explosie.

Snelheid: Het is direct beschikbaar.
Nauwkeurigheid: Het is betrouwbaar genoeg om ingenieurs te helpen veiliger gebouwen te ontwerpen.
Veiligheid: Het helpt bij het identificeren van welke gebouwen kwetsbaar zijn en welke ontwerpwijzigingen (zoals diepere kolommen of sterker staal) de meeste levens zullen redden.

Kortom, de onderzoekers hebben een "glazen bol" voor ingenieurs gebouwd. In plaats van te gokken of dagen te wachten op een simulatie, kunnen ze nu de AI vragen: "Als we een kolom van deze grootte met deze hoeveelheid staal bouwen, en er gaat hier een bom van deze omvang af, hoe groot wordt de schade dan?" en binnen enkele seconden een betrouwbaar antwoord krijgen.

Technische Samenvatting: Ontwikkeling van Machine Learning-algoritmen om het Schadeniveau van Gewapend Betonconstructies te Voorspellen bij Blootstelling aan Extreme Dynamische Belastingen

1. Probleemstelling

Gewapend betonconstructies (GB) zijn steeds kwetsbaarder voor explosieve belastingen door de toenemende frequentie van terroristische aanslagen en potentiële industriële ongevallen. Traditionele methoden voor het beoordelen van explosieschade—experimentele tests en numerieke simulaties—hebben aanzienlijke beperkingen. Experimentele analyse is kostbaar, tijdrovend en brengt ernstige veiligheidsrisico's met zich mee. Daartegenover staan dat numerieke simulaties (bijv. Finite Element Analysis met LS-DYNA) weliswaar gedetailleerde inzichten bieden, maar uitgebreide computationele middelen en gespecialiseerde expertise vereisen, wat ze onpraktisch maakt voor snelle voorlopige ontwerpen of grootschalige kwetsbaarheidsscreening.

Er is een kritieke behoefte aan een eenvoudigere, snellere en nauwkeurigere methode om de schade niveaus van GB-kolommen onder explosieve belasting te voorspellen. Deze studie adresseert dit gat door de effectiviteit van Machine Learning (ML) algoritmen te onderzoeken als data-gestuurde alternatieven voor traditionele simulatiemethoden.

2. Methodologie

2.1 Datageneratie en Numerieke Simulatie

Het onderzoek maakte gebruik van een uitgebreide dataset die werd gegenereerd via numerieke simulaties in plaats van fysieke experimenten.

Software: LS-DYNA werd gebruikt om de dynamische respons van GB-kolommen onder explosieve belasting te modelleren.
Modeldetails: De modellen vertegenwoordigden rechthoekige GB-kolommen (doorsnede 500×700 mm, hoogte 4400 mm) met specifieke longitudinale en transversale wapening.
Materiaalmodellen:
- Beton: Gemodelleerd met MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3) om niet-lineair gedrag, schadeaccumulatie en rek-snelheidseffecten te vangen.
- Staal: Gemodelleerd met MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24).
- Rek-snelheid (Strain Rate): Dynamic Increase Factors (DIF) gebaseerd op de CEB-FIB Model Code werden toegepast op zowel beton als staal om rekening te houden met de hoge rek-snelheden die typerend zijn voor explosiegebeurtenissen.
Belasting: Explosieve belastingen werden gesimuleerd met behulp van een vereenvoudigde driehoekige druk-tijdgeschiedenis toegepast op het oppervlak van de kolom, gedefinieerd door piekdruk en de duur van de positieve fase.
Validatie: Het numerieke model werd gevalideerd tegen experimentele gegevens van Baylot en Benvis (2007), waarbij een nauwe overeenkomst werd getoond in de doorbuiging op gemiddelde hoogte en de restverplaatsing.

2.2 Schadebeoordeling

Een schade-index ( $D$ ) werd gedefinieerd op basis van de restcapaciteit van de axiale belasting van de kolom:
$D = 1 - \frac{P_{rest}}{P_d}$
Waarbij $P_{rest}$ de capaciteit van de beschadigde kolom is en $P_d$ de capaciteit van de onbeschadigde kolom. Schadeniveaus werden geclassificeerd in vier categorieën: Laag ( $0 < D < 0,2$ ), Medium ( $0,2 < D < 0,5$ ), Hoog ( $0,5 < D < 0,8$ ) en Instorting ( $0,8 < D < 1$ ).

2.3 Machine Learning Framework

Vijf verschillende ML-algoritmen werden getraind en getest op de dataset afgeleid van de eindige-elementenmodellen:

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

Input Kenmerken (10 parameters):

Geometrisch: Kolomdiepte ( $D$ ), breedte ( $w$ ), hoogte ( $H$ ).
Materiaal: Druksterkte beton ( $f_c$ ), vloeigrens longitudinaal staal ( $f_y$ ), vloeigrens transversaal staal ( $f_{yt}$ ), longitudinale wapeningsratio ( $\rho$ ), transversale wapeningsratio ( $\rho_s$ ).
Explosie: Ladingsgewicht ( $W$ ), geschaalde afstand ( $Z$ ).

3. Belangrijkste Bijdragen

Vergelijkende Analyse: De studie biedt een rigoureuze vergelijking van vijf state-of-the-art ML-algoritmen specif_, voor het niet-lineaire, drempelrijke probleem van explosieschadevoorspelling in GB-kolommen.
Identificatie van het Optimale Algoritme: Het identificeert CatBoost als het superieure model voor deze specifieke toepassing, dat RF, XGBoost, LightGBM en SVM overtreft in termen van nauwkeurigheid en betrouwbaarheid.
Kwantificering van Kenmerkbelang (Feature Importance): Het onderzoek kwantificeert de relatieve invloed van geometrische, materiaale en explosieparameters op de ernst van de schade, wat data-gestuurde inzichten biedt voor ontwerpoptimalisatie.
Gevoeligheidsanalyse: De studie brengt de niet-lineaire relaties tussen inputvariabelen (bijv. ladingsgewicht, kolomdiepte) en de resulterende schade-index in kaart, waarbij kritieke drempels in het structurele gedrag worden geïdentificeerd.

4. Resultaten

4.1 Modelprestaties

Prestaties werden geëvalueerd met behulp van $R^2$ , Mean Squared Error (MSE), Mean Absolute Error (MAE), Explained Variance Score (EVS), Mean Absolute Percentage Error (MAPE) en Mean Squared Logarithmic Error (MSLE).

CatBoost (Tier 1): Behaalde de hoogste prestaties met een $R^2$ van 0,7125, een MAE van 1.061,09 en een MAPE van 17,63%. Het vertoonde de beste balans tussen nauwkeurigheid en betrouwbaarheid.
Random Forest (Tier 2): Toonde goede prestaties ( $R^2 = 0,6274$ ) met de hoogste stabiliteit (laagste standaarddeviatie in $R^2$ ), wat het een robuust alternatief maakt.
XGBoost (Tier 2): Behaalde een concurrerende gemiddelde nauwkeurigheid ( $R^2 = 0,6109$ ) maar vertoonde een hoge variabiliteit (standaarddeviatie van 0,2313), wat wijst op gevoeligheid voor datapartities.
LightGBM (Tier 3): Leverde marginale prestaties ( $R^2 = 0,5043$ ), waarschijnlijk door de leaf-wise groeistrategie die lokale patronen overfit.
SVM (Tier 4): Faalde volledig met een $R^2$ van -0,0170, wat duidt op een onvermogen om de complexe niet-lineariteiten en discontinue overgangen (bijv. van gelokaliseerde schade naar instorting) die inherent zijn aan explosieve belasting te vatten.

4.2 Kenmerkbelang (Feature Importance)

Op basis van het CatBoost-model werden de inputparameters gerangschikt naar hun invloed op de schadevoorspelling:

Diepte van het structurele element ( $D$ ): 38,45% (Dominante factor).
Ladingsgewicht: 27,25%.
Vloeigrens longitudinaal wapeningsstaal ( $f_y$ ): 14,55%.
Geschaalde afstand ( $Z$ ): 6,42%.
Transversale wapeningsratio ( $\rho_s$ ): 3,04%.
Vloeigrens transversaal wapeningsstaal ( $f_{yt}$ ): 2,71%.
Druksterkte beton ( $f_c$ ): 2,66%.
Kolomhoogte ( $H$ ): 2,21%.
Kolombreedte ( $w$ ): 1,78%.
Longitudinale wapeningsratio ( $\rho$ ): 0,93%.

4.3 Gevoeligheid en Drempels

Diepte: Er bestaat een duidelijke drempel tussen 550 mm en 650 mm. Het vergroten van de diepte voorbij 600 mm levert een afnemend rendement op bij de reductie van schade.
Ladingsgewicht: Schade neemt logaritmisch toe met het ladingsgewicht en vlakt af wanneer de structuur de totale instorting nadert.
Betonsterkte: Het verhogen van $f_c$ boven de 45 MPa biedt minimale extra voordelen vanwege het rek-snelheidseffect (DIF) dat verschillen in statische sterkte normaliseert.
Transversale wapening: Binnen het bestudeerde bereik hadden variaties in de transversale wapening een verwaarloosbare impact op de metriek van de resterende axiale capaciteit, mits aan de minimale voorschriften werd voldaan.

5. Betekenis en Claims

Het artikel claimt dat de ontwikkelde ML-modellen, in het bijzonder CatBoost, een snelle en nauwkeurige tool bieden voor het voorspellen van de structurele schade en faalmodi van GB-kolommen onder explosieve belasting.

Praktisch nut: De modellen kunnen rekenintensieve eindige-elementen-simulaties vervangen voor voorlopig ontwerp en kwetsbaarheidsscreening, mits passende veiligheidsfactoren worden toegepast.
Ontwerprichtlijnen: De studie biedt specifieke, op data gebaseerde ontwerp aanbevelingen:
- Geef prioriteit aan het vergroten van de kolomdiepte boven het verhogen van de betonsterkte of het toevoegen van transversale wapening voor weerstand tegen explosies.
- Maak gebruik van hoogwaardig longitudinaal staal ( $f_y \ge 500$ MPa) om te profiteren van de voordelen van de rek-snelheid.
- Vermijd het specificeren van betonsterktes die aanzienlijk boven 45 MPa liggen voor weerstand tegen explosies, aangezien de marginale winst laag is.
- Focus op geschaalde afstand (standoff) als een primaire beschermende maatregel tijdens de locatieplanning.

De auteurs concluderen dat hoewel de modellen beperkt zijn tot de parameterrange en de numerieke simulatiegegevens die zijn gebruikt, ze een belangrijke stap vormen naar efficiënt, data-gestuurd ontwerp voor weerstand tegen explosies. De studie vermijdt expliciet de claim van universele toepasbaarheid buiten de geteste bereiken en suggereert dat toekomstig werk experimentele data moet bevatten en zich moet uitbreiden naar andere structurele elementen.