⚡ electrical engineering

A Physics-Informed Machine Learning Approach for Predicting Punching Shear Strength of Reinforced Concrete Flat Slabs

Deze studie stelt een interpreteerbaar, natuurkundig geïnformeerd machine learning-framework voor dat XGBoost-regressie combineert met een logaritmische transformatie om een zeer nauwkeurige en transparante machtswetvergelijking af te leiden voor het voorspellen van de ponsweerstand van gewapende betonvlakken, die de conventionele ACI 318-19-bepalingen aanzienlijk overtreft terwijl de praktische bruikbaarheid voor constructieve ingenieurs behouden blijft.

Oorspronkelijke auteurs: Aaqib Ali, Aslam Faqeer Mohammad

Gepubliceerd 2026-08-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Aaqib Ali, Aslam Faqeer Mohammad

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

In de wereld van de moderne bouw zijn vlakke betonvloeren een veelvoorkomende keuze voor alles van appartementencomplexen tot parkeergarages. Ze bieden een strakke, open uitstraling en maken flexibele interieurindelingen mogelijk, maar ze brengen een verborgen structurele uitdaging met zich mee. Wanneer een zware last op een vloer drukt, moet de kracht vanuit de brede plaat naar de smalle kolom die de vloer ondersteunt, reizen. Op dit knooppunt wordt het beton blootgesteld aan intense, gelokaliseerde spanning die kan leiden tot plotseling en onverwacht falen. Dit type falen, bekend als ponsafschuiving (punching shear), vindt plaats wanneer het beton rond de kolom scheurt en afbreekt, vergelijkbaar met een koekjesvorm die door deeg heen prikt. Als dit gebeurt, kan de vloer op de laag eronder instorten, wat potentieel een kettingreactie kan veroorzaken die een heel gebouw met zich mee naar beneden trekt.

Decennialang hebben ingenieurs vertrouwd op standaard vuistregels om deze ramp te voorkomen. Deze regels, te vinden in bouwvoorschriften, gebruiken vereenvoudigde wiskunde om te schatten hoeveel gewicht een vloer kan dragen voordat deze erdoorheen ponsen. Hoewel deze formules gemakkelijk te gebruiken zijn, zijn ze gebaseerd op oude gegevens en maken ze brede aannames die vaak de complexe realiteit van de interactie tussen beton en staal missen. Ze kunnen ofwel te voorzichtig zijn, wat leidt tot verspilling van materialen, of in specifieke situaties gevaarlijk optimistisch. Om dit op te lossen, zijn onderzoekers begonnen met het gebruik van machine learning, een vorm van computerintelligentie die patronen kan vinden in enorme hoeveelheden data. Deze computermodellen worden echter vaak gezien als "black boxes", wat betekent dat ze een antwoord geven zonder uit te leggen hoe ze daar gekomen zijn, wat ingenieurs terughoudend maakt om ze te vertrouwen voor berekeningen met betrekking tot de veiligheid van levens.

Een team van onderzoekers aan de NED University of Engineering and Technology in Pakistan heeft een nieuwe aanpak ontwikkeld die deze kloof overbrugt. Ze wilden een voorspellingsinstrument creëren dat even nauwkeurig is als de slimste computermodellen, maar zo helder en bruikbaar als de traditionele regels die ingenieurs al kennen. Hiervoor verzamelden ze een enorme collectie echte testresultaten uit laboratoria over de hele wereld. Hun database bevatte 408 verschillende betonplaatmonsters, die elk werden getest tot ze faalden. Deze tests varieerden sterk in hun eigenschappen, waarbij gebruik werd gemaakt van beton met sterktes variërend van 16,5 tot 119 megapascal en platen met effectieve dieptes tussen 70 en 456 millimeter. De onderzoekers keken ook naar de grootte van de ondersteunende kolommen en de hoeveelheid staalversterking in het beton.

Het team voedde deze gegevens eerst aan een krachtig machine learning-algoritme genaamd XGBoost. Dit systeem fungeerde als een zeer bekwame detective die duizenden combinaties van betonsterkte, staalratio's en afmetingen analyseerde om precies te leren hoe zij de faalpuntsinvloed bepaalden. Het computermodel leerde dat de meest kritieke factoren de diepte van de plaat, de grootte van de kolom en de hoeveelheid staalversterking waren, samen met een berekende maatstaf van de omtrek rond de kolom waar de breuk zou optreden. Het machine learning-model bleek opmerkelijk nauwkeurig en voorspelde de faallast correct voor 95,95 procent van de variaties in de data. In tegen tegenstelling hiertoe legde de standaard bouwvoorschriftformule slechts ongeveer 81,85 procent van de variaties vast.

Nog belangrijker is dat de onderzoekers niet stopten bij een computervoorspelling. Ze vertaalden de complexe patronen die de machine had geleerd naar één enkele, eenvoudige wiskundige vergelijking die elke ingenieur met een basisrekenmachine kan gebruiken. Deze nieuwe formule ziet eruit en voelt aan als de traditionele regels in bouwvoorschriften, maar is gebouwd op het diepere begrip dat door machine learning is verkregen. Bij het testen tegen dezelfde data verminderde deze nieuwe vergelijking de gemiddelde fout in de voorspelling met bijna 60 procent vergeleken met de standaardcode. Terwijl de oude code de sterkte van zwaar versterkte platen vaak onderschatte of de veiligheid van dunne platen overschatte, paste de nieuwe formule zich aan deze nuances aan, waardoor een veel betrouwbaardere schatting werd gegeven van wanneer een plaat zou falen.

De studie bevestigt dat de nieuwe methode niet slechts een statistische truc is, maar geworteld is in de werkelijke fysica van hoe beton zich gedraagt. De onderzoekers ontdekten dat de computer de juiste fysieke principes identificeerde die menselijke experts al lang begrepen: dat een diepere plaat en een grotere omtrek rond de kolom meer weerstand bieden tegen falen. Door de patroonherkennende kracht van machine learning te combineren met de transparantie van een eenvoudige formule, heeft het team een instrument gecreëerd dat zowel zeer nauwkeurig als gemakkelijk te vertrouwen is. Dit werk suggereert dat de toekomst van het constructief ontwerp niet vereist dat men moet kiezen tussen complexe computermodellen en eenvoudige regels; in plaats daarvan is het mogelijk om het eerste te gebruiken om het laatste te verfijnen, zodat gebouwen veiliger en efficiënter worden zonder dat ingenieurs datawetenschappers hoeven te worden.

Technische Samenvatting: Een Physics-Informed Machine Learning-aanpak voor het voorspellen van de ponsafschuivingsterkte van gewapend beton in vlakke vloeren

Probleemstelling
Het nauwkeurig voorspellen van de ponsafschuivingscapaciteit ( $V_u$ ) van gewapende beton (RC) vlakke vloeren is een hardnekkige uitdaging in de constructieve techniek vanwege de complexe, niet-lineaire interacties tussen materiaaleigenschappen, wapeningskenmerken en geometrische parameters. Conventionele ontwerpvoorschriften, zoals ACI 318-19, vertrouwen op vereenvoudigde empirische formuleringen. Hoewel deze vergelijkingen eenvoudig te implementeren zijn, vertonen ze vaak een aanzienlijke voorspellingsonzekerheid omdat ze lineaire relaties aannemen en cruciale variabelen, zoals de directe mechanische bijdrage van de buigwapeningsverhouding ( $\rho$ ), negeren. Dit kan leiden tot overmatig conservatieve ontwerpen in sterk gewapende regio's of onveilige, liberale schattingen in dunne vloeren met weinig wapening. Daarentegen bieden geavanceerde Machine Learning (ML) modellen zoals eXtreme Gradient Boosting (XGBoost) weliswaar een superieure voorspellingsnauwkeurigheid, maar hun "black-box"-aard — gebaseerd op honderden discontinue beslissingssplitsingen — beperkt hun adoptie in de praktische constructieve praktijk, waar transparante, gesloten vorm-vergelijkingen vereist zijn voor snelle berekeningen en naleving van normen.

Methodologie
De studie stelt een datagestuurd, code-georiënteerd framework voor dat de kloof overbrugt tussen de hoge precisie van ML en het praktische nut voor ingenieurs. Het onderzoek maakte gebruik van een uitgebreide experimentele database bestaande uit 408 specimens van binnenste RC vlakke vloer-kolomverbindingen afkomstig uit diverse historische studies. De methodologie verliep via vier systematische fasen:

Data-compilatie en Preprocessing: Een structurele matrix werd samengesteld, waarbij ontbrekende waarden werden opgeschoond en de wapeningsverhouding ( $\rho$ ) werd getransformeerd van een percentage naar een decimale schaal om statistische integriteit te waarborgen.
Physics-Informed Feature Engineering: Om mechanische transparantie af te dwingen, werd de inputvector aangevuld met physics-informed features afgeleid van de structurele mechanica. Specifiek werden de kritische afschuivingsomtrek ( $b_0 = 4(c+d)$ ) en de treksterktemetriek van beton ( $\sqrt{f'_c}$ ) berekend. De uiteindelijke inputvector omvatte de druksterkte van beton ( $f'_c$ ), de vloeigrens van staal ( $f_y$ ), de effectieve hoogte ( $d$ ), de kolombreedte ( $c$ ), de wapeningsverhouding ( $\rho$ ), $b_0$ en $\sqrt{f'_c}$ .
Modeltraining en Benchmarking: Een XGBoost-regressor werd getraind op 80% van de data (326 specimens) en gevalideerd op een onafhankelijke testset van 20% (82 specimens). De prestaties van het model werden afgezet tegen de standaard ACI 318-19 empirische vergelijking.
Logaritmische Transformatie Multiplicatieve Engine: Om de "black-box"-beperking aan te pakken, ontwikkelden de auteurs een gespecialiseerde engine. De dataset werd naar de log-ruimte gemapt om de relaties te lineariseren, waardoor de optimalisatie van machtswet-exponenten via kleinste-kwadratenregressie mogelijk werd. Deze geoptimaliseerde parameters werden vervolgens getransformeerd naar een compacte, gesloten vorm multiplicatieve machtswet-vergelijking.

Belangrijkste Bijdragen

Ontwikkeling van een Interpreteerbare Ontwerpvergelijking: De primaire bijdrage is de afleiding van een zelfstandige, enkelregelige machtswet-vergelijking ( $V_u = \alpha \cdot (f'_c)^a \cdot (f_y)^b \cdot (d)^c \cdot (c)^e \cdot (\rho)^g$ ) die de voorspellende nauwkeurigheid van een complex ML-model behoudt terwijl het voldoet aan het format van conventionele ontwerpnormen.
Integratie van Physics-Informed Features: De studie toont aan dat het opnemen van domeinspecifieke fysieke parameters (kritische afschuivingsomtrek en beton-treksterkte) in de ML-feature-ruimte het vermogen van het model verbetert om fysisch betekenisvolle relaties te vatten.
Kwantitatieve Superioriteit ten opzichte van Empirische Codes: Het framework biedt een rigoureuze statistische vergelijking die aantoont dat de ML-afgeleide aanpak de ACI 318-19 codevoorschriften aanzienlijk overtreft wat betreft variantieverklaring en foutminimalisatie.

Resultaten
De prestaties van de voorgestelde frameworks werden geëvalueerd met behulp van de Coëfficiënt van Determinatie ( $R^2$ ), de Gemiddelde Absolute Fout (MAE) en de Wortelgemiddelde Kwadratische Fout (RMSE) op de onafhankelijke testset:

XGBoost Model: Behaalde een $R^2$ van 0,9595, met een MAE van 26,21 kN en een RMSE van 43,79 kN.
Afgeleide Multiplicatieve Formule: Behaalde een $R^2$ van 0,9542, met een MAE van 35,5 kN en een RMSE van 56,22 kN.
ACI 318-19 Benchmark: Behaalde een $R^2$ van 0,8185, met een MAE van 64,42 kN en een RMSE van 92,74 kN.

Het XGBoost-model vertoonde een toename van 17,23% in variantieverklaring vergeleken met de ACI 318-19 baseline. Bovendien reduceerde de ML-aanpak de MAE met 59,31% en de RMSE met 52,78%, wat wijst op een substantiële reductie in de spreiding van voorspellingen en de eliminatie van fouten met grote magnitudes. De analyse van de feature-belangrijkheid bevestigde dat het model prioriteit gaf aan geometrische schalen (effectieve hoogte $d$ en kritische omtrek $b_0$ ) en materiaaleigenschappen ( $\rho$ en $\sqrt{f'_c}$ ) op een wijze die consistent is met de klassieke breukmechanica van beton.

Betekenis en Claims
Het artikel claimt dat deze aanpak er succesvol in is geslaagd de kloof te overbruggen tussen de nauwkeurigheid van high-fidelity machine learning en de praktische vereisten van de constructieve techniek. Door complexe algoritmische patronen te vertalen naar een transparante, multiplicatieve machtswet-vergelijking, biedt de studie ingenieurs een instrument dat zowel zeer nauwkeurig als direct bruikbaar is in de praktijk, zonder de noodzaak voor complexe computationele tools, internetverbinding of software-runtime-omgevingen. De afgeleide vergelijking biedt een betrouwbaar alternatief voor het voorspellen van de ponsafschuivingscapaciteit, wat potentieel het risico op brosse breuk vermindert door nauwkeurigere capaciteitsinschattingen dan de huidige empirische codes mogelijk maken. De auteurs merken op dat hoewel het huidige model is geoptimaliseerd voor binnenste vloer-kolomverbindingen zonder afschuivingswapening, het framework een pad schept voor toekomstige uitbreidingen naar afschuivingswapening, excentrische belasting en complexe geometrieën.

Meer zoals dit