Evidence-Constrained Machine-Learning Prediction and LLM-Assisted Controlled Online Updating for the Ultimate Axial Capacity of Concrete-Filled Steel Tube Columns

In de wereld van de civiele techniek zijn sommige van de sterkste en meest efficiënte bouwstenen niet gemaakt van één enkel materiaal, maar van twee die samenwerken. Stel je een stalen buis voor die gevuld is met beton. Het staal fungeert als een strakke huid die het beton samendrukt, waardoor het niet scheurt onder druk, terwijl het beton aan de binnenkant voorkomt dat de dunne stalen wanden naar binnen knikken of instorten. Deze samenwerking creëert een kolom die veel sterker is dan elk van de materialen alleen zou kunnen zijn. Deze composietkolommen worden veel gebruikt in wolkenkrabbers, bruggen en aardbevingsbestendige constructies omdat ze kosteneffectief, eenvoudig te bouwen en ongelooflijk veerkrachtig zijn. Het weten van de exacte hoeveelheid gewicht die een dergelijke kolom kan dragen voordat deze bezwijkt, is echter een complexe berekening. Ingenieurs vertrouwen al lang op fysieke tests en wiskundige formules om deze limiet in te schatten, maar de enorme variëteit aan maten, materialen en vormen maakt een perfecte voorspelling moeilijk.

Een team van onderzoekers heeft nu een nieuwe manier ontwikkeld om dit probleem aan te pakken, door het patroonherkenningsvermogen van machine learning te combineren met het conversatiegemak van moderne kunstmatige intelligentie. In plaats van ingenieurs te dwingen om getallen in rigide spreadsheets in te voeren, hebben zij een systeem ontwikkeld waarmee gebruikers een kolom in gewone mensentaal kunnen beschrijven en een nauwkeurige voorspelling van de sterkte ontvangen. Het systeem, dat de auteurs StructureGPT noemen, raadt het antwoord niet; het gebruikt een hoogwaardig getraind wiskundig model om het resultaat te berekenen, terwijl een taalassistent de conversatie afhandelt en de redenering uitlegt. Deze aanpak heeft tot doel geavanceerde structurele analyse toegankelijker te maken, terwijl de cijfers geworteld blijven in de echte fysica.

De onderzoekers begonnen met het verzamelen van een enorme collectie gegevens uit eerdere wetenschappelijke studies. Ze stelden informatie samen over bijna 3.200 daadwerkelijke kolommen die in laboratoria waren getest, inclusief zowel ronde als rechthoekige vormen. Voor elk exemplaar legden ze details vast zoals de hoogte, de dikte van het staal, de sterkte van het beton en hoe de belasting werd toegepast. Vervolgens leerden ze zes verschillende computerleeralgoritmen om de verborgen patronen in deze gegevens te vinden, waarbij ze de computers in feite vroegen om de relatie tussen de fysieke afmetingen en het maximale gewicht dat de kolom kon ondersteunen te leren. Na het testen van deze algoritmen tegen een deel van de gegevens die ze nog nooit eerder hadden gezien, kwam er één methode duidelijk als winnaar uit de bus. Een techniek genaamd gradient boosting, die een voorspelling opbouwt door veel eenvoudige beslissingsbomen te combineren, bleek de meest nauwkeurige te zijn. Voor de ronde kolommen voorspelde het de sterkte met een foutmarge van ongeveer 669 kilonewton, en voor de rechthoekige kolommen was de fout zelfs kleiner, rond de 304 kilonewton. Deze resultaten waren aanzienlijk beter dan de andere geteste methoden, inclusief standaard lineaire vergelijkingen en neurale netwerken.

Om ervoor te zorgen dat het systeem niet slechts een "black box" was die antwoorden gaf zonder uitleg, gebruikten de onderzoekers een diagnostisch hulpmiddel om te zien welke factoren het belangrijkst waren. Ze ontdekten dat de diameter van de buis en de dikte van het staal de meest invloedrijke variabelen waren voor ronde kolommen, terwijl de breedte en hoogte van de doorsnede cruciaal waren voor rechthoekige kolommen. Dit komt overeen met de intuïtie van een ingenieur: een bredere of dikkere kolom kan over het algemeen meer gewicht dragen. De onderzoekers merkten echter zorgvuldig op dat deze patronen gebaseerd zijn op de gegevens die zij hebben en dat ze gecontroleerd moeten worden aan de hand van natuurkundige wetten. De computer leert van de cijfers, maar begrijpt de fysica van staal en beton niet inherent, dus de menselijke ingenieur moet nog steeds verifiëren of de resultaten zinvol zijn.

Het meest innovatieve deel van dit werk is hoe het systeem met nieuwe informatie omgaat. In een traditionele software-update wordt een model één keer getraind en daarna bevroren. Hier bouwden de onderzoekers een veiligheidsmechanisme dat het systeem in staat stelt om te leren van nieuwe gegevens zodra deze beschikbaar komen, maar alleen als die gegevens betrouwbaar zijn. Ze testten dit door het systeem één voor één een stroom van nieuwe, geverifieerde experimentele resultaten te voeden. Voordat het systeem een nieuw stuk informatie accepteerde om zijn interne kennis bij te werken, voerde het een snelle controle uit. Als de nieuwe gegevens eruitzagen als een uitschieter of als het bijwerken van het model de voorspellingen voor andere bekende gevallen slechter zou maken, wees het systeem de wijziging af en keerde het terug naar de vorige staat. In hun experiment met rechthoekige kolommen accepteerde het systeem ongeveer 31 updates van de 78 nieuwe monsters, waardoor het zijn voorspellingen succesvol verfijnde zonder de nauwkeurigheid op de oorspronkelijke testset te verliezen. Deze "validation-gated" aanpak zorgt ervoor dat het systeem slimmer wordt naarmate de tijd verstrijkt, zonder per ongeluk te vergeten wat het al wist.

Ten slotte enveloppen het team deze krachtige rekenmachines in een gebruiksvriendelijke interface die aanvoelt als een gesprek. Een gebruiker kan een verzoek typen zoals: "Wat is de capaciteit van een rechthoekige kolom met een breedte van 400 millimeter en een staaldikte van 30 millimeter?" Het systeem extraheert de specifieke getallen, controleert of deze binnen een redelijke marge vallen, en voert vervolgens de berekening uit. Het geeft de voorspelde sterkte in kilonewton terug en biedt een uitleg in gewone taal over waarom dat getal is bereikt, waarbij de belangrijkste factoren worden benadrukt. Als de gebruiker later een werkelijke meting van een voltooide test verstrekt, kan het systeem dit gebruiken om zichzelf te verbeteren, mits de nieuwe gegevens de veiligheidscontroles passeren. Dit creëert een lus waarin menselijke expertise en machinale precisie samenwerken, waardoor ingenieurs snelle, op gegevens gebaseerde inzichten krijgen terwijl ze de strikte controle over de betrouwbaarheid van de resultaten behouden.

De studie concludeert dat hoewel dit systeem een belangrijke stap voorwaarts is in het interactief en adaptief maken van structurele analyse, het geen vervanging is voor professioneel oordeel. De voorspellingen zijn gebaseerd op de specifieke gegevens waarop het systeem is getraind, en de onderzoekers erkennen dat het model verdere tests nodig heeft tegen verschillende soorten gegevensbronnen om te garanderen dat het universeel werkt. Ze merken ook op dat de huidige versie het taalmodel alleen gebruikt om met de gebruiker te communiceren en getallen te extraheren, waarbij het zware rekenwerk aan de gespecialiseerde regressiemodellen wordt overgelaten. Deze scheiding is bewust, om ervoor te zorgen dat de cijfers traceerbaar en reproduceerbaar blijven. Door machine learning met hoge nauwkeurigheid te combineren met een gecontroleerde methode om van nieuwe gegevens te leren, hebben de onderzoekers een prototype gebouwd dat ingenieurs kan helpen betere en snellere beslissingen te nemen bij het ontwerp van veiligere, efficiëntere gebouwen.