Чтобы понять, как поведет себя бетонное сооружение через много лет, инженерам нужно уметь предсказывать ползучесть бетона. Это такое свойство материала, из-за которого он со временем начинает незаметно деформироваться под постоянной нагрузкой. Именно из-за ползучести мосты или перекрытия со временем могут прогибаться сильнее, чем сразу после постройки. Но долгое время все методы прогноза были неточными.

Одни способы расчета опирались на формулы, выведенные из опыта прошлых лет, — они работали, только если новый проект был очень похож на старые. Другие пытались объяснить процесс с научной точки зрения, но тоже грешили приближениями. А с развитием технологий появился противоположный подход: нейросети, которые просто учатся на данных. Они работают как черный ящик — прогноз выдают, но объяснить, почему цифры получились именно такими, не могут. И ни тот, ни другой путь не учитывал неизбежные случайности, из-за чего результат часто зависел от везения.

Подробности опубликованы в издании Frontiers of Structural and Civil Engineering.

Группа исследователей из четырех университетов (Хунаньского городского, Чаншаского наук и технологий, Юго-Восточного и Луизианского) решила объединить лучшее из двух миров. Они предложили гибридный метод, где классическая инженерная формула (модель CEB-FIP 90) работает в связке с искусственным интеллектом — сверточной нейросетью. Математическая модель задает направление, а нейросеть уточняет детали.

Но и это еще не все. Ученые пошли дальше и создали модель, которая не просто выдает одну цифру, а говорит:

Истинное значение, скорее всего, будет лежать в таком-то диапазоне.

Они учли два типа неопределенности. Первая — это погрешность самой формулы, ее несовершенство. Вторая — это неточность измерений, ведь даже самые лучшие приборы могут ошибаться.

Проверили разработку на базе данных Северо-Западного университета США. Результат оказался лучше, чем у чистых нейросетей и у классических формул. Новая модель работает быстрее и точнее. Она предсказывает деформацию с нужной вероятностью, и доверительный интервал получается даже чуть шире идеального, то есть модель честно признается в разбросе данных. Выяснилось, что главный источник неопределенности — это сама формула, на нее приходится около 90% всех возможных отклонений. Погрешность измерений влияет на результат гораздо меньше.

Для науки это шаг к тому, чтобы перестать спорить, что лучше: физика процесса или статистика. Исследование показывает, что это фальшивая дилемма, их нужно сочетать. Теперь у инженеров-теоретиков есть обоснование, как встраивать нейросети в строительные нормы, не теряя физического смысла.

В реальной жизни польза огромная. Если мы точно знаем, как прогнется плита перекрытия через 50 лет, мы можем заложить меньше арматуры и сэкономить миллионы на материалах. Или наоборот, усилить конструкцию там, где раньше ошибались, и предотвратить аварии. А учет неопределенностей позволит страховым компаниям и экспертам более здраво оценивать риски при строительстве небоскребов или мостов. Например, можно будет точнее сказать, сколько простоит конкретный объект в агрессивной среде, без преувеличенного запаса прочности.

Исследование выглядит убедительно, но есть важный нюанс: авторы проверяли метод на базе данных Northwestern University. Это очень авторитетный, но все же один-единственный источник. Логично предположить, что состав бетона, условия твердения и методика замеров в этой базе имеют свою специфику. Если тот же самый гибрид применить к данным, собранным, скажем, в российской или китайской лаборатории на местных материалах, — сохранится ли заявленная точность? Вопрос остается открытым. Модель может оказаться прекрасно натренированной на конкретном «языке» одной базы данных, но с трудом переводить „диалекты“ других.

Ранее мы разбирались, какие материалы могут заменить бетон.