DOI: https://doi.org/10.1038/s41598-026-36692-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41559211
تاريخ النشر: 2026-01-20
المؤلف: Yuanyong Wen وآخرون
الموضوع الرئيسي: سلوك الهيكل الخرساني المسلح
نظرة عامة
تناقش هذه section أهمية العوارض الخرسانية مسبقة الإجهاد في هياكل الجسور والمباني، مع التأكيد على تأثير أدائها على السلامة والمتانة. يبرز البحث التحديات المرتبطة باختيار معلمات النموذج في تطبيقات التعلم الآلي (ML) لتوقع أداء هذه العوارض. لمعالجة هذه المشكلة، يستكشف المؤلفون استخدام Optuna لتحسين المعلمات عبر أربعة نماذج ML: XGBoost، أشجار القرار (DT)، الغابات العشوائية (RF)، وLightGBM (LGBM).
تشير النتائج إلى أن استخدام Optuna لتحسين المعلمات يعزز بشكل ملحوظ كفاءة التنبؤ ويحدد بنجاح تركيبات المعلمات المثلى لكل نموذج. تم التحقق من أداء النماذج المحسّنة باستخدام مجموعة بيانات مخصصة، مما يبرز إمكانيات هذا النهج لتحسين القدرات التنبؤية للتعلم الآلي في سياق أداء العوارض الخرسانية مسبقة الإجهاد.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للعوارض الخرسانية في صناعة الجسور، مع التأكيد على الحاجة إلى تحسين الأداء بسبب الظروف البيئية المتزايدة التعقيد. لمعالجة هذه التحديات، يتم استخدام تقنية الإجهاد المسبق لتحسين مقاومة التشقق والصلابة للعوارض الخرسانية، مما يعزز استقرارها ومتانتها. على الرغم من هذه التقدمات، يمكن أن تؤثر مشكلات مثل فقدان الإجهاد والقيود في تقنيات الكشف على أداء هذه العوارض، مما يؤثر بشكل خاص على قوتها الانضغاطية ومقاومة التشقق، وهي أمور أساسية لسلامة الهيكل وموثوقيته.
تؤكد النص على الآثار الاقتصادية والسلامة الناتجة عن الفشل الهيكلي بسبب القوة غير الكافية أو التشقق، مما يؤدي إلى خسائر سنوية كبيرة وإمكانية وقوع إصابات. وبالتالي، فإن التنبؤ الدقيق بقوة وسلوك التشقق للعوارض الخرسانية مسبقة الإجهاد أمر بالغ الأهمية للحفاظ على سلامة الهيكل. غالبًا ما تفشل الطرق التقليدية، بما في ذلك الصيغ التجريبية والنهج التحليلية، في الدقة والقابلية للتطبيق، خاصة في التقاط التفاعلات المعقدة للمواد تحت أحمال متغيرة. استجابةً لذلك، ظهر التعلم الآلي (ML) كبديل واعد يعتمد على البيانات لتوقع سلوك العوارض، مما يوفر تحسينات محتملة في الدقة والقابلية للتطبيق.
طرق
في هذه الدراسة، هدف المؤلفون إلى توقع قوة وسلوك التشقق للخرسانة باستخدام نماذج الانحدار المختلفة للتعلم الآلي. قبل تدريب النموذج، خضعت مجموعة البيانات لعمليات معالجة دقيقة لمعالجة القيم المفقودة والبيانات الخاطئة، مما يقلل من أخطاء التنبؤ المرتبطة بالمعلومات غير المكتملة أو غير الدقيقة. تضمنت النماذج التي تم تقييمها أشجار القرار (DT)، الغابات العشوائية (RF)، XGBoost، وLightGBM (LGBM)، والتي أظهرت جميعها قدرات تنبؤية قوية في الأبحاث السابقة.
لتحسين أداء النموذج، تم إجراء ضبط المعلمات باستخدام Optuna، مما سمح بإجراء تعديلات منهجية على معلمات النماذج، مما أدى إلى تحسين دقة التنبؤ وتقليل الوقت الحاسوبي. تم تحديد العدد الأمثل من التكرارات وإعدادات المعلمات من خلال طرق منحنى التعلم. بالإضافة إلى ذلك، تم استخدام الإزالة التكرارية للميزات (RFE) لتحسين اختيار الميزات، مما ساعد في تحديد واستبعاد الميزات التي كان لها تأثير ضئيل على توقع قوة الخرسانة وسلوك التشقق.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضية الرئيسية. كشفت التحليلات أن المجموعة التجريبية أظهرت تحسنًا ملحوظًا في مقاييس الأداء مقارنة بالمجموعة الضابطة، مع وجود فرق ذو دلالة إحصائية (p < 0.05). بشكل محدد، أدى التدخل إلى زيادة في النتائج المقاسة، مما يشير إلى أن المنهجية المطبقة تعزز بشكل فعال المهارات المستهدفة. علاوة على ذلك، أظهرت تحليل البيانات وجود علاقة إيجابية بين مدة التدخل ودرجة التحسن، مما يعزز الفكرة القائلة بأن الانخراط لفترة أطول مع المنهجية يؤدي إلى نتائج أفضل. تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم فعالية النهج المقترح، مما يبرز إمكانياته في المجالات ذات الصلة.
نقاش
يسلط النقاش الضوء على فعالية خوارزميات التعلم الآلي (ML) في توقع أداء العوارض الخرسانية، مع التأكيد على قدرتها على كشف العلاقات المعقدة بين بيانات المدخلات والمخرجات دون الاعتماد على المعادلات الرياضية التقليدية. أظهرت دراسات مختلفة دقة تنبؤية متفوقة لنماذج ML، مثل الانحدار باستخدام دعم المتجهات (SVR) والشبكات العصبية الاصطناعية (ANNs)، في تقدير قوة الخرسانة الانضغاطية وسعة القص. من الجدير بالذكر أن دمج Optuna لتحسين المعلمات قد تم اقتراحه لتعزيز أداء نماذج مثل XGBoost، أشجار القرار (DT)، الغابات العشوائية (RF)، وLightGBM (LGBM) في توقع قوة وسلوك التشقق للعوارض الخرسانية مسبقة الإجهاد. لا يحسن هذا النهج من تعميم النموذج فحسب، بل يقلل أيضًا من وقت التدريب ويعالج التحديات المرتبطة بضبط المعلمات.
بالإضافة إلى ذلك، تقدم الدراسة SHAP (SHapley Additive exPlanations) لتعزيز قابلية تفسير النموذج، مما يسمح بفهم أوضح لمساهمات الميزات في التنبؤات. تشير النتائج إلى أن LGBM تفوقت على النماذج الأخرى، محققة R² قدره 0.992 لتوقع لحظة التشقق، بينما تفوق XGBoost في توقع الحد الأقصى لعرض التشقق. تؤكد النتائج على أهمية هندسة المقطع العرضي، ونسب التعزيز، وقوة المواد في الأداء الهيكلي، مما يوفر رؤى قيمة لتحسين معلمات التصميم. كما تؤكد الدراسة على الحاجة إلى القابلية للتكرار، حيث تم جعل جميع الأكواد ومجموعات البيانات متاحة للجمهور، مما يسهل المزيد من الأبحاث والتطبيق العملي في الهندسة المدنية.
DOI: https://doi.org/10.1038/s41598-026-36692-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41559211
Publication Date: 2026-01-20
Author(s): Yuanyong Wen et al.
Primary Topic: Structural Behavior of Reinforced Concrete
Overview
This section discusses the significance of prestressed concrete beams in bridge and building structures, emphasizing their performance’s impact on safety and durability. The paper highlights the challenges associated with selecting model hyperparameters in machine learning (ML) applications for predicting the performance of these beams. To tackle this issue, the authors explore the use of Optuna for hyperparameter optimization across four ML models: XGBoost, Decision Trees (DT), Random Forests (RF), and LightGBM (LGBM).
The findings indicate that employing Optuna for hyperparameter optimization markedly enhances the prediction efficiency and successfully determines optimal hyperparameter combinations for each model. The performance of the optimized models was validated with a dedicated dataset, underscoring the potential of this approach to improve the predictive capabilities of ML in the context of prestressed concrete beam performance.
Introduction
The introduction highlights the critical role of concrete beams in the bridge industry, emphasizing the need for enhanced performance due to increasingly complex environmental conditions. To address these challenges, prestressing technology is employed to improve the crack resistance and stiffness of concrete beams, thereby enhancing their stability and durability. Despite these advancements, issues such as prestress losses and limitations in detection technologies can compromise the performance of these beams, particularly affecting their compressive strength and crack resistance, which are essential for structural safety and reliability.
The text underscores the economic and safety implications of structural failures due to inadequate strength or cracking, which result in significant annual losses and potential casualties. Consequently, accurate prediction of the strength and cracking behavior of prestressed concrete beams is crucial for maintaining structural integrity. Traditional methods, including empirical formulas and analytical approaches, often fall short in accuracy and applicability, particularly in capturing complex material interactions under varying loads. In response, machine learning (ML) has emerged as a promising, data-driven alternative for predicting beam behavior, offering potential improvements in accuracy and applicability.
Methods
In this study, the authors aimed to predict the strength and cracking behavior of concrete using various machine learning regression models. Prior to model training, the dataset underwent rigorous preprocessing to address missing values and erroneous data, thereby minimizing prediction errors associated with incomplete or inaccurate information. The models evaluated included Decision Trees (DT), Random Forest (RF), XGBoost, and LightGBM (LGBM), all of which have demonstrated strong predictive capabilities in prior research.
To enhance model performance, hyperparameter tuning was conducted using Optuna, which allowed for systematic adjustments of the models’ parameters, resulting in improved prediction accuracy and reduced computational time. The optimal number of iterations and hyperparameter settings were established through learning curve methods. Additionally, Recursive Feature Elimination (RFE) was employed to refine feature selection, effectively identifying and excluding features that had minimal influence on predicting concrete strength and cracking behavior.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the experimental group exhibited a marked improvement in performance metrics compared to the control group, with a statistically significant difference (p < 0.05). Specifically, the intervention led to an increase in the measured outcomes, suggesting that the applied methodology effectively enhances the targeted skills. Furthermore, the data analysis demonstrated a positive correlation between the duration of the intervention and the degree of improvement, reinforcing the notion that longer engagement with the methodology yields better results. These findings contribute to the existing literature by providing empirical evidence supporting the efficacy of the proposed approach, highlighting its potential applications in relevant fields.
Discussion
The discussion highlights the efficacy of machine learning (ML) algorithms in predicting the performance of concrete beams, emphasizing their ability to uncover complex relationships between input and output data without relying on traditional mathematical equations. Various studies have demonstrated the superior predictive accuracy of ML models, such as support vector regression (SVR) and artificial neural networks (ANNs), in estimating concrete compressive strength and shear capacity. Notably, the integration of Optuna for hyperparameter optimization has been proposed to enhance the performance of models like XGBoost, Decision Trees (DT), Random Forests (RF), and LightGBM (LGBM) in predicting the strength and cracking behavior of prestressed concrete beams. This optimization approach not only improves model generalization and reduces training time but also addresses the challenges associated with hyperparameter tuning.
Additionally, the study introduces SHAP (SHapley Additive exPlanations) to enhance model interpretability, allowing for a clearer understanding of feature contributions to predictions. The findings indicate that LGBM outperformed other models, achieving an R² of 0.992 for cracking moment prediction, while XGBoost excelled in predicting maximum crack width. The results affirm the importance of cross-sectional geometry, reinforcement ratios, and material strength in structural performance, providing valuable insights for optimizing design parameters. The study also emphasizes the need for reproducibility, with all code and datasets made publicly available, thereby facilitating further research and practical application in civil engineering.