۰۲۱-۹۱۰۹۵۰۹۳
پژوهش و فناوری

یادگیری ماشین در برابر آیین‌نامه؛ پژوهشی تازه ظرفیت برشی و خمشی تیرهای بتن مسلح را دقیق‌تر پیش‌بینی می‌کند

پژوهش و فناوری – آهن‌سل – ۳۰ شهریور ۱۴۰۵: مدل‌های یادگیری ماشین با تکیه بر ۸۹۹ آزمایش واقعی، ظرفیت برشی و خمشی تیرهای بتن مسلح را دقیق‌تر از روابط ACI و یوروکد پیش‌بینی کردند و نشان دادند عوامل حاکم بر برش و خمش متفاوت‌اند.

پژوهش دربارهٔ پیش‌بینی ظرفیت برشی و خمشی تیر بتن مسلح با یادگیری ماشین، ۳۰ شهریور ۱۴۰۵

طراحی تیر بتن مسلح بر پایهٔ روابط آیین‌نامه‌ای انجام می‌شود؛ روابطی که برای اطمینان، معمولاً محافظه‌کارانه‌اند. اما این محافظه‌کاری چقدر است و آیا می‌توان دقیق‌تر پیش‌بینی کرد؟ پژوهشی که ۱۶ سپتامبر ۲۰۲۶ (۲۵ شهریور ۱۴۰۵) در مجلهٔ Frontiers in Materials منتشر شد، با کنار هم گذاشتن ۸۹۹ آزمایش واقعی، مدل‌های یادگیری ماشین را با سه آیین‌نامهٔ مطرح مقایسه کرده است.

مشخصات مقالهٔ اصلی

  • عنوان اصلی: Machine learning-based prediction of shear and flexural capacity of reinforced concrete beams: a parallel modeling framework with SHAP interpretability and design code benchmarking
  • نویسنده: Guangyi Zhang (دانشگاه علم و صنعت شاندونگ، چین)
  • مجله: Frontiers in Materials
  • تاریخ انتشار: ۱۶ سپتامبر ۲۰۲۶
  • DOI: 10.3389/fmats.2026.1885401
  • دسترسی: دسترسی آزاد

پژوهشگر به دنبال پاسخ چه سؤالی بود؟

دو پرسش: آیا مدل‌های یادگیری ماشین می‌توانند ظرفیت تیر را دقیق‌تر از روابط آیین‌نامه پیش‌بینی کنند؟ و آیا عواملی که بر شکست برشی حاکم‌اند با عوامل شکست خمشی فرق دارند؟

روش پژوهش

  • داده‌ها: ۴۸۷ نمونهٔ برشی و ۴۱۲ نمونهٔ خمشی، مجموعاً ۸۹۹ آزمایش آزمایشگاهی از ۲۸ کشور و بازهٔ زمانی بیش از ۸۰ سال
  • دامنهٔ متغیرها: مقاومت فشاری بتن ۲۰ تا ۱۰۰ مگاپاسکال، درصد میلگرد طولی ۰٫۲ تا ۵ درصد، نسبت دهانهٔ برشی به عمق ۱٫۵ تا ۷
  • مدل‌ها: گرادیان بوستینگ، جنگل تصادفی، ماشین بردار پشتیبان و شبکهٔ عصبی
  • ورودی‌ها: هشت پارامتر هم‌راستا با متغیرهای آیین‌نامه‌ای، مانند عرض و عمق مؤثر تیر، مقاومت بتن، تنش تسلیم و درصد میلگرد
  • مبنای مقایسه: روابط ACI 318-19، یوروکد ۲ و fib MC2010

یافته‌های اصلی

روشخطای RMSE برش (کیلونیوتن)نسبت اریبی
مدل گرادیان بوستینگ۲۸٫۴۱٫۰۱۴
fib MC2010۴۴٫۱۰٫۸۶۳
یوروکد ۲۵۲٫۳۰٫۸۲۱
ACI 318-19۵۸٫۷۰٫۷۹۴
  • بهترین مدل (گرادیان بوستینگ) ضریب تعیین ۰٫۹۶۳ برای برش و ۰٫۹۷۱ برای خمش داشت و به نوشتهٔ مقاله، خطای آن حدود ۳۶ درصد کمتر از بهترین آیین‌نامه بود.
  • نسبت اریبی آیین‌نامه‌ها کمتر از یک بود؛ یعنی به‌صورت سامانمند محافظه‌کارانه پیش‌بینی می‌کنند. این محافظه‌کاری در درصدهای پایین میلگرد طولی شدیدتر بود (برای ACI نسبت ۰٫۷۱۲).
  • عوامل حاکم بر دو نوع شکست متفاوت‌اند: در برش، نسبت دهانهٔ برشی به عمق مهم‌ترین عامل بود و در خمش، درصد میلگرد طولی.

این یافته‌ها برای صنعت ساختمان ایران چه معنایی دارد؟

  • مهندسان طراح: محافظه‌کاری آیین‌نامه یعنی ظرفیت واقعی تیر اغلب بیشتر از مقدار محاسباتی است. این موضوع به‌ویژه در ارزیابی و مقاوم‌سازی ساختمان‌های موجود اهمیت دارد، جایی که مصالح واقعی قابل اندازه‌گیری است.
  • محدودهٔ اعتماد: نویسنده تأکید کرده که در درصد میلگرد کمتر از ۰٫۵ درصد و در محدودهٔ حساس نسبت دهانهٔ برشی ۲٫۵ تا ۳٫۵، پراکندگی مدل زیاد است و آزمایش لازم است.
  • مصرف میلگرد: برآورد دقیق‌تر ظرفیت می‌تواند به طراحی بهینه‌تر و مصرف منطقی‌تر میلگرد منجر شود، البته در چارچوب الزامات آیین‌نامه‌ای.

محدودیت‌های پژوهش

  • پس از پالایش کیفی، تنها حدود ۲۲ درصد دادهٔ خام برشی و ۳۳ درصد دادهٔ خمشی باقی ماند.
  • دامنهٔ کاربرد محدود است: تیرهای عمیق، بتن فوق‌توانمند، میلگرد کامپوزیتی و مقاطع غیرمستطیلی بررسی نشده‌اند.
  • به نوشتهٔ مقاله، تفسیر SHAP آنچه مدل یاد گرفته را توضیح می‌دهد، نه لزوماً سازوکار فیزیکی اثبات‌شده را.

جمع‌بندی و نظر آهن‌سل

یافته‌های بالا از آن نویسندهٔ مقاله است؛ آنچه در ادامه می‌آید برداشت تحریریهٔ آهن‌سل است.

از نگاه آهن‌سل، پیام کاربردی این پژوهش برای بازار ایران، جایگزینی آیین‌نامه با هوش مصنوعی نیست. نکته این است که در ارزیابی ساختمان‌های موجود، تکیهٔ صرف بر روابط محافظه‌کارانه ممکن است به تصمیم‌های پرهزینهٔ مقاوم‌سازی منجر شود. ترکیب محاسبات آیین‌نامه‌ای با داده‌های آزمایش واقعی مصالح، راه میانه‌ای است. برای محاسبهٔ مصرف میلگرد پروژه هم می‌توانید از ماشین‌حساب وزن آهن‌آلات و قیمت روز میلگرد استفاده کنید.

منبع مقاله

  1. Frontiers in Materials — Machine learning-based prediction of shear and flexural capacity of reinforced concrete beams (2026-09-16) DOI: 10.3389/fmats.2026.1885401
    https://www.frontiersin.org/articles/10.3389/fmats.2026.1885401/full

بازگشت به اخبار و تحلیل‌ها

An unhandled error has occurred. Reload 🗙

Rejoining the server...

Rejoin failed... trying again in seconds.

Failed to rejoin.
Please retry or reload the page.

The session has been paused by the server.

Failed to resume the session.
Please reload the page.