Римшин Владимир Иванович, доктор технических наук, профессор, профессор кафедры жилищно-коммунального комплекса Национального исследовательского Московского государственного строительного университета; заведующий лабораторией мониторинга жилищно-коммунального хозяйства и радиационной безопасности в строительстве Научно-исследовательского института строительной физики Российской академии архитектуры и строительных наук
129337, г. Москва, Ярославское шоссе, 26
127238, г. Москва, Локомотивный проезд, 21
Vladimir I. Rimshin, Dr.Sci. (Eng.), Professor, Professor of the Department of Housing and Utilities Sector at the National Research Moscow State University of Civil Engineering; Head of the Laboratory for Monitoring Housing and Utilities Sector and Radiation Safety in Construction at the Scientific Research Institute of Building Physics of the Russian Academy of Architecture and Construction Sciences
26 Yaroslavskoye Highway, Moscow, 129337
21 Lokomotivniy Driveway, Moscow, 127238
Усанов Сергей Владимирович, кандидат технических наук, доцент кафедры строительных конструкций
350042, г. Краснодар, ул. Московская, 2
Sergey V. Usanov, Cand.Sci. (Eng.), Associate Professor at the Department of Building Structures
2 Moskovskaya Str., Krasnodar, 350042
Выдрин Алексей Николаевич, аспирант лаборатории мониторинга жилищно-коммунального хозяйства и радиационной безопасности в строительстве
127238, г. Москва, Локомотивный проезд, 21
Aleksey N. Vydrin, PhD student at the Laboratory for Monitoring Housing and Utilities Sector and Radiation Safety in Construction
21 Lokomotivniy Driveway, Moscow, 127238
Керн Анна Евгеньевна, студент
630008, г. Новосибирск, ул. Ленинградская, 113
Anna E. Kern, student
113 Leningradskaya Str., Novosibirsk, 630008
Макарова Елизавета Сергеевна, студент
630008, г. Новосибирск, ул. Ленинградская, 113
Elizaveta S. Makarova, student
113 Leningradskaya Str., Novosibirsk, 630008
Введение. Сборные железобетонные ребристые плиты получили широкое применение в качестве перекрытий и покрытий зданий промышленного, жилого и общественного назначения. Их использование в данном качестве обусловлено высокой технологичностью изготовления, эффективным использованием бетона и возможностью автоматизации производства на заводах. Одной из важных задач при проектировании таких конструкций является расчет несущей способности нормальных сечений. Традиционные методы расчёта являются надежными, но морально устарели. Сейчас в инженерной практике всё чаще применяются методы машинного обучения, где исследователи делают выбор в пользу искусственных нейронных сетей (ИНС). Использование традиционных методов при обработке структурированных данных, таких как таблицы и базы данных, имеет свои ограничения. Нейросети способны анализировать неструктурированные данные, такие как текст, изображения и видео, что открывает новые возможности для анализа и понимания информации. В статье предложен подход к нейросетевому моделированию несущей способности нормальных сечений сборных железобетонных ребристых плит.
Материалы и методы. Структурированный и обработанный массив данных (датасет) включает 20 образцов, для которых разработана и верифицирована расчётная модель на основе многослойного персептрона. Входными параметрами служат геометрические и физико-механические характеристики плит и величины приложенных нагрузок, выходной параметр — предельный изгибающий момент, вычисленный по методу предельных состояний.
Результаты исследования. Обучение на ограниченной выборке не привело к переобучению модели благодаря корректному разделению данных на тестовую, обучающую и контрольную партии и использованию квазиньютоновского метода оптимизации. Модель продемонстрировала высокую точность и надёжность. Искусственные нейронные сети успешно выявляют нелинейные зависимости между параметрами без априорных допущений.
Обсуждение и заключение. Предложенная модель не заменяет существующие расчёты, но служит эффективным цифровым инструментом для быстрой проверки проектных решений, оптимизации армирования и повышения надёжности конструкций. Её внедрение в системы BIM и цифровые платформы строительства соответствует требованиям Индустрии 4.0 и создает новые возможности для проектирования сборных железобетонных конструкций.
Introduction. Precast reinforced concrete ribbed slabs are broadly used as floors and coverings for industrial, residential and public buildings. Their use in this capacity is due to the high technological efficiency of manufacturing, efficient use of concrete and the possibility of automating factory production. One of the critical tasks in designing such structures is to calculate the bearing capacity of normal cross sections. Traditional calculation methods are reliable, but they are outdated. Machine learning methods are increasingly being employed in engineering, where researchers are opting for artificial neural networks (ANNs). The use of traditional methods in processing structured data such as tables and databases has its limitations. Neural networks are capable of analyzing unstructured data such as text, images, and videos, which opens up new prospects for analyzing and comprehending information. The article sets forth an approach to neural network modeling of the bearing capacity of normal sections of prefabricated reinforced concrete ribbed slabs.
Materials and Methods. A structured and processed data array (dataset) includes 20 samples for which a computational model based on a multilayer perceptron has been developed and verified. The input parameters are the geometric as well as physical and mechanical characteristics of the slabs and the applied load, the output parameter is the limiting bending moment calculated using the limit state method.
Research Results. Training on a limited sample did not lead to retraining of the model due to the correct division of data into test, training and control batches and the use of the quasi-Newton optimization method. The model has displayed a high level accuracy and reliability. Artificial neural networks are capable of identifying nonlinear dependencies between the parameters with no a priori assumptions.
Discussion and Conclusion. The suggested model is not a substitute for the existing calculations, but it serves as an efficient digital tool for quick verification of design solutions, optimization of reinforcement and improvement of structural reliability. Its implementation into BIM systems and digital construction platforms is in compliance with the requirements of Industry 4.0 and creates new opportunities for designing prefabricated reinforced concrete structures.
The authors declare that there are no conflicts of interest present.