Нейросетевое моделирование прочности нормальных сечений сборных железобетонных ребристых плит

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.

1. Римшин В.И., Анпилов С.М., Усанов С.В. Применение когнитивных технологий для прогнозирования прочности тонких стенок двутавровых балок. Эксперт: теория и практика. 2024;1(24):42–52. https://doi.org/10.51608/26867818_2024_1_42

2. Римшин В.И., Соловьев А.К., Сулейманова Л.А., Амелин П.А. Нейросетевое прогнозирование физико-механических характеристик композитных материалов используемых для усиления строительных конструкций. Эксперт: теория и практика. 2023;4(23):101–107. https://doi.org/10.51608/26867818_2023_4_101

3. Тарасов И.В. Индустрия 4.0: понятие, концепции, тенденции развития. Стратегии бизнеса. 2018;6(50):43–49. https://doi.org/10.17747/2311-7184-2018-5-43-49

4. Римшин В.И., Усанов С.В. Нейросетевое моделирование прочности нормальных сечений балок с жесткой композитной арматурой. Известия высших учебных заведений. Строительство. 2025;7(799):5–15. https://doi.org/10.32683/0536-1052-2025-799-7-5-15

5. Римшин В.И., Усанов С.В., Воробьев А.Е., Савельев Е.С. Восстановление несущей способности железобетонных плит перекрытия на примере многоэтажного гражданского здания. БСТ: Бюллетень строительной техники. 2025;6(1090):46–48. URL: https://elibrary.ru/item.asp?id=82379614 (дата обращения: 21.10.2025).

6. Римшин В.И., Усанов С.В., Воробьев А.Е., Савельев Е.С. Численное моделирование напряженно-деформированного состояния балок с жесткой композитной арматурой. Вестник Поволжского государственного технологического университета. Серия: Материалы. Конструкции. Технологии. 2025;1(33):63–73. https://doi.org/10.25686/2542-114X.2024.4.63

7. Римшин В.И., Анпилов С.М., Рощина С.И., Усанов С.В. Практические подходы к устранению коллизий в информационных моделях зданий. Эксперт: теория и практика. 2024;3(26):87–94. https://doi.org/10.51608/26867818_2024_3_87

8. Курбатов В.Л., Римшин В.И., Шубин И.Л., Волкова С.В. Информационное моделирование и искусственный интеллект в современном строительстве и жилищно-коммунальном хозяйстве, 2-е издание, переработанное. Москва: Издательский дом АСВ; 2025. https://elibrary.ru/item.asp?id=82433619 (дата обращения: 21.10.2025).

9. Perera R., Barchin M., Arteaga A., Diego A. Prediction of the ultimate strength of reinforced concrete beams FRP-strengthened in shear using neural networks. Composites. Part B: Engineering. 2010;41:287–298. http://dx.doi.org/10.1016/j.compositesb.2010.03.003

10. Peng F., Wenyuan X., Weichen X. Database Evaluation of Shear Strength of Slender Fiber-Reinforced Polymer-Reinforced Concrete Members. ACI Structural Journal. 2020;117(3):273–282. http://dx.doi.org/10.14359/51723504

11. Estep D.D. Bending and Shear Behavior of Pultruded Glass Fiber Reinforced Polymer Composite Beams with Closed and Open Sections. West Virginia University; 2014. 545 p. https://doi.org/10.33915/etd.545

12. Lagaros N.D. Artificial Neural Networks Applied in Civil Engineering. Applied Sciences. 2023;13(2):1131. https://doi.org/10.3390/app13021131

13. Afrifa R.O., Adom-Asamoah M., Owusu-Ansah E. Artificial neural network model for low strength RC beam shear capacity. Journal of Science and Technology. 2012;32(2):119–132. http://dx.doi.org/10.4314/just.v32i2.13

14. Ahmad A., Cotsovos D.M., Lagaros N.D. Framework for the development of artificial neural networks for predicting the load carrying capacity of RC members.SN Applied Sciences. 2020;2:545. https://doi.org/10.1007/s42452-020-2353-8

15. Mansour M.Y., Dicleli M., Lee J.Y., Zhang J. Predicting the shear strength of reinforced concrete beams using artificial neural networks. Engineering Structures. 2004;426:781–799. http://dx.doi.org/10.1016/j.engstruct.2004.01.011

16. Imam A., Anifowose F., Azad A.K. Residual Strength of Corroded Reinforced Concrete Beams Using an Adaptive Model Based on ANN. International Journal of Concrete Structures and Materials. 2015;9(2):159–172. http://dx.doi.org/10.1007/s40069-015-0097-4