1. Введение
Прогрессирующее разрушение, определяемое как непропорциональное распространение локального повреждения с переходом в глобальный коллапс, остается одной из наиболее серьезных угроз безопасности зданий и критической инфраструктуры. Трагические события подчеркнули актуальность этой проблемы и привели к развитию нормативных требований и методов проектирования, направленных на обеспечение живучести конструктивных систем [1]. Современные исследования в этой области характеризуются переходом от анализа отдельных элементов к системному рассмотрению конструкций, а также интеграцией методов оценки рисков, оптимизации и прогнозного моделирования [2][3][4]. Целью данного обзора является систематизация современных научных подходов к анализу, оптимизации и повышению устойчивости конструкций к прогрессирующему разрушению. Для достижения поставленной цели решаются следующие задачи:
1) выявление ключевых механизмов сопротивления прогрессирующему разрушению и методов их численного и экспериментального изучения;
2) анализ современных метаэвристических методов для многокритериальной оптимизации конструкций с учетом живучести;
3) обзор применения методов машинного обучения для прогнозирования поведения материалов и конструкций, оценки уязвимости и оптимизации.
2. Методы и принципы исследования
Поиск литературы для настоящего обзора осуществлялся на анализе трёх предварительно сформированных выборки научных статей по следующим ключевым темам: анализ прогрессирующего разрушения, методы оптимизации конструкций и применение машинного обучения в области исследования строительных конструкций. Критериями для включения работы в обзор служили релевантность одной из указанных тем, наличие четкого описания методологии (численное моделирование, алгоритм оптимизации, модель машинного обучения) и практическая значимость результатов, выраженная в рекомендациях для проектирования или сравнении эффективности методов. Особое внимание уделялось работам, содержащим валидацию предложенных подходов на экспериментальных данных или эталонных примерах. Использованы международные научные издания, включенные в «белый список».
3. Основные результаты
3.1. Исследование механизмов прогрессирующего разрушения и особенностей моделирования конструкций при запроектных воздействиях
Современные исследования прогрессирующего разрушения сосредоточены на выявлении ключевых механизмов сопротивления и разработке методов моделирования. Основным аналитическим инструментом является метод альтернативных путей нагружения, предполагающий виртуальное удаление несущего элемента и оценку способности системы перераспределять нагрузки [5][6]. Для моделирования сложного нелинейного поведения конструкций при больших деформациях применяются различные численные методы: метод конечных элементов (МКЭ) [5], [7], метод дискретных элементов [6] и метод приложенных элементов (Applied Element Method) [8].
Важным направлением является учет влияния элементов, традиционно считающихся ненесущими. Многочисленные исследования подтверждают, что учет в расчете ограждающих конструкций увеличивает сопротивление прогрессирующему разрушению, и его игнорирование приводит к неконсервативным оценкам [5], [9]. Аналогично, сварные соединения в стальных каркасах, особенно при наличии дефектов, критически влияют на общую устойчивость [10].
Выделены основные механизмы, обеспечивающие устойчивость железобетонных (ЖБ) конструкций после потери колонны: арочное действие (compressive arch action) и цепное действие (catenary action) [11][12]. Эффективность этих механизмов напрямую зависит от геометрии балок, соотношения арматуры, а также качества материалов [12]. Показано, что каркасы с меньшими сечениями балок проявляют более пластичное поведение за счет цепного действия, тогда как элементы с крупными сечениями склонны к хрупкому разрушению с преобладанием арочного эффекта [12].
Кроме того, сопротивление зависит от положения первоначального повреждения в системе, причем потеря угловой колонны часто является наиболее опасным сценарием [8], [13] [14]. Растет объем работ, посвященных анализу устойчивости не только вновь проектируемых, но и существующих, в том числе деградировавших конструкций. Коррозия арматуры, особенно в элементах, непосредственно примыкающих к удаленной колонне, приводит к значительному снижению сопротивления прогрессирующему разрушению [15]. Также изучается влияние динамических эффектов при внезапном удалении элемента, взрывных нагрузок и ударов [16][17].
3.2. Метаэвристические методы оптимизации конструкций с учетом живучести
Повышение устойчивости к прогрессирующему разрушению часто влечет за собой рост материалоемкости и стоимости проекта. Для решения этой проблемы активно разрабатываются методы оптимизации, позволяющие находить баланс между безопасностью и экономической эффективностью [18][19].
Для решения задач оптимального проектирования конструкций учитывающего критерии живучести, доминируют метаэвристические алгоритмы, которые можно классифицировать на несколько групп:
Эволюционные алгоритмы (evolutionary algorithms), имитирующие биологическую эволюцию Дарвина. Ключевой представитель — генетические алгоритмы (ГА), ставшие фактическим стандартом для многокритериальной оптимизации на множествах дискретных параметров для железобетонных и стальных конструкций [18], [19], [20], [21]. Сюда же относятся дифференциальная эволюция (differential evolution) [22].
Реализация ГА оптимизации для несущей конструкции
• Оптимизация роем частиц (Particle Swarm Optimization, PSO) и её модифика-ции
[23][24][25]
• Алгоритм искусственной пчелиной колонии (Artificial Bee Colony, ABC)
[26][27][28]
• Алгоритм муравьиной колонии (Ant Colony Optimization, ACO) для дискретных за-дач
[29]
Алгоритмы, основанные на физических явлениях (Physics-based Algorithms), используют метафоры физических законов.
• Алгоритм гравитационного поиска (Gravitational Search Algorithm) и его модифи-кации
[30]
• Алгоритм теплопередачи (Heat Transfer Search, HTS)
[31]
• Алгоритм взрыва мин (Mine Blast Algorithm)
[32]
Прочие и гибридные алгоритмы включающие методы, инспирированные поведением животных (Алгоритм светлячков — Firefly Algorithm
[33][34][35][36][33]
Классификация метаэвристических методов
Стохастическая природа эвристических методов оптимизации, таких как генетические алгоритмы (ГА) и метод роя частиц (PSO), в сочетании с их способностью оперировать дискретными наборами параметров, обуславливает их высокую эффективность для решения задач многокритериальной оптимизации проектных решений в строительстве [18]. Теоретические основы адаптации ГА для оптимизации ЖБ и стальных конструкций включают учет надежности при нормальной эксплуатации и живучести при запроектных воздействиях [18]. Разработаны методики, позволяющие за счет варьирования множества параметров существенно снижать стоимость конструкций при обеспечении нормативных требований и требований живучести [18], [19].
Современная оптимизация выходит за рамки минимизации массы или стоимости. Формулируются комплексные целевые функции, учитывающие риски ущерба от аварийных воздействий, что делает стоимостной критерий универсальным [18], [37]. Применяется аппарат теории игр, в частности принцип равновесия по Нэшу, для поиска рационального соотношения целей минимизации и максимизации [37], [38].
где для монолитных конструкций значение
Для сборных конструкций
где
где
ГА успешно применяются для оптимизации широкого спектра конструкций: от плоских каркасов и многоэтажных зданий до плит и фундаментов [21], [39], [40], [42]. Алгоритмы интегрируются с инженерными программными комплексами через API, что автоматизирует процесс и минимизирует ручные ошибки [19], [43]. Помимо ГА, используются и другие эволюционные алгоритмы, такие как алгоритм Джая (Jaya) и дифференциальной эволюции [22], [44], [45]. Также активно развиваются другие методы, такие как модифицированный роевой интеллект [23], [25], [26], [29], алгоритмы на основе физических принципов (например, алгоритм теплопередачи HTS) [31] и их гибриды, что расширяет инструментарий для решения сложных задач оптимизации в строительстве [30], [34], [35], [46].
Примечательно, что ряд мощных современных метаэвристик, таких как Алгоритм бактериальной оптимизации (Bacterial Foraging Optimization) и Алгоритм серых волков (Grey Wolf Optimizer), пока не нашли детального освещения в исследованиях, посвященных оптимизации конструкций на устойчивость к прогрессирующему разрушению. Их потенциал для решения задач многокритериальной оптимизации с учетом нелинейных ограничений и рисков запроектных воздействий представляет собой перспективное направление для будущих научных изысканий.
3.3. Применение методов машинного обучения для анализа и прогнозирования
Методы машинного обучения (МО) становятся мощным инструментом, дополняющим традиционные подходы, особенно в задачах прогнозирования поведения материалов и конструкций, где сложность взаимосвязей затрудняет аналитическое описание. Их применение структурируется по нескольким ключевым направлениям.
3.4. Прогнозирование механических свойств материалов и элементов
Основное направление — создание эффективных регрессионных моделей. Для оценки прочности на сдвиг железобетонных балок, включая корродированные и усиленные FRP, эффективно применяются ансамбли моделей, такие как градиентный бустинг (XGBoost, LightGBM) и случайный лес (Random Forest), а также искусственные нейронные сети (ИНС) различной архитектуры (от классических многослойных перцептронов до глубоких сетей) [47], [48], [49], [50]. Аналогично, для прогнозирования прочности бетона на сжатие успешно используются методы k-ближайших соседей (KNN), метод опорных векторов (SVM) и линейные модели с регуляризацией (гребневая, лассо регрессии) [51], [52], [53], [54]. Важным трендом является интеграция априорных физических знаний в модели МО для повышения их обобщающей способности, например, через создание физико-информированных нейронных сетей (Physics-Informed Neural Networks, PINN), в которых эмпирические уравнения выступают в качестве ограничений при обучении [55].
где
Методы МО применяются для быстрой оценки сейсмической уязвимости зданий путем установления корреляций между параметрами экспресс-обследования и инженерными показателями с использованием алгоритмов классификации и регрессии
[56][57]
Модели МО выходят на уровень параметрического синтеза и топологической оптимизации. Суррогатные модели (метамодели) на основе гауссовских процессов (Gaussian Processes) или глубоких нейронных сетей, обученные на данных МКЭ, позволяют в десятки раз ускорить итерационные процессы поиска оптимальной топологии, заменяя трудоемкие расчеты НДС быстрыми прогнозами
[58][28][59][57][60]
Основной задачей, определяющей применимость моделей машинного обучения, является их адекватность. Для этого используются методы пост-hoc анализа, такие как SHAP (Shapley Additive exPlanations) и анализ чувствительности по Соболю, которые позволяют выявить вклад каждого входного параметра в прогноз и установить ключевые факторы, влияющие на отклик конструкции.
Методы МО также начинают применяться для анализа поведения конструкций при ударных и взрывных нагрузках, что напрямую связано с проблемой инициирования прогрессирующего разрушения
[16][17][61][10][62]
4. Результаты и обсуждение
Проведенный анализ позволяет констатировать, что исследования в области прогрессирующего разрушения развиваются по пути глубокой интеграции вычислительной механики, методов оптимизации и машинного обучения. Сформировались три взаимосвязанных направления. Во-первых, это углубленное изучение физических механизмов прогрессирующего разрешения (арочного и цепного действия) с обязательным учетом влияния второстепенных элементов, деградации материалов и динамических эффектов, что отражает системный подход к оценке живучести [5], [11], [12], [15]. Во-вторых, это переход к интеллектуальной многокритериальной оптимизации, где генетические и другие эволюционные алгоритмы позволяют находить проектные решения, оптимальные не только по стоимости и массе, но и по уровню риска при запроектных воздействиях, обеспечивая баланс между экономикой и безопасностью [18][24][37], [63]. Развитие параллельных и модифицированных версий алгоритмов (например, параллельный PSO [23], модифицированный алгоритм эхолокации дельфинов [34], [35]) способствует решению оптимизационных задач повышенной сложности. В-третьих, это активное внедрение методов машинного обучения для создания быстрых и точных суррогатных моделей, способных прогнозировать поведение материалов и конструкций, оценивать уязвимость и даже участвовать в процессе оптимизации, что сокращает потребность в дорогостоящих экспериментах и расчетах [55], [58], [61], [62].
Обсуждение выявленных трендов позволяет выделить несколько ключевых точек пересечения рассмотренных направлений. Другой общей темой является учет жизненного цикла. Проблема коррозии и старения материалов является критической как для точной оценки остаточной устойчивости к разрушению [13], так и для формирования долгосрочных критериев при оптимизации [18], [63] и для прогнозного моделирования состояния конструкций с помощью методов МО [49], [57]. Наконец, интеграция физических моделей и данных становится магистральным путем развития. Гибридные подходы, сочетающие детерминированные расчеты (МКЭ) с метаэвристической оптимизацией [19], [43] или методы машинного обучения, с учетом физических принципов (PINN) [28], [55], демонстрируют наибольший потенциал для создания надежных и эффективных инструментов проектирования.
Несмотря на значительный прогресс, анализ выявляет и сохраняющиеся вызовы. К ним относятся потребность в больших и качественных наборах данных для обучения моделей МО, проблемы обобщающей способности этих моделей на непредвиденные сценарии, а также сложности интеграции новых алгоритмических решений в устоявшуюся практику проектирования и нормативную базу [56], [58], [64]. Эффективное решение обозначенных проблем возможно лишь при наличии достаточного количества данных.
5. Заключение
Настоящий обзор систематизировал современные исследования по проблеме прогрессирующего разрушения, охватывающие анализ механизмов разрушения, методы оптимизации конструкций и приложения машинного обучения. Установлено, что современный этап развития данной области характеризуется междисциплинарным подходом. Достижения в области численного моделирования нелинейных процессов, включая учет деградации материалов и влияния ненесущих элементов, создают детальную физическую основу для анализа. Методы эволюционной оптимизации, в первую очередь генетические алгоритмы, позволяют трансформировать эти сложные модели в практические, экономически эффективные проектные решения, учитывающие многокритериальность и риски. Активно развивается и расширяется спектр метаэвристических методов (PSO, FA, ACO, ABC, DE и их модификации), адаптируемых для решения специфических задач строительной механики. В свою очередь, технологии машинного обучения, от классических регрессионных моделей до глубоких нейронных сетей, предлагают мощные инструменты для ускорения расчетов, повышения точности прогнозов и автоматизации этапов проектирования.
Перспективы дальнейших исследований видятся в развитии гибридных моделей, которые смогут решать задачи, которые сложно или невозможно описать аналитически. Ключевой задачей остается разработка согласованных методик, позволяющих гармонизировать требования к защите от прогрессирующему разрушению, сейсмическим и другим экстремальным воздействиям. Важным направлением является также создание и стандартизация баз данных для использования в машинном обучении, а также разработка эффективных стратегий обучения этих моделей на ограниченных экспериментальных данных. Кроме того, перспективным является изучение и адаптация для задач строительной механики современных, но еще не апробированных в данной области метаэвристических алгоритмов (таких как алгоритмы бактериальной оптимизации, серых волков и др.), а также дальнейшее развитие методов их параллелизации для работы с данными и сложными расчетными моделями. Перспективы совместного использования метаэвристических методов информационных технологий и апробированных методик расчета несущих систем будет способствовать переходу к новой парадигме проектирования — созданию адаптивных, «умных» конструкций с прогнозируемо высокой живучестью и оптимизированными затратами на всем протяжении жизненного цикла.