Кондратьева Татьяна Николаевна, кандидат технических наук, доцент кафедры математики и информатики
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Tatiana N. Kondratieva, Cand.Sci. (Engineering), Associate Professor of the Mathematics and Informatics Department
1, Gagarin Sq., Rostov-on-Don, 344003
Чепурненко Антон Сергеевич, доктор технических наук, профессор кафедры строительной механики и теории сооружений
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Anton S. Chepurnenko, Dr.Sci. (Engineering), Associate Professor, Professor of the Structural Mechanics and Theory of Structures Department
1, Gagarin Sq., Rostov-on-Don, 344003
Введение. Алгоритмы машинного обучения обладают большими перспективами в прогнозировании несущей способности строительных конструкций. Целью настоящей статьи является построение прогнозных моделей для расчета прочности трубобетонных колонн (ТБК), которые могли бы предсказывать с высокой точностью предельную нагрузку для всего возможного диапазона параметров, влияющих на несущую способность внецентренно сжатых колонн.
Материалы и методы. В статье рассматриваются внецентренно сжатые короткие трубобетонные колонны круглого поперечного сечения. Входные параметры модели: внешний диаметр колонны, толщина стенки трубы, предел текучести стали, прочность бетона при сжатии, относительный эксцентриситет. Выходные параметры: предельная нагрузка без учета случайных эксцентриситетов и с учетом случайных эксцентриситетов. Обучение моделей выполнено на синтетических данных, сгенерированных на основе теоретических положений теории предельного равновесия. Построено 2 модели машинного обучения. При обучении первой модели предельные нагрузки определены при заданном эксцентриситете продольной силы без учета дополнительного случайного эксцентриситета. При обучении второй модели учитывается дополнительный случайный эксцентриситет. Оценка влияния признаков на предсказания моделей проводилась с помощью функции Feature Importance. Для подбора гиперпараметров использовался метод Optuna. Модели машинного обучения реализованы в среде Jupyter Notebook, использован метод обучения Gradient Boosting. Общий объем обучающей выборки составил 179 025 образцов.
Результаты исследования. Определена важность признаков, наиболее влияющих на прогнозные значения модели. Важнейшими признаками для обеих моделей являются наружный диаметр колонны и относительный эксцентриситет, что согласуется с опытом проектирования и расчета таких конструкций. Оптимизация гиперпараметров с помощью метода Grid Search позволила получить улучшенные результаты. Высокая точность прогноза подтверждена низкими метриками для модели без учета дополнительного случайного эксцентриситета: MSE = 9,024; MAE = 9,250; MAPE = 0,004; с учетом дополнительного случайного эксцентриситета: MSE = 8,673; MAE = 8,673; MAPE = 0,004.
Обсуждение и заключение. Разработанные модели Gradient Boosting для прогнозирования предельной нагрузки внецентренно сжатых коротких трубобетонных колонн круглого поперечного сечения как без учета, так и с учетом дополнительных случайных эксцентриситетов показали высокую точность и стабильность предсказаний, пригодны для практического применения для оценки прочности колонн при проектировании и строительстве, что позволит сократить время и ресурсы на физические испытания. В будущем планируется расширить данные, включив другие материалы, различные геометрии сечения колонн и параметр гибкости, что может улучшить обобщающие способности модели.
Introduction. The machine learning algorithms are highly promising for predicting the load-bearing capacity of the building structures. The paper aims at building the predictive models for calculating the strength of the concrete-filled steel tubular (CFST) columns to enable a highly accurate prediction of the ultimate loads for the entire possible range of parameters affecting the load-bearing capacity of the eccentrically compressed columns.
Materials and Methods. The article studies the eccentrically compressed short concrete-filled steel tubular (CFST) columns of circular cross-section. Model input parameters: column outer diameter, pipe wall thickness, yield strength of steel, compressive strength of concrete, relative eccentricity. Output parameters: the ultimate loads without taking into account and taking into account the random eccentricities. The models were trained on synthetic data generated based on the theoretical principles of the limit equilibrium method. Two machine learning models were built. When training the first model, the ultimate loads were determined at a given eccentricity of the longitudinal force without taking into account the additional random eccentricity. When training the second model, the additional random eccentricity was taken into account. The effect of the features on the model predictions was assessed using the Feature Importance function. The Optuna method was used to select the hyperparameters. The machine learning models were implemented in the Jupiter Notebook environment using the Gradient Boosting learning method. The total volume of the training sample was 179 025 samples.
Results. The importance of the features most affecting the predictive values of the model have been determined. For both models, the outer diameter of the column and the relative eccentricity have proved to be the most important features, which is consistent with the existing experience of designing and calculating such structures. Optimisation of the hyperparameters using the Grid Search method enabled getting the improved results. The high accuracy of prediction has been ascertained by the low values of the regression metrics: MSE = 9.024; MAE = 9.250; MAPE = 0.004 — for the model built without taking into account the additional random eccentricity; MSE = 8.673; MAE = 8.673; MAPE = 0.004 — for the model built taking into account the additional random eccentricity.
Discussion and Conclusion. The developed Gradient Boosting models for predicting the ultimate loads of the eccentrically compressed short concrete-filled steel tubular (CFST) columns of circular cross-section, both without taking into account and taking into account the additional random eccentricities, have demonstrated high accuracy and stability of prediction, they can be applied for assessing the strength of the columns during design and construction, which will reduce the time and resources involved in physical testing. In the future, it is planned to expand the data range by including other materials, different cross-section geometries of the columns and a slenderness parameter, which may improve the generalization ability of the model.
The authors declare that there are no conflicts of interest present.