Кондратьева Татьяна Николаевна, кандидат технических наук, доцент, доцент кафедры математики и информатики
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Tatiana N. Kondratieva, Cand.Sci. (Eng.), Associate Professor of the Department of Mathematics and Computer Science
1 Gagarin Square, Rostov-on-Don, 344003
Чепурненко Антон Сергеевич, доктор технических наук, доцент, профессор кафедры строительной механики и теории сооружений
344003, г. Ростов-на-Дону, пл. Гагарина, 1
Anton S. Chepurnenko, Dr.Sci. (Eng.), Associate Professor, Professor of the Department of Structural Mechanics and Theory of Structures
1 Gagarin Square, Rostov-on-Don, 344003
Введение. В данной работе рассматривается задача прогнозирования прочности центрально сжатых коротких трубобетонных колонн квадратного сечения с использованием методов машинного обучения. Традиционные методы, такие как метод конечных элементов и теоретико-экспериментальный подход с подбором эмпирических формул, требуют значительных вычислительных ресурсов и времени. В то же время эти методы не всегда способны учитывать сложные нелинейные зависимости между параметрами. Основная цель — разработка высокоточной модели, способной предсказывать несущую способность колонн на основе ключевых параметров.
Материалы и методы. Для исследования была сгенерирована база данных, состоящая из результатов численных экспериментов по расчету несущей способности трубобетонных колонн квадратного поперечного сечения в физически нелинейной постановке. В рамках проведенного исследования построены модели на основе методов машинного обучения, реализованные с использованием интерактивной вычислительной платформы Jupyter Notebook. Основным методом является механизм CatBoost (Gradient Boosting Regressor). Обучение построенных моделей произведено с использованием методов нелинейной оптимизации.
Результаты исследования. В статье проведена оценка степени влияния каждого входного параметра на итоговые предсказания модели. Получены результаты по величине степени влияния для моделей CatBoost и Random Forrest Regressor (RFR). Оценка качества построенных моделей по величине R2 составила 98 % для CatBoost и 94 % — для RFR.
Обсуждение и заключение. Разработанный подход демонстрирует высокую эффективность в задаче прогнозирования несущей способности трубобетонных колонн, обеспечивая баланс между точностью результатов и вычислительной сложностью.
Introduction. In this paper, we consider the problem of predicting the strength of square-section centrally compressed short concrete-filled tubular columns using machine learning methods. Traditional methods, such as the finite element method and the theoretical-experimental approach involving selection of empirical formulas require significant computational resources and time. At the same time, these methods are not always capable of accounting for complex nonlinear dependencies between the parameters. The key objective is to develop a high-precision model capable of predicting the load-bearing capacity of columns using the major parameters.
Materials and Methods. For the current study, a database was generated containing the results of numerical experiments on calculating the load-bearing capacity of square-section concrete-filled tubular columns in a physically nonlinear formulation. As part of the study, models based on machine learning methods were designed and implemented using the Jupyter Notebook interactive computing platform. The main method is the CatBoost mechanism (Gradient Boosting Regressor). The resulting models were trained by means of nonlinear optimization methods.
Results. The article evaluates the degree of impact of each of the input parameters on the final predictions of the model. The results on the degree of impact for the CatBoost and Random Forrest Regressor (RFR) models are obtained. The quality of the resulting models evaluated using the R2 value was 98% for CatBoost and 94% for RFR.
Discussion and Conclusions. The resulting approach has proved to be highly efficient in predicting the load-bearing capacity of concrete-filled tubular columns, providing a balance between the accuracy of the results and computational complexity.
The authors declare that there are no conflicts of interest present.