Применение искусственного интеллекта к прогнозированию прочности трубобетонных колонн

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.

1. Chepurnenko AS, Turina VS, Akopyan VF. Artificial Intelligence Model for Predicting the Load-Bearing Capacity of Eccentrically Compressed Short Concrete Filled Steel Tubular Columns. Construction Materials and Products. 2024;7(2):2. https://doi.org/10.58224/2618-7183-2024-7-2-2

2. Zhang N, Zheng C, Sun Q. Creep Behavior of Reinforced Concrete-Filled Steel Tubular Columns Under Axial Compression. PLoS ONE. 2021;16(9):e0255603. https://doi.org/10.1371/journal.pone.0255603

3. Wang L, An Y, Ding F, Kuang Y, Ma Qing, Tan S, et al. Numerical Investigation of Composite Behavior and Strength of Rectangular Concrete-Filled Cold-Formed Steel Tubular Stub Columns. Materials. 2021;14(20):6221. https://doi.org/10.3390/ma14206221

4. Ding F, Liao C, Wang E, Lyu F, Xu Y, Liu Y, et al. Numerical Investigation of the Composite Action of Axially Compressed Concrete-Filled Circular Aluminum Alloy Tubular Stub Columns. Materials. 2021;14(9):2435. https://doi.org/10.3390/ma14092435

5. Liu S, Ding X, Li X, Liu Y, Zhao S. Behavior of Rectangular-Sectional Steel Tubular Columns Filled with High-Strength Steel Fiber Reinforced Concrete under Axial Compression. Materials. 2019;12(17):2716. https://doi.org/10.3390/ma12172716

6. Zhang F, Xia J, Li G, Guo Z, Chang H, Wang K. Degradation of Axial Ultimate Load-Bearing Capacity of Circular Thin-Walled Concrete-Filled Steel Tubular Stub Columns after Corrosion. Materials. 2020;13(3):795. https://doi.org/10.3390/ma13030795

7. Alashker Y, Raza A. Seismic Performance of Recycled Aggregate Geopolymer Concrete-Filled Double Skin Tubular Columns with Internal Steel and External FRP Tube. Polymers. 2022;14(23):5204. https://doi.org/10.3390/polym14235204

8. Liu W, Cao W, Zhang J, Wang R, Ren L. Mechanical Behavior of Recycled Aggregate Concrete-Filled Steel Tubular Columns before and After Fire. Materials. 2017;10(3):274. https://doi.org/10.3390/ma10030274

9. Nguyen HQ, Ly H-B, Tran VQ, Nguyen T-A, Le T-T, Pham BT. Optimization of Artificial Intelligence System by Evolutionary Algorithm for Prediction of Axial Capacity of Rectangular Concrete Filled Steel Tubes under Compression. Materials. 2020;13(5):1205. https://doi.org/10.3390/ma13051205

10. Zakian P, Ordoubadi B, Alavi E. Optimal Design of Steel Pipe Rack Structures Using PSO, GWO, and IGWO Algorithms. Advances in Structural Engineering. 2021;24(11):2529–2541. https://doi.org/10.1177/13694332211004116

11. Luat NV, Shin J, Lee K. Hybrid BART-Based Models Optimized by Nature-Inspired Metaheuristics to Predict Ultimate Axial Capacity of CCFST Columns. Engineering with Computers. 2022;38:1421–1450. https://doi.org/10.1007/s00366-020-01115-7

12. Le TT, Asteris PG, Lemonis ME. Prediction of Axial Load Capacity of Rectangular Concrete-Filled Steel Tube Columns Using Machine Learning Techniques. Engineering with Computers. 2022;38(Suppl 4):3283–3316. https://doi.org/10.1007/s00366-021-01461-0

13. Zarringol M, Thai H-T, Thai S, Patel V. Application of ANN to the Design of CFST Columns. Structures. 2020;28:2203–2220. https://doi.org/10.1016/j.istruc.2020.10.048

14. Chojaczyk AA, Teixeira AP, Neves LC, Cardoso JB, Guedes Soares C. Review and Application of Artificial Neural Networks Models in Reliability Analysis of Steel Structures. Structural Safety. 2015;52:78–89. https://doi.org/10.1016/j.strusafe.2014.09.002

15. Tahir ZuR, Mandal P. Artificial Neural Network Prediction of Buckling Load of Thin Cylindrical Shells under Axial Compression. Engineering Structures. 2017;152:843–855. https://doi.org/10.1016/j.engstruct.2017.09.016

16. Hajela P, Berke L. Neurobiological Computational Models in Structural Analysis and Design. Computers & Structures. 1991;41(4):657–667. https://doi.org/10.1016/0045-7949(91)90178-O

17. Stoffel M, Gulakala R, Bamer F, Markert B. Artificial Neural Networks in Structural Dynamics: A New Modular Radial Basis Function Approach vs. Convolutional and Feedforward Topologies. Computer Methods in Applied Mechanics and Engineering. 2020:364;112989. https://doi.org/10.1016/j.cma.2020.112989

18. Jeyasehar CA, Sumangala K. Damage Assessment of Prestressed Concrete Beams Using Artificial Neural Network (ANN) Approach. Computers & Structures. 2006;84(26–27):1709–1718. https://doi.org/10.1016/j.compstruc.2006.03.005

19. Lee S-C. Prediction of Concrete Strength Using Artificial Neural Networks. Engineering Structures. 2003;25(7):849–857. https://doi.org/10.1016/S0141-0296(03)00004-X

20. Trtnik G, Kavčič F, Turk G. Prediction of Concrete Strength Using Ultrasonic Pulse Velocity and Artificial Neural Networks. Ultrasonics. 2009;49(1):53–60. https://doi.org/10.1016/j.ultras.2008.05.001

21. Ni H-G, Wang J-Z. Prediction of Compressive Strength of Concrete by Neural Networks. Cement and Concrete Research. 2000;30(8):1245–1250. https://doi.org/10.1016/S0008-8846(00)00345-8

22. Silva VP, Carvalho RdA, Rego JHdS, Evangelista F. Machine Learning-Based Prediction of the Compressive Strength of Brazilian Concretes: A Dual-Dataset Study. Materials. 2023;16(14):4977. https://doi.org/10.3390/ma16144977

23. Chen X, Zhang Y, Ge P. Prediction of Concrete Strength Using Response Surface Function Modified Depth Neural Network. PLoS ONE. 2023;18(5):e0285746. https://doi.org/10.1371/journal.pone.0285746

24. Raju MR, Rahman M, Hasan MM, Islam MM, Alam MS. Estimation of Concrete Materials Uniaxial Compressive Strength Using Soft Computing Techniques. Heliyon. 2023;9(11): e22502. https://doi.org/10.1016/j.heliyon.2023.e22502

25. Du G, Bu L, Hou Q, Zhou J, Lu B. Prediction of the Compressive Strength of High-Performance Self-Compacting Concrete by an Ultrasonic-Rebound Method Based on a GA-BP Neural Network. PLoS ONE. 2021;16(5):e0250795. https://doi.org/10.1371/journal.pone.0250795