DOI: https://doi.org/10.1371/journal.pone.0338120
PMID: https://pubmed.ncbi.nlm.nih.gov/41499530
تاريخ النشر: 2026-01-07
المؤلف: Viet Hai Hoang وآخرون
الموضوع الرئيسي: سلوك الهيكل الخرساني المسلح
نظرة عامة
تدرس هذه الدراسة استخدام نماذج التعلم الآلي (ML) للتنبؤ بسعة التحميل المحورية ($P_u$) للأعمدة الخرسانية المسلحة (RC) المعززة بأغلفة من الخرسانة فائقة الأداء (UHPC). تم تجميع مجموعة بيانات شاملة تضم 105 عينات اختبار و17 متغير إدخال رئيسي، مما يمثل أكبر مجموعة بيانات للأعمدة الخرسانية المسلحة بأغلفة UHPC حتى الآن. تم تطوير ستة نماذج تعلم آلي، بما في ذلك الأشجار العشوائية بشكل متطرف (ER)، وأقرب الجيران (KNN)، وآلة تعزيز التدرج الخفيف (LightGBM)، وXgboost، وCatBoost، وشبكات الأعصاب الأمامية المتسلسلة (CFNN). من بين هذه النماذج، أظهر نموذج CatBoost أعلى دقة تنبؤية، حيث حقق $R^2$ قدره 0.983، ومتوسط خطأ مطلق (MAE) قدره 177 كيلو نيوتن، وجذر متوسط مربع الخطأ (RMSE) قدره 211 كيلو نيوتن، متفوقًا بشكل كبير على رموز التصميم التقليدية مثل ACI 318 وEurocode 2.
كما استخدمت الدراسة تحليل SHAP لتوضيح تأثير المتغيرات المختلفة على سعة التحميل المحورية، كاشفة أن المساحات المقطعية للخرسانة العادية وUHPC، بالإضافة إلى قوة الضغط للخرسانة العادية، كانت من أهم المؤشرات. كانت العوامل الثانوية، بما في ذلك نسبة التسليح ومحتوى الألياف، تؤثر بشكل أساسي على اللدونة والاحتواء بدلاً من القوة القصوى. تؤكد النتائج على قيود طرق التصميم التقليدية، التي غالبًا ما تعتمد على افتراضات مبسطة، وتبرز إمكانيات أساليب التعلم الآلي لتوفير تنبؤات أكثر دقة وقابلية للتعميم للأعمدة الخرسانية المسلحة المعززة بـ UHPC. لا تعزز الإطار المقترح للتعلم الآلي الأداء التنبؤي فحسب، بل يعمل أيضًا كأساس لمعايرة الرموز المستقبلية وتحسين كفاءة التجارب في الهندسة الإنشائية. يجب أن تهدف الأبحاث المستقبلية إلى توسيع قاعدة البيانات التجريبية واستكشاف نماذج التعلم الآلي الهجينة لتحسين متانة الإطار المقترح.
مقدمة
تناقش مقدمة ورقة البحث أهمية الأعمدة الخرسانية المسلحة (RC) كعناصر تحمل أساسية في البنية التحتية، لا سيما في المباني والجسور. مع مرور الوقت، قد تواجه هذه الأعمدة انخفاضًا في سعة التحميل بسبب عوامل مثل تدهور المواد، وعيوب التصميم، والشيخوخة، أو زيادة متطلبات التحميل. للتخفيف من هذه المشكلات وإطالة عمرها الافتراضي، تم استخدام تقنيات إعادة تأهيل متنوعة، بما في ذلك استخدام أغلفة من الخرسانة فائقة الأداء (UHPC). ومع ذلك، لا تزال تطبيقات التعلم الآلي (ML) للتنبؤ بسعة التحميل النهائية للأعمدة المعززة بـ UHPC غير مستكشفة بشكل كافٍ.
تكشف الأدبيات عن عدة فجوات حرجة تهدف هذه الدراسة إلى معالجتها: نقص الدراسات المنهجية في التعلم الآلي التي تركز على الأعمدة الخرسانية المسلحة المعززة بـ UHPC، والطبيعة المحدودة والمجزأة للبيانات التجريبية الحالية، وعدم كفاية التقييمات المقارنة للخوارزميات المتقدمة في التعلم الآلي، ونقص عام في قابلية تفسير التنبؤات في التعلم الآلي. الهدف من هذه الدراسة هو تطوير نماذج تنبؤية قوية لتقدير سعة التحميل المحورية للأعمدة الخرسانية المسلحة بأغلفة UHPC. تشمل المنهجية إنشاء قاعدة بيانات تجريبية مخصصة، وبناء نماذج تعلم آلي متنوعة (مثل الأشجار العشوائية بشكل متطرف، وأقرب الجيران، وXGBoost)، وتحسين معلماتها الفائقة، وتقييم أدائها التنبؤي باستخدام مقاييس مثل معامل التحديد ($R^2$) وجذر متوسط مربع الخطأ (RMSE). بالإضافة إلى ذلك، سيتم استخدام تحليل SHAP لتعزيز قابلية تفسير النموذج من خلال فحص أهمية الميزات، مما يوفر في النهاية رؤى حول تأثير المتغيرات المدخلة على توقعات القوة المحورية ومقارنة النتائج مع المعادلات المعتمدة على الرموز الحالية.
طرق
في هذه الدراسة، تم إنشاء قاعدة بيانات تجريبية شاملة لتطوير نماذج تنبؤية لتقدير سعة التحميل المحورية للأعمدة الخرسانية المسلحة (RC) المعززة بأغلفة من الخرسانة فائقة الأداء (UHPC). تتضمن قاعدة البيانات، التي تم تجميعها من أربعة عشر دراسة منشورة، 105 عينات موثوقة تتميز بسبعة عشر متغيرًا يتعلق بالمعلمات الهندسية والمادية والمعززة. ضمنت عملية المعالجة المسبقة المنهجية اتساق البيانات من خلال تحويل جميع القياسات إلى وحدات SI وتوحيد التعريفات عبر المصادر. تم استبعاد البيانات المفقودة أو الغامضة، مما أسفر عن مجموعة بيانات قوية تعمل كأساس موحد لتحليل سلوك الأعمدة الخرسانية المسلحة المعززة بـ UHPC.
استخدمت الدراسة ستة خوارزميات متقدمة في التعلم الآلي—الأشجار العشوائية بشكل متطرف (ER)، وأقرب الجيران (KNN)، وآلة تعزيز التدرج الخفيف (LightGBM)، وتعزيز التدرج المتطرف (XGBoost)، وCatBoost، وشبكة الأعصاب الأمامية المتسلسلة (CFNN)—للتنبؤ بسعة التحميل المحورية ($P_u$) للأعمدة. تم اختيار هذه الخوارزميات لقدرتها على التقاط التفاعلات غير الخطية المعقدة بين المتغيرات المختلفة التي تؤثر على سعة التحميل. شملت المنهجية هندسة الميزات لتصفية المتغيرات المدخلة، مما يضمن التوافق مع النماذج المختارة. تشير النتائج إلى أن الخصائص المتنوعة لمجموعة البيانات، بما في ذلك التباينات في قوة الخرسانة ونسب التسليح، توفر أساسًا قويًا لتطوير نماذج تنبؤية دقيقة، مما يعالج نقص الرموز الرسمية الحالية لتصميم الأعمدة المعززة بـ UHPC.
مناقشة
توفر قسم المناقشة في ورقة البحث نظرة عامة على خوارزميات التعلم الآلي المختلفة المستخدمة للتنبؤ بمقاومة التحميل المحورية للأعمدة الخرسانية المسلحة (RC) المعززة بالخرسانة فائقة الأداء (UHPC). تعزز خوارزمية الأشجار العشوائية بشكل متطرف (ER) تنوع النموذج والتعميم من خلال إدخال العشوائية في اختيار الميزات ونقاط القطع، مما يجعلها فعالة في مهام الانحدار. تُعرف خوارزمية أقرب الجيران (KNN) ببساطتها، حيث تقرب المخرجات بناءً على أقرب نقاط بيانات التدريب، مما يجعلها نموذجًا أساسيًا موثوقًا. يتم تسليط الضوء على تعزيز التدرج المتطرف (XGBoost) وCatBoost لقدراتهما المتقدمة في التقاط العلاقات المعقدة وغير الخطية، حيث يتفوق CatBoost بشكل خاص في التعامل مع المتغيرات الفئوية وتقليل الإفراط في التخصيص. تُلاحظ آلة تعزيز التدرج الخفيف (LightGBM) لكفاءتها ومرونتها، حيث تقوم بنمذجة التفاعلات بين المتغيرات بشكل فعال.
يكشف تقييم أداء هذه النماذج أن CatBoost يتفوق على الآخرين في الدقة التنبؤية، حيث حقق معامل تحديد ($R^2 = 0.983$) على مجموعة بيانات الاختبار، مع متوسط خطأ مطلق (MAE) منخفض وجذر متوسط مربع الخطأ (RMSE). بالمقابل، تحقق الرموز التصميمية التقليدية مثل ACI 318 وEurocode 2 (EC2) تنبؤات أقل دقة بسبب طبيعتها المحافظة واعتمادها على نماذج مبسطة. تؤكد الدراسة على إمكانيات التعلم الآلي كأداة مكملة لتعزيز موثوقية أحكام التصميم للأعمدة الخرسانية المسلحة المعززة بـ UHPC، مشيرة إلى أن دمج الأساليب المعتمدة على البيانات يمكن أن يُحسن الأطر المعتمدة على الرموز الحالية. بالإضافة إلى ذلك، يتم استخدام تفسيرات شابلي الإضافية (SHAP) لتفسير تنبؤات النموذج، مما يحدد المعلمات الرئيسية التي تؤثر على سعة التحميل المحورية، وبالتالي تعزيز الشفافية والموثوقية لنماذج التعلم الآلي.
القيود
تقدم الدراسة عدة قيود تتعلق بشكل أساسي بنطاق وتنوع مجموعة البيانات، مما يحد من قابلية تطبيق النموذج التنبؤي للأعمدة المركبة من UHPC-RC. تفتقر مجموعة البيانات إلى تمثيل شامل للأشكال الهندسية المختلفة للأعمدة، وتوزيعات التسليح، ودرجات قوة الخرسانة، مما يؤدي إلى مشكلات محتملة في موثوقية التنبؤ عند تطبيقها على حالات خارج البيانات الملاحظة. تزيد التوزيعات غير المتكافئة للمتغيرات المدخلة من تفاقم هذه القيود، مما يستلزم توسيع مجموعة البيانات لتشمل مجموعة أوسع من السيناريوهات الهيكلية.
لمعالجة هذه التحديات، يوصي المؤلفون بإنشاء مستودع مشترك مفتوح الوصول لأبحاث الأعمدة المركبة من UHPC-RC، مما سيسهل تبادل البيانات القياسية ويعزز التعاون داخل مجتمع البحث. بالإضافة إلى ذلك، يمكن أن تساعد تقنيات زيادة البيانات، مثل توليد البيانات الاصطناعية والتداخل المتقدم، في التخفيف من الفجوات في النطاقات غير الممثلة. يمكن أن تستفيد الأبحاث المستقبلية أيضًا من دمج طرق تحسين الميتاheuristic، مثل تحسين سرب الجسيمات، لتحسين معلمات النموذج الفائقة وزيادة الدقة التنبؤية. بينما تم تصميم نماذج التعلم الآلي الحالية لتناسب تكوينات محددة من الأعمدة الخرسانية المسلحة بأغلفة UHPC، فإن الإطار قابل للتكيف للتطبيقات المستقبلية، شريطة أن تتوفر مجموعات البيانات ذات الصلة.
DOI: https://doi.org/10.1371/journal.pone.0338120
PMID: https://pubmed.ncbi.nlm.nih.gov/41499530
Publication Date: 2026-01-07
Author(s): Viet Hai Hoang et al.
Primary Topic: Structural Behavior of Reinforced Concrete
Overview
This study investigates the use of machine learning (ML) models to predict the axial load capacity ($P_u$) of reinforced concrete (RC) columns enhanced with ultra-high-performance concrete (UHPC) jackets. A comprehensive dataset comprising 105 test samples and 17 key input parameters was compiled, marking the largest collection of UHPC-jacketed RC column data to date. Six ML models were developed, including Extremely Randomized Trees (ER), K-Nearest Neighbors (KNN), Light Gradient Boosting Machine (LightGBM), Xgboost, CatBoost, and Cascade Forward Neural Networks (CFNN). Among these, the CatBoost model exhibited the highest predictive accuracy, achieving an $R^2$ of 0.983, a mean absolute error (MAE) of 177 kN, and a root mean square error (RMSE) of 211 kN, significantly outperforming traditional design codes such as ACI 318 and Eurocode 2.
The study further employed SHAP analysis to elucidate the influence of various parameters on the axial load capacity, revealing that the cross-sectional areas of normal concrete and UHPC, along with the compressive strength of normal concrete, were the most critical predictors. Secondary factors, including reinforcement ratio and fiber content, primarily affected ductility and confinement rather than peak strength. The findings underscore the limitations of conventional design methods, which often rely on oversimplified assumptions, and highlight the potential of ML approaches to provide more accurate and generalizable predictions for UHPC-strengthened RC columns. The proposed ML framework not only enhances predictive performance but also serves as a foundation for future code calibration and experimental efficiency improvements in structural engineering. Future research should aim to expand the experimental database and explore hybrid ML-mechanics models to further enhance the robustness of the proposed framework.
Introduction
The introduction of the research paper discusses the significance of reinforced concrete (RC) columns as essential load-bearing elements in infrastructure, particularly in buildings and bridges. Over time, these columns may experience diminished load-bearing capacity due to factors such as material degradation, design flaws, aging, or increased load demands. To mitigate these issues and extend their service life, various rehabilitation techniques, including the use of ultra-high-performance concrete (UHPC) jackets, have been employed. However, the application of machine learning (ML) to predict the ultimate load-bearing capacity of UHPC-reinforced columns remains underexplored.
The literature reveals several critical gaps that this study aims to address: the lack of systematic ML studies focused on UHPC-strengthened RC columns, the limited and fragmented nature of existing experimental data, insufficient comparative assessments of advanced ML algorithms, and a general lack of interpretability in ML predictions. This study’s objective is to develop robust predictive models for estimating the axial load-bearing capacity of UHPC-jacketed RC columns. The methodology includes creating a dedicated experimental database, constructing various ML models (such as Extremely Randomized Trees, K-Nearest Neighbors, and XGBoost), optimizing their hyperparameters, and assessing their predictive performance using metrics like the coefficient of determination ($R^2$) and root mean square error (RMSE). Additionally, SHAP analysis will be employed to enhance model interpretability by examining feature importance, ultimately providing insights into the influence of input parameters on axial strength predictions and comparing the findings with existing code-based equations.
Methods
In this study, a comprehensive experimental database was established to develop predictive models for estimating the axial load-carrying capacity of reinforced concrete (RC) columns strengthened with ultra-high-performance concrete (UHPC) jackets. The database, compiled from fourteen published studies, includes 105 reliable specimens characterized by seventeen variables related to geometric, material, and strengthening parameters. A systematic preprocessing procedure ensured data consistency by converting all measurements to SI units and standardizing definitions across sources. Missing or ambiguous data were excluded, resulting in a robust dataset that serves as a unified foundation for analyzing the behavior of UHPC-retrofitted RC columns.
The study employed six advanced machine learning algorithms—Extremely Randomized Trees (ER), K-Nearest Neighbors (KNN), Light Gradient Boosting Machine (LightGBM), Extreme Gradient Boosting (XGBoost), CatBoost, and Cascade Forward Neural Network (CFNN)—to predict the axial load capacity ($P_u$) of the columns. These algorithms were selected for their ability to capture complex nonlinear interactions among the various parameters influencing load-bearing capacity. The methodology included feature engineering to refine input variables, ensuring compatibility with the chosen models. The findings indicate that the diverse characteristics of the dataset, including variations in concrete strength and reinforcement ratios, provide a solid basis for developing accurate predictive models, addressing the current lack of official design codes for UHPC-strengthened columns.
Discussion
The discussion section of the research paper provides an overview of various machine learning algorithms employed for predicting the axial resistance of ultra-high-performance concrete (UHPC) reinforced reinforced concrete (RC) columns. The Extremely Randomized Trees (ER) algorithm enhances model diversity and generalization by introducing randomness in feature selection and cut points, making it effective for regression tasks. The K-Nearest Neighbors (KNN) algorithm, known for its simplicity, approximates outputs based on the nearest training data points, serving as a reliable baseline model. Extreme Gradient Boosting (XGBoost) and CatBoost are highlighted for their advanced capabilities in capturing complex, nonlinear relationships, with CatBoost particularly excelling in handling categorical variables and reducing overfitting. Light Gradient Boosting Machine (LightGBM) is noted for its efficiency and flexibility, effectively modeling interactions among variables.
The performance evaluation of these models reveals that CatBoost outperforms others in predictive accuracy, achieving a coefficient of determination ($R^2 = 0.983$) on the test dataset, with low mean absolute error (MAE) and root mean square error (RMSE). In contrast, traditional design codes such as ACI 318 and Eurocode 2 (EC2) yield less accurate predictions due to their conservative nature and reliance on simplified models. The study emphasizes the potential of machine learning as a complementary tool to enhance the reliability of design provisions for UHPC-strengthened RC columns, suggesting that integrating data-driven approaches could refine existing code-based frameworks. Additionally, Shapley Additive Explanations (SHAP) are utilized to interpret model predictions, identifying key parameters influencing axial load capacity, thereby enhancing the transparency and trustworthiness of the machine learning models.
Limitations
The study presents several limitations primarily related to the dataset’s scope and diversity, which restricts the applicability of the predictive model for UHPC-RC composite columns. The dataset lacks comprehensive representation of varying column geometries, reinforcement layouts, and concrete strength grades, leading to potential predictive reliability issues when applied to cases outside the observed data. The uneven distribution of input parameters further exacerbates this limitation, necessitating an expanded dataset that encompasses a wider array of structural scenarios.
To address these challenges, the authors recommend the establishment of a shared, open-access repository for UHPC-RC composite column research, which would facilitate standardized data exchange and enhance collaboration within the research community. Additionally, employing data augmentation techniques, such as synthetic data generation and advanced interpolation, could help mitigate gaps in underrepresented ranges. Future research could also benefit from integrating metaheuristic optimization methods, like Particle Swarm Optimization, to refine model hyperparameters and improve predictive accuracy. While the current machine learning models are tailored to specific configurations of RC columns with UHPC jackets, the framework is adaptable for future applications, provided that relevant datasets are made available.