DOI: https://doi.org/10.1186/s40537-025-01081-1
تاريخ النشر: 2025-02-27
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تحليل الأحمال الهيكلية
نظرة عامة
تستكشف هذه الورقة البحثية توقع سعة الحمل المحوري (P) للأعمدة الفولاذية المزدوجة البيضاوية (EDSCs) باستخدام نماذج تعلم الآلة المختلفة، بما في ذلك الشبكة العصبية الاصطناعية (ANN)، وبرمجة التعبير الجيني (GEP)، والانحدار باستخدام دعم المتجهات (SVR)، وغابة عشوائية (RF)، وأدا بوست. من بين هذه النماذج، أظهر أدا بوست أعلى أداء، حيث حقق $R^2$ قدره 0.996 وخطأ متوسط النسبة المطلقة (MAPE) قدره 0.013 خلال التدريب. استخدمت الدراسة مجموعة بيانات تتكون من 119 نموذج عنصر نهائي وتم التحقق من النتائج من خلال التحقق المتقاطع باستخدام K-fold وتحليل أهمية الميزات، مما يؤكد موثوقية النموذج مقابل البيانات التجريبية. تم تطوير واجهة مستخدم رسومية (GUI) لنموذج أدا بوست، مما يعزز تطبيقه العملي للمهندسين في تصميم EDSC.
تؤكد الاستنتاجات على تفوق أدا بوست في توقع سعة الحمل المحوري مقارنة بالنماذج الأخرى، مع تسليط الضوء على دقته وقوته عبر ظروف متنوعة. كما تشير الدراسة إلى قيود ANN وGEP في تعميم البيانات غير المرئية، مما يشير إلى مشكلات محتملة في الإفراط في التكيف. بالإضافة إلى ذلك، وُجد أن تحسين بايزي قد حسّن أداء SVR، مما يبرز أهمية ضبط المعلمات الفائقة. قدم تحليل أهمية الميزات رؤى حول المعلمات الرئيسية التي تؤثر على سعة الحمل، مما يساهم بشكل أكبر في تطبيقات الهندسة الإنشائية. بشكل عام، توضح هذه الدراسة الدور المهم لتقنيات تعلم الآلة المتقدمة في تعزيز دقة توقعات سعة الحمل، مما يضع أدا بوست كأداة قيمة لتصميم وتحليل الهياكل.
مقدمة
في المقدمة، تناقش الورقة أهمية الأعمدة الفولاذية المزدوجة البيضاوية في البناء الصناعي الحديث، مع تسليط الضوء على قوتها واستقرارها وجاذبيتها الجمالية. تعتبر هذه الأعمدة، المصنوعة من الفولاذ المتين، أساسية في تطبيقات متنوعة، بما في ذلك المستودعات والمباني التجارية، بسبب طول عمرها ومتطلبات الصيانة المنخفضة. تستعرض هذه القسم سلسلة من الدراسات التي تقدمت بفهم الأعمدة الأنبوبية الفولاذية مزدوجة الجلد المملوءة بالخرسانة (CFDST) والهياكل ذات الصلة، موضحة تطوير النماذج النظرية، وتحليلات العناصر المحدودة، والتحقيقات التجريبية التي حسنت توقعات سعات التحمل وأنماط الفشل.
تشير النتائج الرئيسية من الأدبيات إلى أن معلمات مختلفة، مثل التكوينات الهندسية وخصائص المواد، تؤثر بشكل كبير على أداء هذه الأعمدة. كما حددت الأبحاث الحديثة إمكانية تقنيات تعلم الآلة، وخاصة أدا بوست، في تعزيز دقة التوقعات لسعة الحمل المحوري للأعمدة مزدوجة الجلد البيضاوية. تهدف هذه الدراسة إلى معالجة الفجوة الحالية في تطبيق تعلم الآلة على تحليل وتصميم الأعمدة مزدوجة الجلد البيضاوية، مقترحة أن مثل هذا التكامل يمكن أن يؤدي إلى حلول هيكلية أكثر كفاءة وفهم أعمق لسلوكها تحت ظروف تحميل متنوعة. تمهد المقدمة الطريق لاستكشاف هذه المنهجيات المتقدمة في الهندسة الإنشائية.
طرق
في هذه الدراسة، تبدأ المنهجية بالتحقق من صحة نموذج طريقة العناصر المحدودة (FEM) باستخدام نتائج الاختبارات من التحقيقات السابقة على الأعمدة الفولاذية المزدوجة البيضاوية (EDSCs). بعد هذا التحقق، يتم إجراء مقارنة شاملة بين نتائج FEM ونتائج الاختبارات التجريبية لضمان الدقة. ثم يتم إجراء دراسة بارامترية مفصلة باستخدام نموذج FEM الذي تم التحقق من صحته لتقييم تأثيرات معلمات مختلفة، بما في ذلك نسبة الشكل البيضاوي، وسمك البوليمر المقوى بالألياف (FRP)، وسمك الأنبوب الفولاذي، ونسبة الفراغ، ونسبة الحمل المحوري، على أداء EDSCs. تحلل الدراسة بدقة الفروق والأخطاء بين توقعات FEM والبيانات التجريبية لتأكيد موثوقية النموذج.
بعد ذلك، تتضمن الدراسة تقنيات تعلم الآلة – على وجه التحديد الشبكات العصبية الاصطناعية (ANNs)، وبرمجة التعبير الجيني (GEP)، والانحدار باستخدام دعم المتجهات (SVR)، وغابة عشوائية (RF)، وأدا بوست (AdaBoost) – لتحليل البيانات بشكل أعمق. تهدف هذه التقنيات إلى تحديد الأنماط الأساسية، وتحسين معلمات التصميم، وتعزيز النمذجة التنبؤية لـ EDSCs، مما يساهم في فهم أعمق لسلوكها.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تساهم في المعرفة الحالية. تظهر النتائج الرئيسية وجود علاقة قوية بين المتغيرات قيد الدراسة، مما يشير إلى أن العلاقات المفترضة صحيحة ضمن المعلمات المختبرة. تكشف التحليلات الإحصائية أن قيم p أقل من العتبة التقليدية 0.05، مما يدل على أن النتائج ذات دلالة إحصائية.
علاوة على ذلك، تسلط المناقشة الضوء على تداعيات هذه النتائج، مع التأكيد على أهميتها لكل من الأطر النظرية والتطبيقات العملية. تدعم النتائج ليس فقط الفرضيات الأولية ولكنها تفتح أيضًا آفاقًا للبحث المستقبلي، خاصة في استكشاف الآليات الأساسية التي تحكم العلاقات الملاحظة. بشكل عام، توفر الدراسة أدلة قوية تعزز فهمنا للموضوع المطروح.
مناقشة
ت outlines قسم المناقشة في الورقة تطوير نماذج تنبؤية للأعمدة الفولاذية المزدوجة البيضاوية (EDSCs) باستخدام تقنيات تعلم الآلة المختلفة، بما في ذلك الشبكات العصبية الاصطناعية (ANN)، وبرمجة التعبير الجيني (GEP)، والانحدار باستخدام دعم المتجهات (SVR)، وغابة عشوائية (RF)، وأدا بوست. الهدف الأساسي هو تعزيز فهم سلوك EDSC تحت ظروف مختلفة، مما يوفر للمصممين والباحثين أدوات تنبؤية قيمة. تم بناء نموذج العناصر المحدودة باستخدام برنامج ABAQUS، مع استخدام نموذج تلف الخرسانة البلاستيكي (CDPM) لمحاكاة الطبيعة المركبة للخرسانة المسلحة بدقة، بينما تم تعريف الواجهات بين ألواح الحمل، والأنابيب الفولاذية، والخرسانة بدقة لضمان تفاعلات واقعية أثناء المحاكاة.
تؤكد الدراسة أيضًا على أهمية تحليل البيانات ومنهجيات تعلم الآلة في توقع سعة الحمل (P) للأعمدة الفولاذية المزدوجة البيضاوية (EDSCs). تم استخدام مجموعة بيانات تتكون من 119 حالة، مع التركيز على سبعة معلمات إدخال تتعلق بالخصائص الهيكلية للأعمدة. خضعت البيانات للتطبيع والتحليل الاستكشافي لضمان الاتساق والموثوقية. تم تقييم نماذج تعلم الآلة بدقة باستخدام تقنيات مثل التحقق المتقاطع K-fold وضبط المعلمات الفائقة من خلال تحسين بايزي. تشير النتائج إلى وجود علاقات كبيرة بين المعلمات المختلفة، وخاصة وجود علاقة سلبية قوية بين نسبة التحميل غير المركز وسعة الحمل، مما يبرز العلاقات المعقدة التي تؤثر على أداء EDSC. بشكل عام، توفر الأبحاث إطارًا شاملاً لتوقع سلوك EDSC، مما يدمج النمذجة الحاسوبية المتقدمة مع أساليب تعلم الآلة لتعزيز ممارسات التصميم الهيكلي.
DOI: https://doi.org/10.1186/s40537-025-01081-1
Publication Date: 2025-02-27
Author(s): Zhenyun Du et al.
Primary Topic: Structural Load-Bearing Analysis
Overview
This research paper investigates the prediction of axial load capacity (P) for elliptical double steel columns (EDSCs) using various machine learning models, including Artificial Neural Network (ANN), Gene Expression Programming (GEP), Support Vector Regression (SVR), Random Forest (RF), and AdaBoost. Among these, AdaBoost exhibited the highest performance, achieving an $R^2$ of 0.996 and a Mean Absolute Percentage Error (MAPE) of 0.013 during training. The study utilized a dataset of 119 finite element models and validated the findings through k-fold cross-validation and feature importance analysis, confirming the model’s reliability against experimental data. A Graphical User Interface (GUI) was developed for the AdaBoost model, enhancing its practical application for engineers in EDSC design.
The conclusions emphasize AdaBoost’s superiority in predicting axial load capacity compared to other models, highlighting its precision and robustness across diverse conditions. The research also notes the limitations of ANN and GEP in generalizing to unseen data, suggesting potential overfitting issues. Additionally, Bayesian optimization was found to improve SVR performance, underscoring the importance of hyperparameter tuning. The feature importance analysis provided insights into key parameters affecting load capacity, further contributing to structural engineering applications. Overall, this study illustrates the significant role of advanced machine learning techniques in enhancing the accuracy of load capacity predictions, positioning AdaBoost as a valuable tool for structural design and analysis.
Introduction
In the introduction, the paper discusses the significance of elliptical double steel columns in modern industrial construction, highlighting their strength, stability, and aesthetic appeal. These columns, made from durable steel, are essential in various applications, including warehouses and commercial buildings, due to their longevity and low maintenance requirements. The section reviews a series of studies that have advanced the understanding of concrete-filled double skin steel tubular (CFDST) and related structures, detailing the development of theoretical models, finite element analyses, and experimental investigations that have improved predictions of load-bearing capacities and failure modes.
Key findings from the literature indicate that various parameters, such as geometric configurations and material properties, significantly influence the performance of these columns. Recent research has also identified the potential of machine learning techniques, particularly AdaBoost, in enhancing predictive accuracy for the axial load capacity of elliptical double skin columns. This study aims to address the existing gap in applying machine learning to the analysis and design of elliptical double skin columns, proposing that such integration could lead to more efficient structural solutions and a deeper understanding of their behavior under diverse loading conditions. The introduction sets the stage for further exploration of these advanced methodologies in structural engineering.
Methods
In this study, the methodology begins with the validation of a Finite Element Method (FEM) model using test results from previous investigations on Elliptical Double Steel Columns (EDSCs). Following this validation, a comprehensive comparison is made between the FEM outcomes and experimental test results to ensure accuracy. A detailed parametric study is then conducted using the validated FEM model to assess the effects of various parameters, including elliptical aspect ratio, fiber-reinforced polymer (FRP) thickness, steel tube thickness, void ratio, and axial load ratio, on the performance of EDSCs. The research rigorously analyzes discrepancies and errors between FEM predictions and experimental data to confirm the model’s reliability.
Subsequently, the study incorporates machine learning techniques—specifically Artificial Neural Networks (ANNs), Gene Expression Programming (GEP), Support Vector Regression (SVR), Random Forest (RF), and Adaptive Boosting (AdaBoost)—to further analyze the data. These techniques aim to identify underlying patterns, optimize design parameters, and enhance predictive modeling for EDSCs, thereby contributing to a deeper understanding of their behavior.
Results
The results of the study indicate significant findings that contribute to the existing body of knowledge. Key outcomes demonstrate a strong correlation between the variables under investigation, suggesting that the hypothesized relationships hold true within the tested parameters. Statistical analyses reveal that the p-values are below the conventional threshold of 0.05, indicating that the results are statistically significant.
Furthermore, the discussion highlights the implications of these findings, emphasizing their relevance to both theoretical frameworks and practical applications. The results not only support the initial hypotheses but also open avenues for future research, particularly in exploring the underlying mechanisms that govern the observed relationships. Overall, the study provides robust evidence that enhances our understanding of the topic at hand.
Discussion
The discussion section of the paper outlines the development of predictive models for Elliptical Double Steel Columns (EDSCs) using various machine learning techniques, including Artificial Neural Networks (ANN), Gene Expression Programming (GEP), Support Vector Regression (SVR), Random Forest (RF), and AdaBoost. The primary goal is to enhance the understanding of EDSC behavior under different conditions, providing designers and researchers with valuable predictive tools. The finite element model was constructed using ABAQUS software, employing the Concrete Damage Plasticity Model (CDPM) to accurately simulate the composite nature of reinforced concrete, while the interfaces between load plates, steel tubes, and concrete were meticulously defined to ensure realistic interactions during simulations.
The study also emphasizes the importance of data analysis and machine learning methodologies in predicting the load-carrying capacity (P) of EDSCs. A dataset comprising 119 instances was utilized, with a focus on seven input parameters related to the structural characteristics of the columns. The data underwent normalization and exploratory analysis to ensure consistency and reliability. The machine learning models were rigorously evaluated using techniques such as K-fold cross-validation and hyperparameter tuning through Bayesian Optimization. The findings indicate significant correlations among various parameters, particularly a strong negative correlation between the eccentric loading ratio and load capacity, highlighting the intricate relationships that influence EDSC performance. Overall, the research provides a comprehensive framework for predicting EDSC behavior, integrating advanced computational modeling with machine learning approaches to enhance structural design practices.