DOI: https://doi.org/10.1038/s41598-025-12359-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40721452
تاريخ النشر: 2025-07-28
المؤلف: Aybike Özyüksel Çiftçioğlu وآخرون
الموضوع الرئيسي: تقنيات مراقبة الصحة الهيكلية
نظرة عامة
تبحث هذه الورقة البحثية في التنبؤ بقوة القص في العوارض على شكل حرف T المصنوعة من الخرسانة المسلحة (RC)، وهو جانب حاسم في هندسة الهياكل. غالبًا ما تفشل الطرق التجريبية التقليدية في التقاط العلاقات المعقدة وغير الخطية المتأصلة في متغيرات تصميم الهياكل. لمعالجة ذلك، يقدم المؤلفون نهجًا جديدًا في التعلم الآلي يسمى Levy-DT، والذي يدمج خوارزمية شجرة القرار مع رحلة ليفي، وهي تقنية تحسين عشوائية. تعزز هذه المجموعة من قدرات البحث العالمية للنموذج، مما يسمح له بتجنب القيم الدنيا المحلية وتحسين دقة التنبؤ. تستخدم الدراسة مجموعة بيانات تتكون من 195 عينة تم اختبارها تجريبيًا من العوارض على شكل حرف T لتدريب وتقييم نماذج الانحدار المختلفة، بما في ذلك شجرة القرار المحسّنة، وغابة عشوائية، وأدا بوست، وأقرب الجيران، والانحدار Ridge، وLevy-DT المقترح. تشير النتائج إلى أن Levy-DT يتفوق بشكل كبير على النماذج الأخرى، محققًا أعلى قيمة R² تبلغ 0.982، مما يدل على فعاليته في معالجة القضايا المعقدة غير الخطية في المواد الهيكلية.
تخلص الورقة إلى أنه بينما تعتبر خوارزمية شجرة القرار التقليدية فعالة، إلا أن لديها قيودًا مثل الإفراط في التكيف والتحديات في نمذجة العلاقات المعقدة. يعزز دمج آلية رحلة ليفي في إطار شجرة القرار من قدرات الاستكشاف والاستغلال، مما يؤدي إلى تحسين التعميم ودقة التنبؤ. يتم تأكيد قوة نموذج Levy-DT من خلال الأداء المتسق عبر مراحل التدريب والاختبار والتحقق المتقاطع. بالإضافة إلى ذلك، يتم دعم قابلية تفسير النموذج من خلال تحليل SHAP، الذي يحدد العوامل الرئيسية التي تؤثر على قوة القص، مما يعزز الشفافية في عملية اتخاذ القرار. تؤكد النتائج على إمكانية دمج تقنيات التحسين مع التعلم الآلي من أجل توقعات هيكلية موثوقة، بينما تقترح أيضًا سبلًا للبحث المستقبلي لتوسيع تطبيق النموذج ليشمل مجموعة أوسع من العناصر الهيكلية.
طرق
في هذا القسم، يحدد المؤلفون الطرق الحسابية والإطار التجريبي المستخدم في دراستهم. يوضحون الخوارزميات وأدوات البرمجيات المستخدمة في تحليل البيانات، مع التأكيد على أهميتها في معالجة مجموعات البيانات المعقدة. تشمل الطريقة الحسابية محاكاة عددية ونمذجة إحصائية، وهي ضرورية للتحقق من التنبؤات النظرية التي تم إجراؤها في البحث.
بالإضافة إلى ذلك، يتم وصف الإطار التجريبي، مع تسليط الضوء على تصميم وإعداد التجارب التي تم إجراؤها لجمع البيانات التجريبية. يحدد المؤلفون المعلمات المقاسة، والظروف التي تم إجراء التجارب فيها، والبروتوكولات المتبعة لضمان قابلية التكرار ودقة النتائج. تدعم هذه المنهجية الشاملة نتائج الدراسة، مما يوفر أساسًا قويًا للاستنتاجات المستخلصة.
مناقشة
في هذه الدراسة، تم تحليل مجموعة بيانات تتكون من 195 نتيجة من اختبارات العوارض على شكل حرف T المصنوعة من الخرسانة المسلحة (RC) للتنبؤ بقوة القص النهائية ($V_u$) باستخدام تقنيات التعلم الآلي (ML) المختلفة. تشمل مجموعة البيانات 31 متغيرًا مستقلًا، مثل المعلمات الهندسية (مثل نسبة طول القص إلى العمق $a/d$، عرض الجذع $b$، عرض الشفة $b_f$) وخصائص التسليح (مثل نسبة تسليح الطول $\rho_{s1}$، القطر $\phi_{s1}$). كشفت مصفوفة الارتباط عن علاقات مهمة بين $V_u$ والمتغيرات الرئيسية، مع ملاحظة أقوى الارتباطات الإيجابية بالنسبة لعرض العارضة ($b$)، والارتفاع ($h$)، والعمق الفعال ($d_1$)، وعمق القص ($d_v$)، مما يدل على أهمية الأبعاد الهندسية في قوة القص. ومن الملاحظ أن نسبة طول القص إلى العمق أظهرت ارتباطًا سلبيًا مع $V_u$، وهو ما يتماشى مع المبادئ الهندسية المعمول بها.
استخدم البحث ستة خوارزميات تعلم آلي، بما في ذلك أشجار القرار (DT)، والغابات العشوائية (RF)، وأقرب الجيران (KNN)، والانحدار Ridge، وأدا بوست، وشجرة قرار معززة برحلة ليفي جديدة (Levy-DT). تدمج خوارزمية Levy-DT طريقة تحسين عشوائية لتحسين النهج التقليدي لشجرة القرار، مع معالجة القيود مثل القيم الدنيا المحلية وتعزيز دقة التنبؤ. تضمنت المنهجية معالجة البيانات، بما في ذلك تعويض القيم المفقودة وتقييس الميزات، تلاها تدريب النموذج وتقييمه باستخدام التحقق المتقاطع. حددت تحليلات الحساسية المعلمات الفائقة المثلى، وكشفت أن معامل ليفي ($\lambda$) والعمق الأقصى للشجرة ($D_{max}$) يؤثران بشكل كبير على أداء النموذج. تؤكد النتائج على فعالية نموذج Levy-DT في التنبؤ بقوة القص، مما يظهر إمكانيته لتطبيقات تصميم هيكلية معقدة.
DOI: https://doi.org/10.1038/s41598-025-12359-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40721452
Publication Date: 2025-07-28
Author(s): Aybike Özyüksel Çiftçioğlu et al.
Primary Topic: Structural Health Monitoring Techniques
Overview
This research paper investigates the prediction of shear strength in reinforced concrete (RC) T-beams, a critical aspect of structural engineering. Traditional empirical methods often fail to capture the complex, nonlinear relationships inherent in structural design variables. To address this, the authors introduce a novel machine learning approach called Levy-DT, which integrates the Decision Tree algorithm with Levy Flight, a stochastic optimization technique. This combination enhances the model’s global search capabilities, allowing it to avoid local minima and improve prediction accuracy. The study utilizes a dataset of 195 experimentally tested T-beams to train and evaluate various regression models, including the optimized Decision Tree, Random Forest, AdaBoost, K-Nearest Neighbors, Ridge Regression, and the proposed Levy-DT. The results indicate that Levy-DT significantly outperforms the other models, achieving the highest R² value of 0.982, thus demonstrating its effectiveness in addressing complex nonlinear issues in structural materials.
The paper concludes that while the traditional Decision Tree algorithm is efficient, it has limitations such as overfitting and challenges in modeling complex relationships. The incorporation of the Levy Flight mechanism into the Decision Tree framework enhances its exploration and exploitation capabilities, leading to improved generalization and predictive accuracy. The robustness of the Levy-DT model is confirmed through consistent performance across training, testing, and cross-validation phases. Additionally, the interpretability of the model is supported by SHAP analysis, which identifies key factors influencing shear strength, thereby enhancing transparency in the decision-making process. The findings underscore the potential of combining optimization techniques with machine learning for reliable structural predictions, while also suggesting avenues for future research to extend the model’s applicability to a wider range of structural elements.
Methods
In this section, the authors outline the computational methods and experimental framework employed in their study. They detail the algorithms and software tools utilized for data analysis, emphasizing their relevance in processing complex datasets. The computational approach includes numerical simulations and statistical modeling, which are critical for validating the theoretical predictions made in the research.
Additionally, the experimental framework is described, highlighting the design and setup of experiments that were conducted to gather empirical data. The authors specify the parameters measured, the conditions under which experiments were performed, and the protocols followed to ensure reproducibility and accuracy of results. This comprehensive methodology underpins the findings of the study, providing a robust basis for the conclusions drawn.
Discussion
In this study, a dataset comprising 195 results from reinforced concrete (RC) T-beam tests was analyzed to predict the ultimate shear force ($V_u$) using various machine learning (ML) techniques. The dataset includes 31 independent variables, such as geometric parameters (e.g., shear span-to-depth ratio $a/d$, web width $b$, flange width $b_f$) and reinforcement characteristics (e.g., longitudinal reinforcement ratio $\rho_{s1}$, diameter $\phi_{s1}$). A correlation matrix revealed significant relationships between $V_u$ and key variables, with the strongest positive correlations observed for beam width ($b$), height ($h$), effective depth ($d_1$), and shear depth ($d_v$), all indicating the importance of geometric dimensions in shear strength. Notably, the shear span-to-depth ratio exhibited a negative correlation with $V_u$, consistent with established engineering principles.
The research employed six ML algorithms, including Decision Trees (DT), Random Forests (RF), K-Nearest Neighbors (KNN), Ridge Regression, AdaBoost, and a novel Levy Flight-enhanced Decision Tree (Levy-DT). The Levy-DT algorithm integrates a stochastic optimization method to improve the traditional DT approach, addressing limitations such as local optima and enhancing prediction accuracy. The methodology involved data preprocessing, including imputation of missing values and feature scaling, followed by model training and evaluation using cross-validation. Sensitivity analyses identified optimal hyperparameters, revealing that the Levy parameter ($\lambda$) and maximum tree depth ($D_{max}$) significantly influenced model performance. The findings underscore the effectiveness of the Levy-DT model in predicting shear strength, demonstrating its potential for complex structural design applications.