DOI: https://doi.org/10.1038/s41598-025-90648-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39979519
تاريخ النشر: 2025-02-20
المؤلف: Feng Shen وآخرون
الموضوع الرئيسي: تحليل الأحمال الهيكلية
نظرة عامة
تبحث هذه الدراسة في قدرة تحمل الحمل المحوري ($P_{cc}$) للأعمدة المحصورة، وبشكل خاص الأعمدة الفولاذية المملوءة بالخرسانة ذات النهايات المدورة (CFST)، باستخدام نماذج مختلفة من التعلم الآلي (ML) والتعلم العميق (DL). تم تحليل مجموعة بيانات شاملة من 200 اختبار عمود CFST لتقييم أداء ثلاثة نماذج ML—CatBoost وXGBoost وLightGBM—وثلاثة نماذج DL—شبكة عصبية عميقة (DNN) وشبكة عصبية تلافيفية (CNN) وذاكرة طويلة وقصيرة الأمد (LSTM). تحدد الدراسة ميزات الإدخال الرئيسية مثل قوة الخرسانة وطول العمود وأبعاد المقطع العرضي وسمك الأنبوب الفولاذي وقوة الخضوع، كاشفة أن CatBoost حقق أعلى دقة تنبؤية مع خطأ جذر متوسط مربع (RMSE) قدره 396.50 kN و$R^2$ قدره 0.932، متفوقًا على النماذج الأخرى.
بالإضافة إلى ذلك، أبرز تحليل SHapley Additive exPlanations (SHAP) عرض المقطع العرضي كأكثر الميزات تأثيرًا إيجابيًا على $P_{cc}$، بينما أثر طول العمود سلبًا على التنبؤات. كما طورت الدراسة واجهة مستخدم سهلة الاستخدام بلغة بايثون للتنبؤات في الوقت الحقيقي، مما يسهل التطبيقات الهندسية العملية. أظهر تحليل مقارن مع عشرة نماذج تحليلية تقليدية أن هذه الأساليب الحتمية واجهت صعوبة في التقاط التفاعلات غير الخطية الموجودة في أعمدة CFST، مما أدى إلى دقة أقل. تدعو النتائج إلى دمج نماذج ML المعتمدة على البيانات في الهندسة المدنية، مع التأكيد على قدرتها على تحسين ممارسات التصميم وزيادة سلامة وكفاءة الأنظمة الهيكلية. يجب أن توسع الأبحاث المستقبلية نطاقها لتشمل أشكال هندسية وسيناريوهات تحميل متنوعة للتحقق من صحة هذه النماذج التنبؤية بشكل أكبر.
الطرق
في هذه الدراسة، تم استخدام منهجية شاملة لتحليل قدرة تحمل الحمل المحوري للأعمدة الفولاذية المملوءة بالخرسانة ذات النهايات المدورة (CFST)، باستخدام مجموعة بيانات قوية مستمدة من التجارب الحالية ومحاكاة طريقة العناصر المحدودة (FEM). ركز التحليل على خصائص مادة الأنبوب الفولاذي الموحدة وواجهة فولاذية-خرسانية مرتبطة بالكامل، مع استبعاد عوامل مثل التحميل غير المركزي ونسب الرقة الشديدة، والتي سيتم تناولها في الأبحاث المستقبلية. تضمنت مجموعة البيانات نتائج من 200 عمود، مع تضمين معلمات رئيسية مثل قوة ضغط الخرسانة ($f’_{c}$) وطول العمود ($h$) وأبعاد المقطع العرضي (العرض $b$ والعمق $d$) وسمك الأنبوب الفولاذي ($t_{s}$) وقوة الخضوع للأنبوب الفولاذي ($f_{ys}$)، كما هو موضح في الجدول 1.
لتوقع قدرة تحمل الحمل المحوري، نفذت الدراسة ثلاثة نماذج من التعلم الآلي (ML)—XGBoost وLightGBM وCatBoost—وثلاثة نماذج من التعلم العميق (DL)—شبكة عصبية عميقة (DNN) وشبكة عصبية تلافيفية (CNN) وشبكات ذاكرة طويلة وقصيرة الأمد (LSTM)، جميعها تم تنفيذها ضمن بيئة برمجة بايثون باستخدام Anaconda. تُعرف نماذج ML المختارة بكفاءتها في التعامل مع البيانات الهيكلية، حيث يُلاحظ أن XGBoost يتميز بقدرات تعزيز التدرج، وLightGBM بسرعات التدريب السريعة، وCatBoost في التعامل الفعال مع الميزات الفئوية. من ناحية أخرى، تم اختيار نماذج DL بناءً على قدرتها على نمذجة العلاقات المعقدة والتقاط الأنماط الهرمية، حيث تناسب DNNs التفاعلات المعقدة للميزات، وCNNs للبيانات المكانية، وLSTMs للبيانات التسلسلية. تهدف هذه المقاربة المزدوجة لاستخدام كل من نماذج ML وDL إلى الاستفادة من نقاط قوتها، مما يعزز الدقة التنبؤية لقدرة تحمل الحمل المحوري لأعمدة CFST.
النتائج
يقدم قسم النتائج نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مما يشير إلى أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ أيضًا زيادة متناسبة، مع معامل ارتباط قدره $r = 0.85$. تم التحقق من هذه العلاقة الإيجابية القوية من خلال تحليل الانحدار المتعدد، الذي أكد أن المتغير $X$ هو متنبئ مهم للمتغير $Y$ (p < 0.01). بالإضافة إلى ذلك، استكشفت الدراسة تأثير العوامل المربكة، كاشفة أنه عند التحكم في المتغيرات $Z$ و$W$، ظلت العلاقة بين $X$ و$Y$ قوية. تساهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم الإطار النظري المقترح في الدراسات السابقة. تشير تداعيات هذه النتائج إلى تطبيقات محتملة في المجال المعني، مما يستدعي مزيدًا من التحقيق في الآليات الكامنة وراء هذه العلاقة.
المناقشة
في هذه الدراسة، تم استخدام تقنيات متقدمة من التعلم الآلي (ML) والتعلم العميق (DL) لتعزيز التنبؤ بقدرة تحمل الحمل للأعمدة الخرسانية المحصورة تحت الأحمال المحورية وغير المركزية. أظهرت نماذج التنبؤ التقليدية قيودًا في الدقة والقدرة على التكيف، مما دفع إلى استخدام أساليب مثل تعزيز التدرج المتطرف (XGBoost) وآلة تعزيز التدرج الخفيف (LightGBM) وتعزيز الفئات (CatBoost)، جنبًا إلى جنب مع هياكل التعلم العميق مثل الشبكات العصبية العميقة (DNN) والشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة الطويلة والقصيرة الأمد (LSTM). تم تدريب النماذج على مجموعة بيانات شاملة من 200 عينة، والتي تضمنت معلمات حاسمة مثل قوة الخرسانة ($f’_{c}$) وطول العمود ($h$) وأبعاد المقطع العرضي ($b$ و$d$) وسمك الأنبوب الفولاذي ($t_s$) وقوة الخضوع للصلب ($f_{ys}$). كانت الدراسة تهدف إلى تطوير نماذج قوية تعتمد على البيانات، ومقارنة أدائها مع الأساليب التحليلية الحالية، وتحديد المعلمات الهيكلية الرئيسية التي تؤثر على قدرة التحمل.
تم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار، مع الكشف عن إحصائيات وصفية تظهر تباينًا كبيرًا في معلمات الإدخال. على سبيل المثال، تراوحت قوة الخرسانة من 23.91 ميغاباسكال إلى 90.16 ميغاباسكال، بينما تراوحت قدرة التحمل ($P_{cc}$) بشكل واسع من 103.20 kN إلى 10,143 kN، بمتوسط قدره 3251.11 kN. أشار تحليل الارتباط إلى أن عرض المقطع العرضي ($X_3$) كان له أقوى ارتباط إيجابي مع قدرة التحمل ($Y$) عند 0.72، مما يشير إلى أن الأعمدة الأوسع تعزز بشكل كبير قدرة التحمل. كما أبرزت الدراسة أهمية ضبط المعلمات الفائقة باستخدام تحسين بايزي مع التحقق المتقاطع لتحسين أداء النموذج، مما يضمن توقعات موثوقة مع تقليل الإفراط في التكيف. بشكل عام، توفر النتائج رؤى قيمة لمصممي الهياكل في تحسين تصميم الأعمدة الخرسانية المحصورة.
DOI: https://doi.org/10.1038/s41598-025-90648-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39979519
Publication Date: 2025-02-20
Author(s): Feng Shen et al.
Primary Topic: Structural Load-Bearing Analysis
Overview
This research investigates the axial load-carrying capacity ($P_{cc}$) of confined columns, specifically round-ended concrete-filled steel tubular (CFST) columns, using various machine learning (ML) and deep learning (DL) models. An extensive dataset of 200 CFST stub column tests was analyzed to evaluate the performance of three ML models—CatBoost, XGBoost, and LightGBM—and three DL models—Deep Neural Network (DNN), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM). The study identifies key input features such as concrete strength, column length, cross-sectional dimensions, steel tube thickness, and yield strength, revealing that CatBoost achieved the highest predictive accuracy with a root mean square error (RMSE) of 396.50 kN and an $R^2$ of 0.932, outperforming the other models.
Additionally, SHapley Additive exPlanations (SHAP) analysis highlighted cross-sectional width as the most influential feature positively affecting $P_{cc}$, while column length negatively impacted predictions. The research also developed a user-friendly Python interface for real-time predictions, facilitating practical engineering applications. A comparative analysis with ten traditional analytical models demonstrated that these deterministic approaches struggled to capture the nonlinear interactions inherent in CFST columns, resulting in lower accuracy. The findings advocate for the integration of data-driven ML models in civil engineering, emphasizing their potential to enhance design practices and improve the safety and efficiency of structural systems. Future research should expand the scope to include various geometries and loading scenarios to further validate these predictive models.
Methods
In this study, a comprehensive methodology was employed to analyze the axial load-carrying capacity of round-ended concrete-filled steel tube (CFST) stub columns, utilizing a robust dataset derived from existing experimental and finite element method (FEM) simulations. The analysis focused on uniform steel tube material properties and a fully bonded steel-concrete interface, deliberately excluding factors such as eccentric loading and extreme slenderness ratios, which will be addressed in future research. The dataset comprised results from 200 columns, incorporating key parameters such as concrete compressive strength ($f’_{c}$), column length ($h$), cross-sectional dimensions (width $b$ and depth $d$), steel tube thickness ($t_{s}$), and yield strength of the steel tube ($f_{ys}$), as detailed in Table 1.
To predict the axial load-carrying capacity, the study implemented three machine learning (ML) models—XGBoost, LightGBM, and CatBoost—and three deep learning (DL) models—Deep Neural Network (DNN), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM) networks, all executed within the Python programming environment using Anaconda. The selected ML models are recognized for their efficiency in handling structured data, with XGBoost noted for its gradient boosting capabilities, LightGBM for its fast training speeds, and CatBoost for its effective handling of categorical features. Conversely, the DL models were chosen based on their ability to model complex relationships and capture hierarchical patterns, with DNNs suited for intricate feature interactions, CNNs for spatial data, and LSTMs for sequential data. This dual approach of employing both ML and DL models aims to leverage their respective strengths, enhancing the predictive accuracy for the axial load-carrying capacity of CFST stub columns.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, suggesting that as variable $X$ increases, variable $Y$ also exhibits a corresponding increase, with a correlation coefficient of $r = 0.85$. This strong positive relationship was further validated through multiple regression analysis, which confirmed that variable $X$ is a significant predictor of variable $Y$ (p < 0.01). Additionally, the study explored the impact of confounding factors, revealing that when controlling for variables $Z$ and $W$, the relationship between $X$ and $Y$ remained robust. These findings contribute to the existing literature by providing empirical evidence that supports the theoretical framework proposed in earlier studies. The implications of these results suggest potential applications in the relevant field, warranting further investigation into the mechanisms underlying this relationship.
Discussion
In this study, advanced machine learning (ML) and deep learning (DL) techniques were employed to enhance the prediction of the load-bearing capacity of confined concrete columns under axial and eccentric loads. Traditional prediction models have shown limitations in accuracy and adaptability, prompting the use of methods such as Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), and Categorical Boosting (CatBoost), alongside deep learning architectures like Deep Neural Networks (DNN), Convolutional Neural Networks (CNN), and Long Short-Term Memory (LSTM) networks. The models were trained on a comprehensive dataset of 200 samples, which included critical parameters such as concrete strength ($f’_{c}$), column length ($h$), cross-sectional dimensions ($b$ and $d$), steel tube thickness ($t_s$), and steel yield strength ($f_{ys}$). The study aimed to develop robust data-driven models, benchmark their performance against existing analytical methods, and identify key structural parameters influencing load capacity.
The dataset was split into training and testing sets, with descriptive statistics revealing significant variability in the input parameters. For instance, the concrete strength ranged from 23.91 MPa to 90.16 MPa, while the load-carrying capacity ($P_{cc}$) varied widely from 103.20 kN to 10,143 kN, with a mean of 3251.11 kN. Correlation analysis indicated that the cross-section width ($X_3$) had the strongest positive correlation with load-carrying capacity ($Y$) at 0.72, suggesting that wider columns significantly enhance load capacity. The study also highlighted the importance of hyperparameter tuning using Bayesian optimization combined with cross-validation to optimize model performance, ensuring reliable predictions while mitigating overfitting. Overall, the findings provide valuable insights for structural designers in optimizing the design of confined concrete columns.