Pronóstico de la capacidad de carga final de los conectores de pernos de corte desmontables mediante técnicas de...

Área de la Ciencia:

• Ingeniería estructural
• Mecánica computacional
• Ciencias de los materiales

Sus antecedentes:

• Los conectores de corte desmontables son cruciales para las estructuras compuestas de acero y hormigón.
• La predicción de su capacidad de carga final es esencial para la seguridad estructural y la optimización del diseño.
• Los métodos de predicción existentes pueden carecer de precisión o eficiencia.

Objetivo del estudio:

• Investigar la eficacia de varios algoritmos de aprendizaje automático (ML) para predecir la capacidad de carga final de los conectores de corte desmontables.
• Identificar los parámetros más influyentes que afectan el rendimiento del conector de cizallamiento.
• Para comparar el rendimiento predictivo de diferentes modelos de aprendizaje automático.

Principales métodos:

• Se compiló un conjunto de datos de 239 registros experimentales y numéricos.
• Se evaluaron ocho algoritmos supervisados de ML: Regresión Lineal, Ridge, Lasso, KNN, SVR, Árbol de Decisión, Bosque Aleatorio y XGBoost.
• El rendimiento se evaluó utilizando métricas R2, MAE y MSE, con análisis SHAP para la importancia de las características.

Principales resultados:

• Los modelos XGBoost y Random Forest demostraron una precisión predictiva superior (R2 de 0,9477 y 0,9255, respectivamente).
• El diámetro del perno, la resistencia final del acero y la fricción entre el perno y el hormigón se identificaron como los predictores más significativos.
• Los mapas de calor de importancia de las características corroboraron los hallazgos del análisis SHAP.

Conclusiones:

• Los modelos avanzados de ML, particularmente XGBoost y Random Forest, ofrecen un enfoque confiable para predecir la capacidad del conector de corte desmontable.
• La comprensión de las características clave influyentes puede guiar la selección de materiales y las mejoras de diseño.
• Se necesita más investigación para abordar el desequilibrio de los datos y mejorar la generalización del modelo.