Modelos de aprendizaje automático explicables y programación de expresión génica para predecir la capacidad de...

Área de la Ciencia:

• Ingeniería Estructural
• Mecánica Computacional
• Ingeniería de Seguridad contra Incendios

Sus antecedentes:

• Las vigas de hormigón armado (RC) son componentes estructurales críticos.
• Evaluar su capacidad de momento en condiciones de incendio es esencial para la seguridad.
• Los métodos existentes pueden carecer de precisión o eficiencia en escenarios de incendio.

Objetivo del estudio:

• Desarrollar y evaluar modelos computacionales novedosos para estimar la capacidad de momento (M_r) de vigas de RC expuestas al fuego.
• Comparar el rendimiento de la Programación de Expresión Génica (GEP) con varios algoritmos de Aprendizaje Automático (ML).

Principales métodos:

• Se utilizó una base de datos de 280 muestras para entrenamiento y validación.
• Se emplearon modelos GEP y ML que incluyen XGBoost, AdaBoost y LightGBM.
• Los parámetros de entrada incluyeron propiedades geométricas, detalles de refuerzo, duración del incendio y resistencia del hormigón.
• Se evaluó el rendimiento utilizando MAE, MSE, RMSE, R² y gradientes de regresión.
• Se utilizó el análisis SHAP para la interpretabilidad del modelo.

Principales resultados:

• Los modelos GEP y ML demostraron alta precisión en la predicción de M_r.
• XGBoost exhibió un rendimiento superior con el mejor R² y las tasas de error más bajas.
• El análisis SHAP proporcionó información sobre los parámetros influyentes para las predicciones de XGBoost.

Conclusiones:

• Los enfoques GEP y ML propuestos ofrecen métodos precisos y fiables para estimar la capacidad de momento de vigas de RC bajo fuego.
• Estas herramientas computacionales pueden ayudar en el diseño y la evaluación de la seguridad contra incendios de estructuras de hormigón armado.