機械学習技術を使用して,取り外し可能なシールストッドコネクタの最終負荷能力の予測

科学分野:

• 構造工学
• 計算力学
• 材料科学

背景:

• 脱落可能な切断コネクタは,鉄筋コンクリート複合構造に不可欠です.
• 構造の安全性と設計の最適化のために,それらの最終的な負荷能力を予測することが不可欠です.
• 既存の予測方法には 精度や効率が欠けているかもしれません

研究 の 目的:

• 各種の機械学習 (ML) アルゴリズムの有効性を調査し,取り外し可能なシェアコネクタの最終負荷量を予測する.
• 切断コネクタの性能に影響を与える最も影響力のあるパラメータを特定する.
• 異なるMLモデルの予測性能を比較する.

主な方法:

• 239の実験的および数学的記録のデータセットが作成されました.
• 8つの監督MLアルゴリズムが評価されました. 線形回帰,リッジ,ラッソ,KNN,SVR,決定ツリー,ランダムフォレスト,XGBoost.
• 性能はR2,MAE,MSEの指標を用いて評価され,特徴の重要性についてはSHAP分析が行われた.

主要な成果:

• XGBoostとランダムフォレストモデルは,優れた予測精度を示した (R2はそれぞれ0. 9477と0. 9255).
• ボルトの直径,鋼の最終的な強さ,ボルトとコンクリートの摩擦が最も重要な予測要因として特定されました.
• 特徴の重要性のヒートマップは,SHAP分析の結果を裏付けました.

結論:

• 先進的なMLモデル,特にXGBoostとRandom Forestは,取り外し可能なシェアコネクタの容量を予測するための信頼できるアプローチを提供します.
• 重要な影響力を理解することで 素材の選択やデザインの改善を導くことができます
• データの不均衡に対処し,モデルの一般化性を高めるためにさらなる研究が必要である.