پیش بینی مولفه های زوال ستون های بتن مسلح با استفاده از روش های یادگیری ماشین

یکی از مولفه‌های کلیدی در تعیین عملکرد سازه، مولفه‌های زوال هستند. در نوشتار حاضر، به پیش‌بینی مولفه‌های زوال ستون‌های بتن مسلح توسط مدل‌های یادگیری ماشین پرداخته شده است. برای این منظور از 255 داده‌ی آزمایشگاهی مربوط به ستون‌های بتن مسلح از سال 1973 تا 2002، برای پیش‌بینی با روش‌های مختلف یادگیری ماشین انتخاب شده‌اند، که دچار سه نوع شکست: خمشی، برشی و خمشی برشی بوده‌اند. در ادامه، عملکرد روش‌های یادگیری ماشین، شامل: آدابوست، شبکه‌ی عصبی مصنوعی (a‌n‌n) و جنگل تصادفی (r‌f) با هم مقایسه شده‌اند. در این راستا، تحلیل‌های دقیق توسط نرم‌افزار پایتون بررسی شدند و نتایج به دست آمده نشان دادند که مدل جنگل تصادفی دارای دقتی برابر 91٪ برای پیش‌بینی چرخش خمیری بعد از تسلیم 81%θp، برای چرخش خمیری از نقطه‌ی زوال مقاومت تا نقطه‌ی صفر مقاومت (θp‌c) و 88٪ برای ظرفیت استهلاک انرژی نرمالایز شده (λ) نسبت به سایر الگوریتم‌ها بوده است. در ضمن، مدل جنگل تصادفی، نسبت به مدل‌های تحلیلی، بهبود پیش‌بینی قابل ملاحظه‌یی در تعیین مولفه‌های زوال داشته است.

prediction of deterioration components in reinforcement concrete columns using machine learning techniques

new performance-based design approaches in earthquake engineering aim to accurately and transparently assess the risk of loss of life and structural damage. advanced analytical models are used to determine the performance of structures, with one of the key components being the deterioration of structural members under seismic loads. multilinear backbone curves are commonly used in regulations and software to simplify the behavior of members subjected to seismic loads, including the deterioration components. this paper proposes using machine learning models to predict the deterioration components of reinforced concrete (rc) columns. a dataset of 255 experimental data from 1973 to 2002 is used to predict the deterioration components using different machine learning methods. the rc columns have three failure modes: bending, shearing, and bending-shearing. the deterioration components predicted by the analytical relationships are compared with the results obtained from machine learning methods. the dataset includes 14 features as model inputs and 3 features as outputs. the paper examines three algorithms for predictions: adaboost, artificial neural network (ann), and random forest (rf). the analysis is conducted using python software. the results show that the random forest model has an accuracy rate of 91% for the plastic chord rotations from yield to cap , 81% for post-capping plastic-rotation capacity from the cap to point of zero strength , and 88% for normalized energy dissipation capacity compared to other algorithms. also, the results obtained from the predicting models have considerable accuracy compared to analytical relationships. compared to analytical models, the random forest model has significantly been improved in terms of root mean square error (rmse), mean absolute error (mae) and coefficient determination (r2). these improvement are 79% , 75.3% and 46.5% in (r2), 63.7% , 48.5% and 86.7 in (rmse), 64% , 92% and 89.4% in (mae).the results showed that the random forest model has been significantly improved the accuracy of determination of deterioration components compared with analytical models.