A Comparative Machine Learning (ML) Metaheuristic Framework for Bolt Pitch Optimization under IS 800, Eurocode 3, and AISC

ملخص تقني: إطار عمل مقارن للتعلم الآلي (ML) والتحسين الميتاهيورستي (Metaheuristic) لضبط خطوة البراغي تحت معايير IS 800 وEurocode 3 وAISC

بيان المشكلة
يتطلب تصميم الوصلات المبرغمة في المنشآت الفولاذية توازناً حرجاً بين السلامة الإنشائية، وكفاءة المواد، وقابلية التنفيذ. تقليدياً، يعتمد المهندسون على الحد الأدنى والحد الأقصى لمسافات الخطوة (pitch) المسموح بها كما تنص عليها أكواد التصميم (IS 800:2007، وEurocode 3، وAISC 360-16). ومع ذلك، فإن هذه الحدود التي تفرضها الأكواد غالباً ما تؤدي إلى تصميمات متحفظة تزيد من تكاليف المواد دون توفير مزايا سلامة موازية. علاوة على ذلك، تتناول الأدبيات الحالية غالباً التحسين ضمن كود واحد أو تعتمد على دراسات حالة مبسطة، مما يفتقر إلى إطار عمل موحد يدمج النمذجة التنبؤية مع التحسين الميتاهيورستي عبر معايير دولية متعددة. هناك فجوة واضحة في فهم كيفية تفاعل تباعد البراغي مع أنماط الفشل وخصائص المواد لإنتاج تصميمات مثالية ومتوافقة مع الأكود، تقلل من استخدام المواد مع ضمان السلامة.

المنهجية
تقترح الدراسة إطار عمل متكامل يجمع بين التعلم الآلي القائم على البيانات (ML) والتحسين الميتاهيورستي (Metaheuristic) لتحديد مسافات خطوة البراغي المثلى. تمر المنهجية عبر أربع مراحل متميزة:

1. توليد البيانات: تم إنشاء مجموعة بيانات اصطناعية شاملة مكونة من 4,500 تكوين للوصلات المبرغمة. استُمدت هذه المجموعة من المتطلبات والحدود المحددة لكل من IS 800 وEurocode 3 وAISC. وتتضمن 1,500 تكويناً لكل كود، تشمل متغيرات مثل الخصائص المادية (إجهاد الخضوع وإجهاد الكسر)، والمعايير الهندسية (قطر البرغي، سمك اللوح، المسافات الطرفية)، وظروف التحميل (القص، الشد، العزم)، وأنواع الوصلات. تم وضع مقياس كفاءة مرجح، يعطي الأولوية للسلامة (70%) وكفاءة المواد (30%)، لتصنيف التكوينات كـ "مثالية" أو "غير مثالية".
2. التصنيف باستخدام التعلم الآلي: تم تدريب ست خوارزميات للتعلم الآلي وهي: الغابة العشوائية (RF)، وXGBoost، وآلة ناقلات الدعم (SVM)، والشبكات العصبية (NN)، وتعزيز التدرج (GB)، والانحدار اللوجستي (LR)، للتنبؤ بتصنيفات الخطوة المثلى. تم تقييم أداء النماذج بناءً على الدقة، ومنحنى خصائص التشغيل (ROC AUC)، ووقت التدريب. كما أُجري تحليل لأهمية الميزات لتحديد المعايير الرئيسية المؤثرة.
3. التحسين الميتاهيورستي: تم تنفيذ خوارزميتين للتحسين، وهما الخوارزمية الجينية (GA) والتلدين المحاكي (SA)، لتحديد قيم الخطوة الدقيقة التي ترفع مقياس الكفاءة إلى أقصى حد مع الالتزام بقيود الكود. تم ضبط كلتا الخوارقتين لتقليل (سالب) مقياس الكفاءة.
4. التحقق وتحليل الحساسية: تم التحقق من النتائج المُحسّنة مقابل البيانات التجريبية من الدراسات الحديثة لحساب أخطاء التنبؤ. بالإضافة إلى ذلك، أُجري تحليل حساسية عبر تغيير المعايب الرئيسية (قطر البرغي، سمك اللوح، عدد البراغي، حمل القص، حمل الشد) بنسبة ±30% لتحديد تأثيرها على الخطوة المثلى.

النتائج الرئيسية

• أداء التعلم الآلي: برز مصنف الغابة العشوائية (Random Forest) كأكثر النماذح فعالية، حيث حقق دقة قدرها 0.923 ومنحنى ROC AUC قدره 0.941. وجاء XGBoost في المرتبة الثانية بدقة 0.917 وROC AUC قدره 0.938. كشف تحليل أهمية الميزات أن قطر البرغي هو المعيار الأكثر حرجاً في التأثير على مسافة الخطوة (قيمة الأهمية ~0.217)، يليه حمل القص، ثم سمك اللوح، وعدد البراغي.
• نتائج التحسين: وصلت كل من الخوارزمية الجينية (GA) والتلدين المحاكي (SA) إلى حلول مثلى متطابقة لكل كود، مما أظهر الاتساق. أظهرت الخوارزمية الجينية (GA) موثوقية أعلى ومعدلات خطأ أقل مقارنة بالتلدين المحاكي (SA) عند التحقق منها مقابل البيانات التجريبية. بلغ متوسط الخطأ لـ GA نسبة 8.7%، بينما سجل SA نسبة 9.3%. أظهرت GA توزيعاً ضيقاً للخطأ، بينما أظهرت SA تبايناً أعلى وانحرافات كبيرة.
• النسب المثلى الخاصة بكل كود: حددت الدراسة نسب الخطوة إلى القطر (P/D) المثلى لكل كود:
  • IS 800: يتراوح بين 2.8–3.2
  • Eurocode 3: يتراوح بين 2.5–2.9
  • AISC: يتراوح بين 2.9–3.3
• نتائج الحساسية: وُجد أن قطر البرغي، وحمل القص، وعدد البراغي هي الأكثر تأثيراً على الخطوة المثلى. وعلى العكس من ذلك، كان لسمك اللوح وحمل الشد تأثير ضئيل ضمن النطاقات المختبرة. وأكد التحليل أن إطار عمل التحسين يظل قوياً عبر مختلف أكواد التصميم.

الأهمية والمساهمات
تدعي الورقة أنها تعالج فجوة بحثية كبيرة من خلال توفير إطار عمل شامل يدمج التصنيف القائم على التعلم الآلي مع التحسين الميتاهيورستي، وتحديداً لتصميم خطوة الوصلات المبرغمة عبر ثلاثة أكود دولية رئيسية. وتشمل المساهمات الأساسية ما يلي:

1. إطار عمل موحد: القدرة على العمل عبر IS 800 وEurocode 3 وAISC، مما يتيح التحليل المقارن والتحسين الخاص بكل كود في نظام واحد.
2. توصيات تصميم عملية: توفر الدراسة إرشادات قابلة للتطبيق للمهندسين، تقترح قيم الخطوة المستهدفة (على سبيل المثال، 3.0d لـ IS 800، و2.7d لـ Eurocode 3، و~3.1d لـ AISC) التي توازن بين السلامة واقتصاد المواد.
3. التحقق من الطرق الحسابية: من خلال التحقق من إطار العمل مقابل البيانات التجريبية، تثبت الدراسة أن الجمع بين نماذج التعلم الآلي التنبؤية والخوارزمية الجينية (GA) يمكن أن ينتج تصميمات موثوقة ومتوافقة مع الأكود تقلل من استخدام المواد دون المساس بالسلامة الإنشائية.
4. تحسين الكفاءة: يقدم النهج المقترح بديلاً منهجياً للتصميم اليدوي التقليدي، مما قد يقلل من التحفظ المتأصل في الحدود التي تفرضها الأكواد ويحسن كفاءة تصميم المنشآت الفولاذية.

يخلص المؤلفون إلى أنه بينما يحسن إطار العمل عملية التصميم بشكل كبير، يجب أن يهدف العمل المستقبلي إلى توسيع النموذج ليشمل المزيد من المتغيرات، وآليات الفشل المختلفة، وظروف التحميل المعقدة لتعزيز الدقة والقابلية للتطبيق.