Metaheuristic-Optimized Machine Learning Models for Predicting Shear Strength of Circular Concrete-Filled Steel Tubes with SHAP-Based and PDP Interpretability

Stellen Sie sich vor, Sie bauen einen Wolkenkratzer oder eine massive Brücke. Um diese Giganten gegen Wind, Erdbeben und schweren Verkehr aufrecht zu halten, wenden Ingenieure oft einen klugen Trick an: Sie gießen Beton in ein hohles Stahlrohr. Stellen Sie es sich wie eine mit Schokolade überzogene Marshmallow vor, aber statt einer weichen Leckerei haben Sie eine superstarke Stahlschale, die einen Betonkern umschließt. Der Stahl verhindert, dass der Beton reißt, und der Beton verhindert, dass der Stahl einknickt, wodurch ein Supermaterial entsteht, das unglaubliche Lasten tragen kann. Dies wird als Beton gefülltes Stahlrohr (Concrete-Filled Steel Tube, CFST) bezeichnet.

Es gibt jedoch eine heimtückische Gefahr bei diesen Strukturen. Obwohl sie hervorragend darin sind, schwere Lasten von oben zu tragen, können sie plötzlich seitlich wegbrechen, wenn sie zu stark von der Seite gedrückt werden. Dies wird als „Scherversagen“ bezeichnet, und es geschieht so schnell, dass Gebäude keine Chance haben, Sie zu warnen, bevor sie in sich zusammenbrechen. Jahrzehntelang haben Ingenieure versucht, genau vorherzusagen, wie viel Kraft diese Rohre aushalten können, bevor sie brechen, indem sie komplexe mathematische Formeln verwenden. Aber diese alten Formeln sind wie der Versuch, das Wetter anhand einer einzelnen Wolke vorherzusagen; sie übersehen oft die komplizierten Arten, wie Stahl und Beton miteinander interagieren. Deshalb wenden sich Wissenschaftler nun dem „maschinellen Lernen“ zu – Computerprogrammen, die aus vergangenen Experimenten lernen, um Muster zu finden, die Menschen vielleicht übersehen. Die große Frage ist: Kann ein Computer das Geheimrezept für ein sicheres, unzerstörbares Rohr besser lernen als die alten Mathematikbücher?

Diese Arbeit taucht in diese Frage ein, indem sie vier verschiedene Computer-„Gehirne“ lehrt, die Scherfestigkeit von kreisförmigen, betongefüllten Stahlrohren vorherzusagen. Die Forscher sammelten Daten aus 230 vergangenen Experimenten, vergleichbar mit einem Koch, der 230 verschiedene Rezepte für den perfekten Kuchen sammelt. Diese Daten fütterten sie dann in vier intelligente Modelle: zwei, die eine Methode namens „Particle Swarm Optimization“ verwenden (die wie ein Vogelschwarm funktioniert, der nach der besten Nahrungsquelle sucht), und zwei, die „Bayesian Optimization“ nutzen (die wie ein Detektiv agiert, der durch fundierte Vermutungen ein Rätsel löst). Diese Modelle wurden mit zwei verschiedenen Lernstilen kombiniert: „Random Forest“ (das viele Fragen stellt und den Durchschnitt einer Antwort nimmt) und „CatBoost“ (ein superschneller Lerner, der sehr gut mit unordentlichen Daten umgehen kann).

Die Ergebnisse waren aufregend. Die Computermodelle haben nicht nur geraten; sie haben die Muster mit unglaublicher Präzision gelernt. Das beste Modell war eine Kombination namens „BO-Cat“ (Bayesian Optimization mit CatBoost). In der Testphase, in der das Modell mit neuen, bisher nicht gesehenen Daten konfrontiert wurde, erreichte es einen Genauigkeitswert (R²) von 0,9817. Um dies einzuordnen: Wenn der perfekte Wert 1,0 ist, war dieses Modell fast punktgenau. Das zweitbeste Modell, „PSO-Cat“, leistete ebenfalls eine fantastische Arbeit mit einem Wert von 0,9874. Die Arbeit zeigt explizit, dass diese intelligenten Modelle weit besser sind als die traditionellen, altmodischen mathematischen Formeln, die oft mit dem komplexen, nicht-linearen Tanz zwischen Stahl und Beton zu kämpfen haben.

Doch die Forscher wollten nicht nur eine „Black Box“, die Antworten liefert, ohne zu erklären, warum. Sie wollten wissen, warum der Computer diese Vorhersagen trifft. Mithunter einem Werkzeug namens SHAP (das wie ein Scheinwerfer fungiert und hervorhebt, welche Zutaten am wichtigsten waren), entdeckten sie, dass die bedeutendsten Faktoren die Größe des Betonkerns und die Größe des Stahlrohrs waren. Interessanterweise spielte auch das Verhältnis von der Länge zur Breite des Rohrs eine große Rolle, während die spezifische Festigkeit des Stahls oder Betons weniger wichtig war, als man vielleicht denken würde. Das Team baute sogar eine einfache „Graphical User Interface“ (ein benutzerfreundliches App-ähnliches Werkzeug), damit jeder Ingenieur seine Zahlen eingeben und sofort eine sichere Vorhersage erhalten kann, inklusive einer Erklärung, was zu diesem Wert geführt hat.

Kurz gesagt deutet diese Studie darauf hin, dass wir durch die Kombination von intelligenten Suchalgorithmen mit leistungsstarken Lernmodellen die Sicherheit dieser kritischen Bauelemente viel genauer als je zuvor vorhersagen können. Die Arbeit bestätigt, dass die neuen Modelle zuverlässig sind, wobei die BO-Cat- und PSO-Cat-Modelle sich als die vertrauenswürdigsten Wegweiser für die Konstruktion sichererer, stärkerer Strukturen erweisen. Während die Arbeit anmerkt, dass mehr Daten und andere Arten von Rohren diese Modelle in Zukunft noch besser machen könnten, bieten die aktuellen Ergebnisse ein leistungsstarkes neues Werkzeug, um unsere Brücken und Gebäude aufrecht zu halten.