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

Technische Zusammenfassung: Ein vergleichendes maschinelles Lern-Metaheuristik-Framework zur Optimierung des Bolzenabstands unter IS 800, Eurocode 3 und AISC

Problemstellung
Der Entwurf von verschraubten Verbindungen in Stahlkonstruktionen erfordert ein kritisches Gleichgewicht zwischen struktureller Sicherheit, Materialeffizienz und Konstruierbarkeit. Traditionell verlassen sich Ingenieure auf die vorgeschriebenen minimalen und maximalen zulässigen Abstände, die in den Design-Normen (IS 800:2007, Eurocode 3 und AISC 360-16) festgelegt sind. Diese normativen Grenzwerte führen jedoch häufig zu konservativen Entwürfen, die die Materialkosten erhöhen, ohne einen entsprechenden Sicherheitsvorteil zu bieten. Darüber hinaus befasst sich die bestehende Literatur häufig mit der Optimierung innerhalb einer einzelnen Norm oder stützt sich auf vereinfachte Fallstudien, wobei es an einem einheitlichen Framework mangelt, das prädiktive Modellierung mit Metaheuristik-Optimierung über mehrere internationale Standards hinweg integriert. Es besteht eine deutliche Wissenslücke darüber, wie der Bolzenabstand mit Versagensmodi und Materialeigenschaften interagiert, um optimale, normkonforme Designs zu erzeugen, die den Materialverbrauch minimieren und gleichzeitig die Sicherheit gewährleisten.

Methodik
Die Studie schlägt ein integriertes Framework vor, das datengesteuertes maschinelles Lernen (ML) und Metaheuristik-Optimierung kombiniert, um die optimalen Bolzenabstände zu bestimmen. Die Methodik gliedert sich in vier Phasen:

1. Datengenerierung: Ein umfassender synthetischer Datensatz von 4.500 Bolzenverbindungskonfigurationen wurde generiert. Dieser Datensatz wurde aus den spezifischen Grenzwerten und Anforderungen von IS 800, Eurocode 3 und AISC abgeleitet. Er umfasst 1.500 Konfigurationen pro Norm und beinhaltet Variablen wie Materialeigenschaften (Streckgrenze und Zugfestigkeit), geometrische Parameter (Bolzendurchmesser, Blechdicke, Randabstände), Lastbedingungen (Querkraft, Zugkraft, Moment) und Verbindungstypen. Eine gewichtete Effizienzmetrik wurde etabliert, die Sicherheit (70 %) und Materialeffizienz (30 %) priorisiert, um Konfigurationen als „Optimal“ oder „Nicht-Optimal“ zu klassifizieren.
2. Maschinelle Lernklassifizierung: Sechs ML-Algorithmen – Random Forest (RF), XGBoost, Support Vector Machine (SVM), Neuronale Netze (NN), Gradient Boosting (GB) und Logistische Regression (LR) – wurden trainiert, um optimale Abstandsklassifizierungen vorherzusagen. Die Modellleistung wurde basierend auf Genauigkeit, ROC AUC und Trainingszeit bewertet. Eine Feature-Importance-Analyse wurde durchgeführt, um die maßgeblich beeinflussenden Parameter zu identifizieren.
3. Metaheuristische Optimierung: Zwei Optimierungsalgorithmen, der Genetische Algorithmus (GA) und Simulated Annealing (SA), wurden implementiert, um die präzisen Abstandswerte zu identifizieren, die die Effizienzmetrik maximieren und gleichzeitig die Normenbeschränkungen einhalten. Beide Algorithmen wurden so konfiguriert, dass sie das Negative der Effizienzmetrik minimieren.
4. Validierung und Sensitivitätsanalyse: Die optimierten Ergebnisse wurden gegen experimentelle Daten aus aktuellen Studien validiert, um Vorhersagefehler zu berechnen. Zusätzlich wurde eine Sensitivitätsanalyse durchgeführt, bei der die Schlüsselparameter (Bolzendurchmesser, Blechdicke, Anzahl der Bolzen, Querkraft, Zugkraft) um ±30 % variiert wurden, um deren Einfluss auf den optimalen Abstand zu bestimmen.

Wichtigste Ergebnisse

• Leistung des maschinellen Lernens: Der Random Forest-Klassifikator erwies sich als das effektivste Modell mit einer Genauigkeit von 0,923 und einem ROC AUC von 0,941. XGBoost folgte dicht mit einer Genauigkeit von 0,917 und einem ROC AUC von 0,938. Die Feature-Importance-Analyse ergab, dass der Bolzendurchmesser der kritischste Parameter ist, der den Abstand beeinflusst (Wichtigkeitswert ~0,217), gefolgt von der Querkraft, der Blechdicke und der Anzahl der Bolzen.
• Optimierungsergebnisse: Sowohl GA als auch SA konvergierten zu identischen optimalen Lösungen für jede Norm, was die Konsistenz demonstriert. Der Genetische Algorithmus (GA) zeigte eine überlegene Zuverlässigkeit und geringere Fehlerraten im Vergleich zu Simulated Annealing (SA), wenn er gegen experimentelle Daten validiert wurde. Der durchschnittliche Fehler für GA betrug 8,7 %, während SA einen durchschnittlichen Fehler von 9,3 % aufwies. GA wies eine enge Fehlerverteilung auf, während SA eine höhere Varianz und signifikante Ausreißer zeigte.
• Normspezifische optimale Verhältnisse: Die Studie identifizierte unterschiedliche optimale Abstands-zu-Durchmesser-Verhältnisse (P/D) für jede Norm:
  • IS 800: 2,8–3,2
  • Eurocode 3: 2,5–2,9
  • AISC: 2,9–3,3
• Sensitivitätsbefunde: Bolzendurchmesser, Querkraft und die Anzahl der Bolzen hatten den signifikantesten Einfluss auf den optimalen Abstand. Im Gegensatz dazu hatten Blechdicke und Zugkraft innerhalb der getesteten Bereiche minimalen Einfluss. Die Analyse bestätigte, dass das Optimierungsframework über verschiedene Konstruktionsnormen hinweg robust bleibt.

Bedeutung und Beiträge
Die Arbeit behauptet, eine signifikante Forschungslücke zu schließen, indem sie ein umfassendes Framework bereitstellt, das ML-basierte Klassifizierung mit Metaheuristik-Optimierung speziell für den Entwurf des Bolzenabstands über drei große internationale Normen hinweg integriert. Die primären Beiträge sind:

1. Einheitliches Framework: Die Fähigkeit, über IS 800, Eurocode 3 und AISC zu operieren, was eine vergleichende Analyse und normspezifische Optimierung in einem einzigen System ermöglicht.
2. Praktische Designempfehlungen: Die Studie liefert handlungsleitende Richtlinien für Ingenieure, indem sie Zielwerte für den Abstand vorschlägt (z. B. ~3,0d für IS 800, ~2,7d für Eurocode 3, ~3,1d für AISC), die Sicherheit und Materialökonomie in Einklang bringen.
3. Validierung computergestützter Methoden: Durch die Validierung des Frameworks gegen experimentelle Daten zeigt die Studie, dass die Kombination aus prädiktiven ML-Modellen und GA zuverlässige, normkonforme Designs liefern kann, die den Materialverbrauch reduzieren, ohne die strukturelle Integrität zu gefährden.
4. Effizienzsteigerung: Der vorgeschlagene Ansatz bietet eine systematische Alternative zum traditionellen manuellen Entwurf, was potenziell die inhärente Konservativität der normativen Grenzwerte reduziert und die Effizienz des Entwurfs von Stahlstrukturen verbessert.

Die Autoren kommen zu dem Schluss, dass das Framework den Entwurfsprozus zwar erheblich verbessert, zukünftige Arbeiten jedoch darauf abzielen sollten, das Modell durch die Einbeziehung von mehr Variablen, anderen Versagensmechanismen und komplexeren Lastbedingungen zu erweitern, um die Genauigkeit und Anwendbarkeit weiter zu erhöhen.