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

Resumen Técnico: Un Marco de Metaheurística de Aprendizaje Automático (ML) Comparativo para la Optimización del Paso de Pernos bajo IS 800, Eurocódigo 3 y AISC

Planteamiento del Problema
El diseño de conexiones atornilladas en estructuras de acero requiere un equilibrio crítico entre la seguridad estructural, la eficiencia de los materiales y la constructibilidad. Tradicionalmente, los ingenieros dependen de los límites mínimos y máximos de distancia de paso prescritos por los códigos de diseño (IS 800:2007, Eurocódigo 3 y AISC 360-16). Sin embargo, estos límites prescritos por los códigos a menudo conducen a diseños conservadores que aumentan los costos de materiales sin proporcionar ventajas de seguridad proporcionales. Además, la literatura existente aborda frecuentemente la optimización dentro de un solo código o se basa en casos de estudio simplificados, careciendo de un marco unificado que integre el modelado predictivo con la optimización metaheurística a través de múltiples estándares internacionales. Existe una brecha distintiva en la comprensión de cómo el espaciamiento de los pernos interactúa con los modos de falla y las características de los materiales para producir diseños óptimos y conformes a los códigos que minimicen el uso de material garantizando al mismo tiempo la seguridad.

Metodología
El estudio propone un marco integrado que combina el aprendizaje automático (ML) basado en datos y la optimización metaheurística para determinar las distancias óptimas del paso de los pernos. La metodología se desarrolla a través de cuatro fases distintas:

1. Generación de Datos: Se generó un conjunto de datos sintéticos exhaustivo de 4,500 configuraciones de conexiones atornilladas. Este conjunto de datos se derivó de los límites y requisitos específicos de IS 800, Eurocódigo 3 y AISC. Incluye 1,500 configuraciones por código, incorporando variables como propiedades de los materiales (resistencia de fluencia y última), parámetros geométricos (diámetro del perno, espesor de la placa, distancias al borde), condiciones de carga (cizalladura, tensión, momento) y tipos de conexión. Se estableció una métrica de eficiencia ponderada, priorizando la seguridad (70%) y la eficiencia de los materiales (30%), para clasificar las configuraciones como "Óptimas" o "No Óptimas".
2. Clasificación por Aprendizaje Automático: Se entrenaron seis algoritmos de ML—Random Forest (RF), XGBoost, Máquina de Vectores de Soporte (SVM), Redes Neuronales (NN), Gradient Boosting (GB) y Regresión Logística (LR)—para predecir las clasificaciones de paso óptimo. El rendimiento del modelo se evaluó basándose en la precisión, el área bajo la curva ROC (ROC AUC) y el tiempo de entrenamiento. Se realizó un análisis de importancia de características para identificar los parámetros influyentes clave.
3. Optimización Metaheurística: Se implementaron dos algoritmos de optimización, el Algoritmo Genético (GA) y el Recocido Simulado (SA), para identificar los valores precisos de paso que maximizan la métrica de eficiencia cumpliendo con las restricciones del código. Ambos algoritmos se configuraron para minimizar el negativo de la métrica de eficiencia.
4. Validación y Análisis de Sensibilidad: Los resultados optimizados se validaron contra datos experimentales de estudios recientes para calcular los errores de predicción. Además, se realizó un análisis de sensibilidad variando los parámetros clave (diámetro del perno, espesor de la placa, número de pernos, carga de cizalladura, carga de tensión) en ±30% para determinar su influencia en el paso óptimo.

Resultos Clave

• Rendimiento del Aprendizaje Automático: El clasificador Random Forest surgió como el modelo más efectivo, logrando una precisión de 0.923 y un ROC AUC de 0.941. XGBoost le siguió de cerca con una precisión de 0.917 y un ROC AUC de 0.938. El análisis de importancia de características reveló que el diámetro del perno es el parámetro más crítico que influye en la distancia del paso (valor de importancia ~0.217), seguido de la carga de cizalladura, el espesor de la placa y el número de pernos.
• Resultados de la Optimización: Tanto el GA como el SA convergieron a soluciones óptimas idénticas para cada código, demostrando consistencia. El Algoritmo Genético (GA) demostró una fiabilidad superior y tasas de error más bajas en comparación con el Recocido Simulado (SA) al ser validado contra datos experimentales. El error promedio para el GA fue de 8.7%, mientras que el SA arrojó un error promedio de 9.3%. El GA mostró una distribución de error estrecha, mientras que el SA exhibió una mayor varianza y valores atípicos significativos.
• Relaciones Óptimas Específicas por Código: El estudio identificó distintas relaciones óptimas de paso-diámetro (P/D) para cada código:
  • IS 800: 2.8–3.2
  • Eurocódigo 3: 2.5–2.9
  • AISC: 2.9–3.3
• Hallazgos de Sensibilidad: El diámetro del perno, la carga de cizalladura y el número de pernos resultaron tener el impacto más significativo en el paso óptimo. Por el contrario, el espesor de la placa y la carga de tensión tuvieron una influencia mínima dentro de los rangos probados. El análisis confirmó que el marco de optimización es robusto a través de diferentes códigos de diseño.

Significancia y Contribuciones
El artículo afirma abordar una brecha de investigación significativa al proporcionar un marco integral que integra la clasificación basada en ML con la optimización metaheurística específicamente para el diseño del paso de conexiones atornilladas a través de tres de los principales códigos internacionales. Las contribuciones primarias incluyen:

1. Marco Unificado: La capacidad de operar a través de IS 800, Eurocódigo 3 y AISC, permitiendo el análisis comparativo y la optimización específica de cada código en un solo sistema.
2. Recomendaciones de Diseño Prácticas: El estudio proporciona directrices accionables para los ingenieros, sugiriendo valores de paso objetivo (por ejemplo, ~3.0d para IS 800, ~2.7d para Eurocódigo 3, ~3.1d para AISC) que equilibran la seguridad y la economía de materiales.
3. Validación de Métodos Computacionales: Al validar el marco contra datos experimentales, el estudio demuestra que la combinación de modelos predictivos de ML con GA puede producir diseños confiables y conformes a los códigos que reducen el uso de materiales sin comprometer la integridad estructural.
4. Mejora de la Eficiencia: El enfoque propuesto ofrece una alternativa sistemática al diseño manual tradicional, lo que potencialmente reduce el conservadurismo inherente a los límites prescritos por los códigos y mejora la eficiencia del diseño de estructuras de acero.

Los autores concluyen que, si bien el marco mejora significativamente el proceso de diseño, el trabajo futuro debería apuntar a ampliar el modelo para incluir más variables, diferentes mecanismos de falla y condiciones de carga complejas para mejorar aún más la precisión y la aplicabilidad.