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

Résumé Technique : Un cadre métaheuristique d'apprentissage automatique (ML) comparatif pour l'optimisation du pas des boulons selon l'IS 800, l'Eurocode 3 et l'AISC

Énoncé du Problème
La conception des assemblages boulonnés dans les structures en acier nécessite un équilibre critique entre la sécurité structurelle, l'efficacité des matériaux et la constructibilité. Traditionnellement, les ingénieurs s'appuient sur les distances de pas minimales et maximales prescrites par les codes de conception (IS 800:2007, Eurocode 3 et AISC 360-16). Cependant, ces limites prescrites par les codes mènent souvent à des conceptions conservatrices qui augmentent les coûts de matériaux sans offrir d'avantages de sécurité proportionnels. De plus, la littérature existante traite fréquemment de l'optimisation au sein d'un seul code ou repose sur des études de cas simplifiées, manquant d'un cadre unifié qui intègre la modélisation prédictive et l'optimisation métaheuristique à travers plusieurs normes internationales. Il existe une lacune distincte dans la compréhension de la manière dont l'espacement des boulons interagit avec les modes de rupture et les caractéristiques des matériaux pour produire des conceptions optimales et conformes aux codes, tout en minimisant l'utilisation de matériaux et en garantissant la sécurité.

Méthodologie
L'étude propose un cadre intégré combinant l'apprentissage automatique (ML) fondé sur les données et l'optimisation métaheuristique pour déterminer les distances optimales du pas des boulons. La méthodologie se déroule en quatre phases distinctes :

1. Génération de Données : Un ensemble de données synthétiques complet de 4 500 configurations de connexions boulonnées a été généré. Cet ensemble de données a été dérivé des limites et exigences spécifiques de l'IS 800, de l'Eurocode 3 et de l'AISC. Il comprend 1 500 configurations par code, incorporant des variables telles que les propriétés des matériaux (limite d'élasticité et résistance ultime), les paramètres géométriques (diamètre du boulon, épaisseur de la plaque, distances aux bords), les conditions de chargement (cisaillement, traction, moment) et les types de connexion. Une métrique d'efficacité pondérée a été établie, privilégiant la sécurité (70 %) et l'efficacité des matériaux (30 %), pour classer les configurations comme « Optimales » ou « Non-Optimales ».
2. Classification par Apprentissage Automatique : Six algorithmes de ML — Random Forest (RF), XGBoost, Support Vector Machine (SVM), Réseaux de Neurones (NN), Gradient Boosting (GB) et Régression Logistique (LR) — ont été entraînés pour prédire les classifications de pas optimales. La performance des modèles a été évaluée en fonction de l'exactitude, de l'AUC ROC et du temps d'entraînement. Une analyse de l'importance des caractéristiques a été menée pour identifier les paramètres influents clés.
3. Optimisation Métaheuristique : Deux algorithmes d'optimisation, l'Algorithme Génétique (GA) et le Recuit Simulé (SA), ont été implémentés pour identifier les valeurs de pas précises qui maximisent la métrique d'efficacité tout en respectant les contraintes des codes. Les deux algorithmes ont été configurés pour minimiser le négatif de la métrique d'efficacité.
4. Validation et Analyse de Sensibilité : Les résultats optimisés ont été validés par rapport à des données expérimentales issues d'études récentes pour calculer les erreurs de prédiction. De plus, une analyse de sensibilité a été réalisée en faisant varier les paramètres clés (diamètre du boulon, épaisseur de la plaque, nombre de boulons, charge de cisaillement, charge de traction) de ±30 % pour déterminer leur influence sur le pas optimal.

Résultats Clés

• Performance de l'Apprentissage Automatique : Le classificateur Random Forest est apparu comme le modèle le plus efficace, atteignant une exactitude de 0,923 et un AUC ROC de 0,941. XGBoost suit de près avec une exactitude de 0,917 et un AUC ROC de 0,938. L'analyse de l'importance des caractéristiques a révélé que le diamètre du boulon est le paramètre le plus critique influençant la distance du pas (valeur d'importance ~0,2 de 0,217), suivi de la charge de cisaillement, de l'épaisseur de la plaque et du nombre de boulons.
• Résultats d'Optimisation : Le GA et le SA ont tous deux convergé vers des solutions optimales identiques pour chaque code, démontrant une cohérence. L'Algorithme Génétique (GA) a démontré une fiabilité supérieure et des taux d'erreur plus faibles par rapport au Recuit Simulé (SA) lors de la validation par rapport aux données expérimentales. L'erreur moyenne pour le GA était de 8,7 %, tandis que le SA présentait une erreur de 9,3 %. Le GA présentait une distribution d'erreur étroite, tandis que le SA présentait une variance plus élevée et des valeurs aberrantes significatives.
• Ratios Optimaux Spécifiques aux Codes : L'étude a identifié des ratios de pas par rapport au diamètre (P/D) distincts pour chaque code :
  • IS 800 : 2,8–3,2
  • Eurocode 3 : 2,5–2,9
  • AISC : 2,9–3,3
• Constats de Sensibilité : Le diamètre du boulon, la charge de cisaillement et le nombre de boulons ont été identifiés comme ayant l'impact le plus significatif sur le pas optimal. Inversement, l'épaisseur de la plaque et la charge de traction ont eu une influence minimale dans les plages testées. L'analyse a confirmé que le cadre d'optimisation reste robuste à travers les différents codes de conception.

Signification et Contributions
L'article affirme combler une lacune de recherche importante en fournissant un cadre complet qui intègre la classification par ML avec l'optimisation métaheuristique, spécifiquement pour la conception du pas des connexions boulonnées à travers trois codes internationaux majeurs. Les principales contributions sont :

1. Cadre Unifié : La capacité de fonctionner sur l'IS 800, l'Eurocode 3 et l'AISC, permettant une analyse comparative et une optimisation spécifique à chaque code dans un système unique.
2. Recommandations de Conception Pratiques : L'étude fournit des directives exploitables pour les ingénieurs, suggérant des valeurs de pas cibles (ex. : ~3,0d pour l'IS 800, ~2,7d pour l'Eurocode 3, ~3,1d pour l'AISC) qui équilibrent la sécurité et l'économie des matériaux.
3. Validation des Méthodes Computationnelles : En validant le cadre par rapport à des données expérimentales, l'étude démontre que la combinaison de modèles prédictifs de ML avec le GA peut produire des conceptions fiables et conformes aux codes qui réduisent l'utilisation de matériaux sans compromettre l'intégrité structurelle.
4. Amélioration de l'Efficacité : L'approche proposée offre une alternative systématique à la conception manuelle traditionnelle, pouvant potentiellement réduire le conservatisme inhérent aux limites prescrites par les codes et améliorer l'efficacité de la conception des structures en acier.

Les auteurs concluent que, bien que le cadre améliore considérablement le processus de conception, les travaux futurs devraient viser à élargir le modèle pour inclure plus de variables, différents mécanismes de rupture et des conditions de chargement complexes afin d'améliorer davantage la précision et l'applicabilité.