⚡ electrical engineering

Development of Machine Learning Algorithms to Predict Damage Level of RC Structures Exposed to Extreme Dynamic Loads

यह अध्ययन प्रबलित कंक्रीट कॉलम (reinforced concrete columns) के विस्फोट-प्रेरित नुकसान (blast-induced damage) की भविष्यवाणी करने के लिए परिमित तत्व डेटा (finite element data) पर प्रशिक्षित पांच मशीन लर्निंग एल्गोरिदम का प्रस्ताव और मूल्यांकन करता है, जिसमें कैटबूस्ट (CatBoost) को सबसे प्रभावी मॉडल के रूप में पहचाना गया है और संरचनात्मक गहराई, चार्ज भार तथा सुदृढीकरण यील्ड स्ट्रेंथ (reinforcement yield strength) को प्राथमिक प्रभावशाली कारकों के रूप में रेखांकित किया गया है।

मूल लेखक: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

प्रकाशित 2026-07-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक सुदृढ़ कंक्रीट (RC) बिल्डिंग कॉलम की कल्पना एक मजबूत, स्टील से सुसज्जित पेड़ के तने के रूप में करें। अब, कल्पना करें कि उसके ठीक बगल में एक भीषण विस्फोट होता है। शॉकवेव (आघात तरंग) उस पेड़ से टकराती है, और बड़ा सवाल यह है: उस पेड़ को कितना नुकसान होगा? क्या उसे कुछ खरोंचें आएंगी, एक टहनी टूटेगी, या वह बीच से पूरी तरह से टूट जाएगा?

पारंपरिक रूप से, इंजीनियरों को इसका उत्तर देने के लिए प्रयोगशालाओं में महंगे, खतरनाक भौतिक मॉडल बनाने पड़ते हैं या अविश्वसनीय रूप से जटिल, धीमे कंप्यूटर सिमुलेशन चलाने पड़ते हैं जिन्हें पूरा होने में घंटों या दिन लग जाते हैं। यह ऐसा है जैसे हर बार यह जानने के लिए कि क्या बारिश होगी, एक कमरे में एक नया, पूर्ण आकार का वातावरण बनाने की कोशिश करना।

यह शोध पत्र एक स्मार्ट, तेज़ तरीका पेश करता है: मशीन लर्निंग (ML)। मशीन लर्निंग को एक बहुत ही बुद्धिमान छात्र के रूप में समझें जिसने हजारों "क्या-होगा-अगर" वाले परिदृश्यों का अध्ययन किया है और यह सीख लिया है कि विस्फोटों के प्रति ये कंक्रीट कॉलम कैसे प्रतिक्रिया देते हैं। हर बार एक नया मॉडल बनाने के बजाय, हम बस उस छात्र से पूछते हैं, "यहाँ विस्फोट और कॉलम का विवरण है; कितना नुकसान होगा?"

यहाँ बताया गया है कि उन्होंने इसे कैसे किया और उन्हें क्या मिला, सरल उपमाओं का उपयोग करते हुए:

1. प्रशिक्षण का मैदान (डेटा)

इससे पहले कि "छात्रों" (AI मॉडल) को सीखने के लिए तैयार किया जा सके, शोधकर्ताओं को अभ्यास समस्याओं की एक विशाल लाइब्रेरी बनानी पड़ी। उन्होंने वास्तविक विस्फोटों का उपयोग नहीं किया (जो खतरनाक और महंगे होते हैं); इसके बजाय, उन्होंने आभासी कॉलमों पर सैकड़ों विस्फोटों का अनुकरण करने के लिए LS-DYNA नामक एक परिष्कृत कंप्यूटर प्रोग्राम का उपयोग किया।

उन्होंने प्रत्येक परिदृश्य के लिए 10 अलग-अलग "सामग्रियों" वाला एक डेटासेट बनाया, जैसे कि:

कॉलम कितना बड़ा है (गहराई और चौड़ाई)।
कंक्रीट और स्टील कितने मजबूत हैं।
बम कितना भारी है।
बम कितनी दूर है।

2. पाँच छात्र (एल्गोरिदम)

शोधकर्ताओं ने केवल एक AI नहीं चुना; उन्होंने यह देखने के लिए कि क्षति का अनुमान लगाने में कौन सबसे अच्छा है, अलग-अलग सीखने की शैलियों वाले पांच अलग-अलग "छात्रों" को काम पर लगाया।

रैंडम फॉरेस्ट (RF): विशेषज्ञों की एक समिति की तरह। वे प्रत्येक समस्या को थोड़े अलग कोण से देखते हैं और उत्तर पर मतदान करते हैं।
LightGBM, CatBoost, और XGBoost: ये जासूसों की एक टीम की तरह हैं जो एक क्रम में काम करते हैं। पहला अनुमान लगाता है, दूसरा पहले वाले की गलतियों को देखता है और उन्हें सुधारने की कोशिश करता है, तीसरा दूसरे की गलतियों को ठीक करता है, और इसी तरह। वे हर कदम के साथ स्मार्ट होते जाते हैं।
SVM (सपोर्ट वेक्टर मशीन): यह एक सख्त रेफरी की तरह है जो "सुरक्षित" से "क्षतिग्रस्त" को अलग करने के लिए एक सीधी रेखा (या एक चिकनी वक्र रेखा) खींचने की कोशिश करता है।

3. परीक्षण (कौन जीता?)

शोधकर्ताओं ने सभी पांच छात्रों को समस्याओं का एक नया सेट दिया जिसे उन्होंने पहले कभी नहीं देखा था, ताकि यह देखा जा सके कि कौन क्षति का सबसे सटीक अनुमान लगा सकता है।

विजेता: CatBoost। यह मॉडल स्पष्ट विजेता था। यह सबसे सटीक और विश्वसनीय था। इसने विस्फोटों के जटिल और अस्त-व्यस्त पैटर्न को अन्य मॉडलों की तुलना में बेहतर ढंगм सीखा।
उपविजेता: रैंडम फॉरेस्ट (Random Forest)। यह बहुत सुसंगत और स्थिर था, हालांकि यह विजेता की तुलना में थोड़ा कम सटीक था।
संघर्ष करने वाले: XGBoost और LightGBM ठीक थे लेकिन उनके प्रदर्शन में उतार-चढ़ाव अधिक था।
हारने वाला: SVM। यह मॉडल पूरी तरह से विफल रहा। यह एक टेढ़ी-मेढ़ी रेखा को मापने के लिए स्केल (रूलर) का उपयोग करने जैसा था; विस्फोट का नुकसान इस विशिष्ट प्रकार की "सीधी-रेखा" वाली सोच के लिए बहुत अधिक अव्यवस्थित और अप्रत्याशित है।

4. वास्तव में क्या मायने रखता है? (मुख्य सामग्रियां)

विजेता मॉडल (CatBoost) ने शोधकर्ताओं को यह भी बताया कि किन "सामग्रियों" का सबसे अधिक महत्व है। यह एक शेफ की तरह है जो आपको बताता है कि कौन से मसाले व्यंजन को स्वादिष्ट बनाते हैं।

कॉलम की गहराई (सबसे बड़ा विजेता): सबसे महत्वपूर्ण कारक यह था कि कॉलम कितना "गहरा" या मोटा था। कॉलम को गहरा बनाना पेड़ के तने को मोटा करने जैसा है; यह उसे तोड़ना अविश्वसनीय रूप से कठिन बना देता है। इस एकल कारक ने क्षति के अनुमान में लगभग 38% का योगदान दिया।
बम का वजन: जाहिर है, एक बड़ा बम अधिक नुकसान पहुंचाता है, लेकिन संबंध सरल नहीं है कि "बम दोगुना तो नुकसान दोगुना"; यह थोड़ा अधिक जटिल है, लेकिन फिर भी बहुत महत्वपूर्ण है (लगभग 27%)।
स्टील की मजबूती: कंक्रीट के अंदर चलने वाली स्टील की छड़ों की मजबूती तीसरा सबसे महत्वपूर्ण कारक थी (14%)। मजबूत स्टील कंक्रीट के फटने के बाद भी कॉलम को थामे रखने में मदद करता है।

चौंकाने वाले निष्कर्ष:

कंक्रीट की मजबूती: आश्चर्यजनक रूप से, एक निश्चित बिंदु के बाद कंक्रीट को अधिक मजबूत बनाने से उम्मीद के मुताबिक ज्यादा मदद नहीं मिली। यह दरवाजे के स्टॉपर के लिए एक बहुत ही कठोर पत्थर का उपयोग करने जैसा है; एक बार जब वह पर्याप्त कठोर हो जाता है, तो उसे और अधिक कठोर बनाने से दरवाजा हिलने से नहीं रुकता।
ट्रांसवर्स सुदृढीकरण (स्टिरप्स/Stirrups): वे छोटी स्टील की कड़ियाँ जो मुख्य छड़ों को एक साथ पकड़कर रखती हैं, बहुत अधिक मायने नहीं रखती थीं यदि कॉलम पहले से ही कोड मानकों के अनुसार बनाया गया था। यह एक कार में अतिरिक्त सीटबेल्ट लगाने जैसा है जो पहले से ही अच्छी सीटबेल्ट वाली कार में है; यह दुर्घटना में परिणाम को बहुत अधिक नहीं बदलता है।

5. यह क्यों मायने रखता है

शोध पत्र निष्कर्ष निकालता है कि अब हमें हर एक डिज़ाइन के लिए धीमे, महंगे कंप्यूटर सिमुलेशन चलाने की आवश्यकता नहीं है। हम CatBoost मॉडल का उपयोग करके तुरंत भविष्यवाणी कर सकते हैं कि एक विस्फोट से कॉलम को कितना नुकसान होगा।

गति: यह तत्काल है।
सटीकता: यह इंजीनियरों को सुरक्षित इमारतें डिजाइन करने में मदद करने के लिए पर्याप्त विश्वसनीय है।
सुरक्षा: यह पहचानने में मदद करता है कि कौन सी इमारतें असुरक्षित हैं और कौन से डिज़ाइन परिवर्तन (जैसे कॉलम को गहरा करना या मजबूत स्टील का उपयोग करना) सबसे अधिक जीवन बचा सकते हैं।

संक्षेप में, शोधकर्ताओं ने इंजीनियरों के लिए एक "क्रिस्टल बॉल" (भविष्य बताने वाला गोला) बनाया है। हर बार सिमुलेशन के लिए इंतजार करने या अनुमान लगाने के बजाय, अब वे AI से पूछ सकते हैं, "यदि हम इस आकार का कॉलम और इतना स्टील बनाते हैं, और यहाँ इस आकार का बम फटता है, तो कितना नुकसान होगा?" और कुछ ही सेकंड में एक भरोसेमंद उत्तर प्राप्त कर सकते हैं।

तकनीकी सारांश: अत्यधिक गतिशील भार (Extreme Dynamic Loads) के संपर्क में आने वाली आरसी (RC) संरचनाओं के क्षति स्तर की भविष्यवाणी करने के लिए मशीन लर्निंग एल्गोरिदम का विकास

1. समस्या विवरण

आतंकवादी हमलों की बढ़ती आवृत्ति और संभावित औद्योगिक दुर्घटनाओं के कारण प्रबलित कंक्रीट (RC) संरचनाएं विस्फोटक भार (explosive loads) के प्रति अधिक संवेदनशील होती जा रही हैं। विस्फोट से होने वाले नुकसान के आकलन के लिए पारंपरिक तरीके—प्रायोगिक परीक्षण और संख्यात्मक सिमुलेशन (numerical simulations)—महत्वपूर्ण सीमाओं का सामना करते हैं। प्रयोगात्मक विश्लेषण महंगा, समय लेने वाला और गंभीर सुरक्षा जोखिम पैदा करने वाला है। इसके विपरीत, जबकि संख्यात्मक सिमुलेशन (जैसे LS-DYNA का उपयोग करके परिमित तत्व विश्लेषण/Finite Element Analysis) विस्तृत अंतर्दृष्टि प्रदान करते हैं, उनके लिए व्यापक कम्प्यूटेशनल संसाधनों और विशेषज्ञता की आवश्यकता होती है, जिससे वे त्वरित प्रारंभिक डिजाइन या बड़े पैमाने पर भेद्यता स्क्रीनिंग के लिए अव्यवहारिक हो जाते हैं।

ब्लास्ट लोडिंग के तहत आरसी कॉलम के क्षति स्तरों की भविष्यवाणी करने के लिए एक सरल, तेज़ और सटीक विधि की महत्वपूर्ण आवश्यकता है। यह अध्ययन पारंपरिक सिमुलेशन विधियों के डेटा-संचालित विकल्पों के रूप में मशीन लर्निंग (ML) एल्गोरिदम की प्रभावकारिता की जांच करके इस अंतर को संबोधित करता है।

2. कार्यप्रणाली

2.1 डेटा जनरेशन और संख्यात्मक सिमुलेशन

अनुसंधान में भौतिक प्रयोगों के बजाय संख्यात्मक सिमुलेशन के माध्यम से उत्पन्न एक व्यापक डेटासेट का उपयोग किया गया।

सॉफ्टवेयर: विस्फोट संबंधी लोडिंग के तहत आरसी कॉलम की गतिशील प्रतिक्रिया को मॉडल करने के लिए LS-DYNA का उपयोग किया गया।
मॉडल विवरण: मॉडलों ने विशिष्ट अनुदैर्ध्य (longitudinal) और अनुप्रस्थ (transverse) सुदृढीकरण के साथ आयताकार आरसी कॉलम (500×700 मिमी क्रॉस-सेक्शन, 4400 मिमी ऊंचाई) का प्रतिनिधित्व किया।
सामग्री मॉडल (Material Models):
- कंक्रीट: गैररेखीय व्यवहार, क्षति संचय और स्ट्रेन-रेट प्रभावों को पकड़ने के लिए MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3) का उपयोग किया गया।
- स्टील: MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24) का उपयोग किया गया।
- स्ट्रेन रेट: ब्लास्ट घटनाओं के दौरान विशिष्ट उच्च स्ट्रेन दरों को ध्यान में रखने के लिए दोनों कंक्रीट और स्टील के लिए CEB-FIB मॉडल कोड पर आधारित डायनेमिक इंक्रीज फैक्टर्स (DIF) लागू किए गए।
लोडिंग: कॉलम की सतह पर लागू एक सरलीकृत त्रिकोणीय दबाव-समय इतिहास (pressure-time history) का उपयोग करके ब्लास्ट लोड का अनुकरण किया गया, जिसे पीक ओवरप्रेशर और पॉजिटिव फेज ड्यूरेशन द्वारा परिभाषित किया गया था।
वैधीकरण (Validation): संख्यात्मक मॉडल को बेयलोट और बेनविस (2007) के प्रयोगात्मक डेटा के विरुद्ध मान्य किया गया, जिसने मिड-हाइट डिफ्लेक्शन और रेजिडुअल डिस्प्लेसमेंट में करीबी सहमति दिखाई।

2.2 क्षति मूल्यांकन

एक क्षति सूचकांक ( $D$ ) को कॉलम की अवशिष्ट अक्षीय भार वहन क्षमता (residual axial load-carrying capacity) के आधार पर परिभाषित किया गया था:
$D = 1 - \frac{P_{residual}}{P_d}$
जहाँ $P_{residual}$ क्षतिग्रस्त कॉलम की क्षमता है और $P_d$ बिना क्षतिग्रस्त कॉलम की क्षमता है। क्षति स्तरों को चार श्रेणियों में वर्गीकृत किया गया: निम्न ( $0 < D < 0.2$ ), मध्यम ( $0.2 < D < 0.5$ ), उच्च ( $0.5 < D < 0.8$ ), और पतन (Collapse) ( $0.8 < D < 1$ )।

2.3 मशीन लर्निंग फ्रेमवर्क

फिनिट एलीमेंट मॉडल से प्राप्त डेटासेट पर पांच अलग-अलग ML एल्गोरिदम को प्रशिक्षित और परीक्षण किया गया:

रैंडम फॉरेस्ट (RF)
लाइट ग्रेडिएंट बूस्टिंग मशीन (LightGBM)
कैटेगोरिकल बूस्टिंग (CatBoost)
एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGBoost)
सपोर्ट वेक्टर मशीन (SVM)

इनपुट फीचर्स (10 पैरामीटर):

ज्यामितीय (Geometric): कॉलम गहराई ( $D$ ), चौड़ाई ( $w$ ), ऊंचाई ( $H$ )।
सामग्री (Material): कंक्रीट संपीड़न शक्ति ( $f_c$ ), अनुदैर्ध्य स्टील यील्ड स्ट्रेंथ ( $f_y$ ), अनुप्रस्थ स्टील यील्ड स्ट्रेंथ ( $f_{yt}$ ), अनुदैर्ध्य सुदृढीकरण अनुपात ( $\rho$ ), अनुप्रस्थ सुदृढीकरण अनुपात ( $\rho_s$ )।
ब्लास्ट: चार्ज वेट ( $W$ ), स्केल्ड डिस्टेंस ( $Z$ )।

3. प्रमुख योगदान

तुलनात्मक विश्लेषण: यह अध्ययन विशेष रूप से ब्लास्ट डैमेज प्रेडिक्शन के गैररेखीय, थ्रेशोल्ड-रिच समस्या के लिए पांच अत्याधुनिक ML एल्गोरिदम का कठोर तुलनात्मक विश्लेषण प्रदान करता है।
इष्टतम एल्गोरिदम की पहचान: इसने इस विशिष्ट अनुप्रयोग के लिए CatBoost को श्रेष्ठ मॉडल के रूप में पहचाना, जो सटीकता और विश्वसनीयता के मामले में RF, XGBoost, LightGBM और SVM से बेहतर प्रदर्शन करता है।
फीचर इम्पोर्टेंस क्वांटिफिकेशन: अनुसंधान ने ज्यामितीय, सामग्री और ब्लास्ट मापदंडों के सापेक्ष प्रभाव को मापा है, जो डिजाइन अनुकूलन के लिए डेटा-संचालित अंतर्दृष्टि प्रदान करता है।
संवेदनशीलता विश्लेषण (Sensitivity Analysis): अध्ययन इनपुट वेरिएबल्स (जैसे चार्ज वेट, कॉलम गहराई) और परिणामी क्षति सूचकांक के बीच गैररेखीय संबंधों को मैप करता है, जिससे संरचनात्मक व्यवहार में महत्वपूर्ण थ्रेशोल्ड की पहचान होती है।

4. परिणाम

4.1 मॉडल प्रदर्शन

प्रदर्शन का मूल्यांकन $R^2$ , मीन स्क्वेर्ड एरर (MSE), मीन एब्सोल्यूट एरर (MAE), एक्सपलेन्ड वेरिएंस स्कोर (EVS), मीन एब्सोल्यूट परसेंटेज एरर (MAPE), और मीन स्क्वेर्ड लोगारिदमिक एरर (MSLE) का उपयोग करके किया गया।

CatBoost (Tier 1): इसने 0.7125 के $R^2$ , 1,061.09 के MAE और 17.63% के MAPE के साथ उच्चतम प्रदर्शन हासिल किया। इसने सटीकता और विश्वसनीयता का सबसे अच्छा संतुलन प्रदर्शित किया।
रैंडम फॉरेस्ट (Tier 2): इसने अच्छा प्रदर्शन ( $R^2 = 0.6274$ ) दिखाया, जिसमें उच्चतम स्थिरता ( $R^2$ में सबसे कम मानक विचलन) थी, जो इसे एक मजबूत विकल्प बनाती है।
XGBoost (Tier 2): इसने प्रतिस्पर्धी औसत सटीकता ( $R^2 = 0.6109$ ) प्राप्त की लेकिन उच्च परिवर्तनशीलता (0.2313 का मानक विचलन) प्रदर्शित की, जो डेटा स्प्लिट्स के प्रति संवेदनशीलता का सुझाव देती है।
LightGBM (Tier 3): इसने मामूली प्रदर्शन ( $R^2 = 0.5043$ ) दिया, जो संभवतः इसकी लीफ-वाइज ग्रोथ रणनीति के कारण स्थानीय पैटर्न को ओवरफिट करने के कारण हुआ।
SVM (Tier 4): इसने -0.0170 के $R^2$ के साथ पूरी तरह से विफल होकर प्रदर्शन किया, जो ब्लास्ट लोडिंग में निहित जटिल गैर-रेखीयताओं और विच्छिन्न संक्रमणों (जैसे स्थानीय क्षति से पतन तक) को पकड़ने में असमर्थता को दर्शाता है।

4.2 फीचर इम्पोर्टेंस (Feature Importance)

CatBoost मॉडल के आधार पर, क्षति भविष्यवाणी पर प्रभाव डालने वाले इनपुट मापदंडों को रैंक किया गया:

स्ट्रक्चरल एलिमेंट की गहराई ( $D$ ): 38.45% (प्रमुख कारक)।
चार्ज वेट (Charge Weight): 27.25%।
अनुदैर्ध्य सुदृढीकरण की यील्ड स्ट्रेंथ ( $f_y$ ): 14.55%।
स्केल्ड डिस्टेंस ( $Z$ ): 6.42%।
अनुप्रस्थ सुदृढीकरण अनुपात ( $\rho_s$ ): 3.04%।
अनुप्रस्थ सुदृढीकरण की यील्ड स्ट्रेंथ ( $f_{yt}$ ): 2.71%।
कंक्रीट संपीड़न शक्ति ( $f_c$ ): 2.66%।
कॉलम ऊंचाई ( $H$ ): 2.21%।
कॉलम चौड़ाई ( $w$ ): 1.78%।
अनुदैर्ध्य सुदृढीकरण अनुपात ( $\rho$ ): 0.93%।

4.3 संवेदनशीलता और थ्रेशोल्ड

गहराई (Depth): 550 मिमी और 650 मिमी के बीच एक स्पष्ट थ्रेशोल्ड मौजूद है। 600 मिमी से अधिक गहराई बढ़ाने से क्षति में कमी के मामले में मिलने वाला लाभ कम होता जाता है।
चार्ज वेट: चार्ज वेट के साथ क्षति लॉगरिदमिक रूप से बढ़ती है, और जैसे ही संरचना पूर्ण पतन के करीब पहुँचती है, यह स्थिर (plateau) हो जाती है।
कंक्रीट स्ट्रेंथ: स्ट्रेन-रेट प्रभाव (DIF) के कारण, 45 MPa से अधिक $f_c$ बढ़ाने से न्यूनतम अतिरिक्त लाभ मिलता है क्योंकि यह स्टैटिक स्ट्रेंथ के अंतर को सामान्य (normalize) कर देता है।
अनुप्रस्थ सुदृढीकरण: अध्ययन की गई सीमा के भीतर, जब तक न्यूनतम कोड आवश्यकताएं पूरी हों, अवशिष्ट अक्षीय क्षमता क्षति मीट्रिक पर अनुप्रस्थ सुदृढीकरण के बदलावों का नगण्य प्रभाव पड़ा।

5. महत्व और दावे

पेपर का दावा है कि विकसित ML मॉडल, विशेष रूप से CatBoost, ब्लास्ट लोडिंग के तहत आरसी कॉलम की संरचनात्मक क्षति और विफलता मोड की भविष्यवाणी करने के लिए एक त्वरित और सटीक उपकरण प्रदान करते हैं।

व्यावहारिक उपयोगिता: यदि उचित सुरक्षा कारक (safety factors) लागू किए जाएं, तो ये मॉडल प्रारंभिक डिजाइन और भेद्यता स्क्रीनिंग के लिए महंगे परिमित तत्व सिमुलेशन (finite element simulations) की जगह ले सकते हैं।
डिजाइन मार्गदर्शन: अध्ययन विशिष्ट, डेटा-आधारित डिजाइन सिफारिशें प्रदान करता है:
- ब्लास्ट प्रतिरोध के लिए कंक्रीट की मजबूती या अनुप्रस्थ सुदृढीकरण जोड़ने के बजाय कॉलम की गहराई बढ़ाने को प्राथमिकता दें।
- स्ट्रेन-रेट लाभों का लाभ उठाने के लिए उच्च-शक्ति वाले अनुदैर्ध्य स्टील ( $f_y \ge 500$ MPa) का उपयोग करें।
- ब्लास्ट प्रतिरोध के लिए 45 MPa से काफी अधिक कंक्रीट स्ट्रेंथ निर्दिष्ट करने से बचें, क्योंकि इसमें मामूली लाभ कम है।
- साइट प्लानिंग के दौरान प्राथमिक सुरक्षात्मक उपाय के रूप में स्केल्ड डिस्टेंस (स्टैंडऑफ) पर ध्यान केंद्रित करें।

लेखक निष्कर्ष निकालते हैं कि हालांकि ये मॉडल उपयोग किए गए पैरामीटर रेंज और संख्यात्मक सिमुलेशन डेटा तक सीमित हैं, फिर भी वे कुशल, डेटा-संचालित ब्लास्ट-रेसिस्टेंट डिजाइन की दिशा में एक महत्वपूर्ण कदम हैं। अध्ययन स्पष्ट रूप से उपयोग किए गए रेंज से परे सार्वभौमिक प्रयोज्यता का दावा करने से बचता है और सुझाव देता है कि भविष्य के कार्यों में प्रयोगात्मक डेटा को शामिल किया जाना चाहिए और अन्य संरचनात्मक तत्वों तक विस्तार किया जाना चाहिए।