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

तकनीकी सारांश: IS 800, यूरोकोड 3, और AISC के तहत बोल्ट पिच अनुकूलन के लिए एक तुलनात्मक मशीन लर्निंग (ML) मेटाहेयुरिस्टिक फ्रेमवर्क

समस्या विवरण
स्टील संरचनाओं में बोल्टेड कनेक्शनों का डिज़ाइन संरचनात्मक सुरक्षा, सामग्री दक्षता और निर्माण क्षमता के बीच एक महत्वपूर्ण संतुलन की मांग करता है। पारंपरिक रूप से, इंजीनियर डिज़ाइन कोड (IS 800:2007, यूरोकोड 3, और AISC 360-16) द्वारा निर्धारित न्यूनतम और अधिकतम अनुमत पिच दूरियों पर भरोसा करते हैं। हालांकि, ये कोड-निर्धारित सीमाएं अक्सर रूढ़िवादी डिज़ाइन की ओर ले जाती हैं, जो बिना किसी तुलनीय सुरक्षा लाभ के सामग्री लागत को बढ़ा देती हैं। इसके अलावा, मौजूदा साहित्य अक्सर एकल कोड के भीतर अनुकूलन को संबोधित करता है या सरलीकृत केस स्टडीज पर निर्भर करता है, जिसमें कई अंतर्राष्ट्रीय मानकों में प्रिडिक्टिव मॉडलिंग के साथ मेटाहेयुरिस्टिक अनुकूलन को एकीकृत करने वाले एक एकीकृत फ्रेमवर्क का अभाव है। इस बात की समझ में एक स्पष्ट अंतर है कि बोल्ट स्पेसिंग (spacing), विफलता मोड (failure modes) और सामग्री की विशेषताओं के साथ कैसे परस्पर क्रिया करती है ताकि सुरक्षित रहते हुए सामग्री के उपयोग को कम करने वाले कोड-अनुपालन डिज़ाइन प्राप्त किए जा सकें।

कार्यप्रणाली
यह अध्ययन बोल्ट पिच दूरियों को निर्धारित करने के लिए डेटा-संचालित मशीन लर्निंग (ML) और मेटाहेयुरिस्टिक अनुकूलन को संयोजित करने वाला एक एकीकृत फ्रेमवर्क प्रस्तावित करता है। कार्यप्रणाली चार विशिष्ट चरणों में आगे बढ़ती है:

1. डेटा जनरेशन: 4,500 बोल्टेड कनेक्शन कॉन्फ़िगरेशन का एक व्यापक सिंथेटिक डेटासेट तैयार किया गया। यह डेटासेट IS 800, यूरोकोड 3, और AISC की विशिष्ट सीमाओं और आवश्यकताओं से प्राप्त किया गया था। इसमें प्रत्येक कोड के लिए 1,500 कॉन्फ़िगरेशन शामिल हैं, जिसमें सामग्री के गुण (यील्ड और अल्टीमेट स्ट्रेंथ), ज्यामितीय पैरामीटर (बोल्ट व्यास, प्लेट मोटाई, एज डिस्टेंस), लोडिंग स्थितियाँ (शियर, टेंशन, मोमेंट), और कनेक्शन के प्रकार जैसे चर शामिल हैं। एक भारित दक्षता मीट्रिक (weighted efficiency metric) स्थापित किया गया, जिसने सुरक्षा (70%) और सामग्री दक्षता (30%) को प्राथमिकता देते हुए कॉन्फ़िगरेशन को "इष्टतम" (Optimal) या "गैर-इष्टतम" (Non-Optimal) के रूप में वर्गीकृत किया।
2. मशीन लर्निंग वर्गीकरण: छह ML एल्गोरिदम—रैंडम फॉरेस्ट (RF), XGBoost, सपोर्ट वेक्टर मशीन (SVM), न्यूरल नेटवर्क (NN), ग्रेडिएंट बूस्टिंग (GB), और लॉजिस्टिक रिग्रेशन (LR)—को इष्टतम पिच वर्गीकरणों की भविष्यवाणी करने के लिए प्रशिक्षित किया गया। मॉडल के प्रदर्शन का मूल्यांकन सटीकता (accuracy), ROC AUC, और प्रशिक्षण समय के आधार पर किया गया। प्रमुख प्रभावशाली मापदंडों की पहचान करने के लिए फीचर इम्पॉर्टेंस विश्लेषण किया गया।
3. मेटाहेयुरिस्टिक अनुकूलन: प्रत्येक कोड के लिए दक्षता मीट्रिक को अधिकतम करने और कोड बाधाओं का पालन करने के लिए सटीक पिच मानों की पहचान करने हेतु दो अनुकूलन एल्गोरिदम, जेनेटिक एल्गोरिदम (GA) और सिम्युलेटेड एनीलिंग (SA) को लागू किया गया। दोनों एल्गोरिदम को दक्षता मीट्रिक के ऋणात्मक (negative) को कम करने के लिए कॉन्फ़िगर किया गया था।
4. सत्यापन और संवेदनशीलता विश्लेषण: अनुकूलित परिणामों को हाल के अध्ययनों के प्रयोगात्मक डेटा के विरुद्ध सत्यापित किया गया ताकि भविष्यवाणी त्रुटियों की गणना की जा सके। इसके अतिरिक्त, अनुकूलित पिच पर प्रभाव निर्धारित करने के लिए प्रमुख मापदंडों (बोल्ट व्यास, प्लेट मोटाई, बोल्ट की संख्या, शियर लोड, टेंशन लोड) को ±30% तक बदलकर एक संवेदनशीलता विश्लेषण किया गया।

प्रमुख परिणाम

• मशीन लर्निंग प्रदर्शन: रैंडम फॉरेस्ट क्लासिफायर सबसे प्रभावी मॉडल के रूप में उभरा, जिसने 0.923 की सटीकता और 0.941 का ROC AUC प्राप्त किया। XGBoost 0.917 की सटीकता और 0.938 के ROC AUC के साथ निकट से पीछे रहा। फीचर इम्पॉर्टेंस विश्लेषण से पता चला कि बोल्ट व्यास सबसे महत्वपूर्ण पैरामीटर है जो पिच दूरी को प्रभावित करता है (महत्व मान ~0.217), जिसके बाद शियर लोड, प्लेट मोटाई और बोल्ट की संख्या का स्थान आता है।
• अनुकूलन परिणाम: GA और SA दोनों प्रत्येक कोड के लिए समान इष्टतम समाधानों पर अभिसरित (converge) हुए, जो निरंतरता प्रदर्शित करते हैं। प्रयोगात्मक डेटा के विरुद्ध सत्यापन के दौरान, जेनेटिक एल्गोरिदम (GA) ने सिम्युलेटेड एनीलिंग (SA) की तुलना में बेहतर विश्वसनीयता और कम त्रुटि दर प्रदर्शित की। GA के लिए औसत त्रुटि 8.7% थी, जबकि SA के लिए यह 9.3% थी। GA ने एक संकीर्ण त्रुटि वितरण दिखाया, जबकि SA ने उच्च भिन्नता (variance) और महत्वपूर्ण आउटलेयर्स (outliers) प्रदर्शित किए।
• कोड-विशिष्ट इष्टतम अनुपात: अध्ययन ने प्रत्येक कोड के लिए विशिष्ट इष्टतम पिच-टू-डायमीटर (P/D) अनुपात की पहचान की:
  • IS 800: 2.8–3.2
  • Eurocode 3: 2.5–2.9
  • AISC: 2.9–3.3
• संवेदनशीलता निष्कर्ष: बोल्ट व्यास, शियर लोड और बोल्ट की संख्या को इष्टतम पिच पर सबसे महत्वपूर्ण प्रभाव डालने वाला पाया गया। इसके विपरीत, प्लेट की मोटाई और टेंशन लोड का परीक्षण की गई श्रेणियों के भीतर न्यूनतम प्रभाव पड़ा। विश्लेषण ने पुष्टि की कि अनुकूलन फ्रेमवर्क विभिन्न डिज़ाइन कोडों के बीच सुदृढ़ (robust) बना रहता है।

महत्व और योगदान
यह शोध पत्र दावा करता है कि वह तीन प्रमुख अंतर्राष्ट्रीय कोडों के तहत बोल्टेड कनेक्शन पिच डिज़ाइन के लिए ML-आधारित वर्गीकरण के साथ मेटाहेयुरिस्टिक अनुकूलन को एकीकृत करने वाले एक व्यापक फ्रेमवर्क के माध्यम से एक महत्वपूर्ण शोध अंतराल को संबोधित करता है। इसके प्राथमिक योगदान निम्नलिखित हैं:

1. एकीकृत फ्रेमवर्क: IS 800, यूरोकोड 3, और AISC पर कार्य करने की क्षमता, जो एक ही सिस्टम में तुलनात्मक विश्लेषण और कोड-विशिष्ट अनुकूलन को सक्षम बनाती है।
2. व्यावहारिक डिज़ाइन अनुशंसाएँ: यह अध्ययन इंजीनियरों को लक्षित पिच मान (जैसे, IS 800 के लिए ~3.0d, यूरोकोड 3 के लिए ~2.7d, AISC के लिए ~3.1d) सुझाकर व्यावहारिक दिशा-निर्देश प्रदान करता है जो सुरक्षा और सामग्री अर्थव्यवस्था के बीच संतुलन बनाते हैं।
3. कम्प्यूटेशनल विधियों का सत्यापन: प्रयोगात्मक डेटा के विरुद्ध अपने फ्रेमवर्क को सत्यापित करके, यह अध्ययन प्रदर्शित करता है कि प्रिडिक्टिव ML मॉडल को GA के साथ संयोजित करके विश्वसनीय, कोड-अनुपालन डिज़ाइन प्राप्त किए जा सकते हैं जो संरचनात्मक अखंडता से समझौता किए बिना सामग्री के उपयोग को कम करते हैं।
4. दक्षता में सुधार: प्रस्तावित दृष्टिकोण पारंपरिक मैनुअल डिज़ाइन के लिए एक व्यवस्थित विकल्प प्रदान करता है, जो कोड-निर्धारित सीमाओं में निहित रूढ़िवादिता को कम करने और स्टील संरचना के डिज़ाइन की दक्षता में सुधार करने की क्षमता रखता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह फ्रेमवर्क डिज़ाइन प्रक्रिया में महत्वपूर्ण सुधार करता है, भविष्य के कार्यों को सटीकता और प्रयोज्यता को और बढ़ाने के लिए अधिक वेरिएबल्स, विभिन्न विफलता तंत्रों और जटिल लोडिंग स्थितियों को शामिल करने के लिए मॉडल को व्यापक बनाने पर ध्यान केंद्रित करना चाहिए।