Development of Design-Oriented Bond Strength Equations for FRP Bars Embedded in Concrete Exposed to Elevated Temperatures Using Explainable Machine Learning
यह अध्ययन उच्च तापमान के तहत कंक्रीट में FRP बार बॉन्ड स्ट्रेंथ की सटीक भविष्यवाणी करने के लिए एक हाइब्रिड WOA–ETR मशीन लर्निंग मॉडल विकसित करता है, प्रमुख प्रभावशाली कारकों की पहचान करने के लिए SHAP विश्लेषण का लाभ उठाता है, और इन अंतर्दृष्टि के आधार पर मजबूत, भौतिक रूप से व्याख्या योग्य डिजाइन समीकरण व्युत्पन्न करता है।
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
कंक्रीट आधुनिक बुनियादी ढांचे की रीढ़ है, लेकिन इसके भीतर छिपे स्टील के बार (सरिए) समय के साथ जंग खा सकते हैं और कमजोर हो सकते हैं, विशेष रूप से कठोर, नमकीन या आर्द्र वातावरण में। इस समस्या को हल करने के लिए, इंजीनियरों ने फाइबर-रीइन्फोर्स्ड पॉलीमर बार की ओर रुख किया है, जो एक प्रकार का सुदृढीकरण है जिसे एक मजबूत प्लास्टिक रेजिन के भीतर फंसाए गए मजबूत रेशों से बनाया जाता है। ये बार जंग नहीं खाते, स्टील की तुलना में हल्के होते हैं, और इनमें बिजली का संचालन नहीं होता, जो इन्हें संक्षारक परिस्थितियों में पुलों और इमारतों के लिए आदर्श बनाता है। हालांकि, इन प्लास्टिक-आधारित बारों में एक गंभीर कमजोरी है: वे गर्मी के प्रति संवेदनशील होते हैं। उच्च तापमान के संपर्क में आने पर, रेशों को एक साथ जोड़ने वाला रेजिन नरम होकर खराब हो सकता है, ठीक वैसे ही जैसे मोमबत्ती का मोम सूरज की रोशनी में अपना आकार खो देता है। यह कोमलता बार और आसपास के कंक्रीट के बीच महत्वपूर्ण पकड़, या बॉन्ड (bond), को कमजोर कर देती है। यदि यह बॉन्ड विफल हो जाता है, तो संरचना अपनी मजबूती खो सकती है, फिर भी आग या गर्मी के संपर्क में आने के बाद कितनी पकड़ शेष रहती है, इसका सटीक अनुमान लगाना इंजीनियरों के लिए एक कठिन पपली रहा है।
शोधकर्ताओं की एक टीम ने पारंपरिक इंजीनियरिंग डेटा को उन्नत कंप्यूटर लर्निंग के साथ जोड़कर इस पहेली को सुलझाने का प्रयास किया। उन्होंने 132 वास्तविक दुनिया के प्रयोगों का एक विशाल संग्रह एकत्र किया जहाँ इन पॉलीमर बार को विभिन्न तापमानों (कमरे के तापमान से लेकर 600 डिग्री सेल्सियस तक) पर गर्म करने के बाद कंक्रीट के ब्लॉकों से बाहर निकाला गया था। लक्ष्य इन परिस्थितियों में बॉन्ड की मजबूती का सटीक अनुमान लगाने का एक विश्वसनीय तरीका खोजना था। सरल सूत्रों पर निर्भर रहने के बजाय, जो अक्सर स्थिति की जटिलता को समझने में चूक जाते हैं, शोधकर्ताओं ने एक परिष्कृत कंप्यूटर मॉडल का उपयोग किया। उन्होंने इस मॉडल को 'एक्स्ट्रा ट्रीज़ रिग्रेशन' (extra trees regression) नामक तकनीक का उपयोग करके प्रशिक्षित किया, जो डेटा में पैटर्न खोजने के लिए कई निर्णय लेने वाले पेड़ों (decision-making trees) का निर्माण करता है, और फिर इसे 'व्हेल ऑप्टिमाइज़ेशन एल्गोरिदम' (whale optimization algorithm) का उपयोग करके परिष्कृत किया। यह दूसरा चरण एक स्मार्ट सर्च इंजन की तरह कार्य करता है, जो मॉडल की सेटिंग्स को लगातार समायोजित करता है ताकि परिणामों की सबसे सटीक भविष्यवाणी की जा सके, जो हंपबैक व्हेल के समन्वित समूहों में शिकार करने के तरीके की नकल करता है।
कंप्यूटर मॉडल उल्लेखनीय रूप से सटीक साबित हुआ, जिसने 94.2 प्रतिशत परीक्षण मामलों में बॉन्ड की मजबूती की सही भविष्यवाणी की। इससे भी महत्वपूर्ण बात यह है कि शोधकर्ता केवल एक ऐसा "ब्लैक बॉक्स" नहीं चाहते थे जो बिना किसी स्पष्टीकरण के उत्तर दे दे। उन्होंने मॉडल के भीतर झांकने और यह समझने के लिए विशेष उपकरणों का उपयोग किया कि कौन से कारक सबसे अधिक महत्वपूर्ण थे। उन्होंने पाया कि जिस तापमान पर बार को उजागर किया गया था, वह सबसे महत्वपूर्ण कारक था, जिसके बाद बार की सतह की बनावट (texture) और बार को कितना कंक्रीट कवर करता है, का स्थान आता है। जबकि पारंपरिक इंजीनियरिंग ज्ञान अक्सर स्वयं कंक्रीट की मजबूती पर जोर देता है, इस अध्ययन ने दिखाया कि इन विशिष्ट बारों के लिए उच्च गर्मी में, तापमान और बार की सतह की बनावट कहीं अधिक निर्णायक थे। मॉडल ने यह भी खुलासा किया कि कंक्रीट में दबे बार की लंबाई बॉन्ड के व्यवहार को अलग-अलग तरीकों से बदल देती है, जिससे पता चलता है कि एक एकल सूत्र हर स्थिति का वर्णन नहीं कर सकता।
इन निष्कर्षों को वास्तविक दुनिया के डिजाइन के लिए उपयोगी बनाने के लिए, शोधकर्ताओं ने कंप्यूटर की अंतर्दृष्टि को स्पष्ट, व्यावहारिक समीकरणों में अनुवादित किया। उन्होंने महसूस किया कि चूंकि बॉन्ड का व्यवहार इस बात पर निर्भर करता है कि बार कंक्रीट में कितनी लंबी दबी हुई है, इसलिए उन्हें डेटा को तीन समूहों में विभाजित करने की आवश्यकता थी: छोटी, मध्यम और लंबी एम्बेडमेंट लंबाई (embedment length)। सबसे छोटे बार के लिए, उन्होंने डेटा को बार की सतह की बनावट के आधार पर और अधिक विभाजित किया, जैसे कि क्या वह सैंड-कोटेड (रेत-लेपित) है या रिब्ड (धारियों वाला) है। प्रत्येक विशिष्ट परिदृश्य के लिए अलग-अलग समीकरण बनाकर, उन्होंने ऐसे सूत्र तैयार किए जो लगभग निष्पक्ष (unbiased) थे, जिसका अर्थ है कि अनुमानित मान वास्तविक प्रयोगात्मक परिणामों के लगभग समान थे। ये नए समीकरण इंजीनियरों को सुरक्षित संरचनाओं को डिजाइन करने के लिए एक पारदर्शी और विश्वसनीय उपकरण प्रदान करते हैं जो उच्च तापमान का सामना कर सकें, जिससे जटिल मशीन लर्निंग और व्यावहारिक निर्माण सुरक्षा के बीच की खाई को पाटा जा सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।