⚡ electrical engineering

A Physics-Informed Machine Learning Approach for Predicting Punching Shear Strength of Reinforced Concrete Flat Slabs

यह अध्ययन एक व्याख्यात्मक, भौतिकी-सूचित मशीन लर्निंग ढांचे का प्रस्ताव करता है जो प्रबलित कंक्रीट फ्लैट स्लैब की पंचिंग शियर स्ट्रेंथ (punching shear strength) की भविष्यवाणी करने के लिए एक अत्यधिक सटीक और पारदर्शी पावर-लॉ समीकरण प्राप्त करने हेतु लॉगरिदमिक ट्रांसफॉर्मेशन के साथ XGBoost रिग्रेशन को जोड़ता है, जो संरचनात्मक इंजीनियरों के लिए व्यावहारिक उपयोगिता बनाए रखते हुए पारंपरिक ACI 318-19 प्रावधानों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Aaqib Ali, Aslam Faqeer Mohammad

प्रकाशित 2026-08-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aaqib Ali, Aslam Faqeer Mohammad

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

आधुनिक निर्माण की दुनिया में, अपार्टमेंट इमारतों से लेकर पार्किंग गैरेज तक, सब कुछ के लिए फ्लैट कंक्रीट फर्श एक सामान्य विकल्प हैं। वे एक साफ, खुला रूप प्रदान करते हैं और आंतरिक लेआउट को लचीला बनाने की अनुमति देते हैं, लेकिन वे एक छिपी हुई संरचनात्मक चुनौती के साथ आते हैं। जब एक भारी भार फर्श पर दबाव डालता है, तो बल को चौड़े स्लैब से उस संकीर्ण कॉलम तक जाना पड़ता है जो उसे सहारा दे रहा है। इस जंक्शन पर, कंक्रीट तीव्र, स्थानीयकृत तनाव (stress) के अधीन होता है जो इसे अचानक और बिना किसी चेतावनी के विफल कर सकता है। इस प्रकार की विफलता, जिसे पंचिंग शियर (punching shear) कहा जाता है, तब होती है जब कॉलम के आसपास का कंक्रीट टूट जाता है और अलग हो जाता है, ठीक वैसे ही जैसे एक कुकी कटर आटे को छेदकर निकल जाता है। यदि ऐसा होता है, तो फर्श नीचे वाले फर्श पर गिर सकता है, जिससे एक पूरी इमारत को गिरा देने वाली श्रृंखला अभिक्रिया (chain reaction) शुरू होने की संभावना बढ़ जाती है।

द दशकों से, इंजीनियर इस आपदा को रोकने के लिए मानक नियमों या 'रूल्स ऑफ थंब' पर भरोसा करते आए हैं। ये नियम, जो बिल्डिंग कोड में पाए जाते हैं, यह अनुमान लगाने के लिए सरल गणित का उपयोग करते हैं कि एक स्लैब कितना वजन झेल सकता है इससे पहले कि वह पंच होकर निकल जाए। हालांकि ये सूत्र उपयोग में आसान हैं, लेकिन वे पुराने डेटा पर आधारित हैं और कई व्यापक धारणाएं बनाते हैं जो अक्सर इस जटिल वास्तविकता को समझने में चूक जाते हैं कि कंक्रीट और स्टील आपस में कैसे क्रिया करते हैं। वे या तो अत्यधिक सतर्क हो सकते हैं, जिससे सामग्री की बर्बादी होती है, या विशिष्ट स्थितियों में खतरनाक रूप से आशावादी हो सकते हैं। इसे हल करने के लिए, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख करना शुरू कर दिया है, जो कंप्यूटर इंटेलिजेंस का एक प्रकार है जो डेटा की विशाल मात्रा में पैटर्न खोज सकता है। हालांकि, इन कंप्यूटर मॉडलों को अक्सर "ब्लैक बॉक्स" के रूप में देखा जाता है, जिसका अर्थ है कि वे उत्तर तो देते हैं लेकिन यह नहीं बताते कि वे वहां तक कैसे पहुंचे, जिससे इंजीनियर जीवन-सुरक्षा गणनाओं के लिए उन पर भरोसा करने में हिचकिचाते हैं।

पाकिस्तान के NED यूनिवर्सिटी ऑफ इंजीनियरिंग एंड टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो इस अंतर को पाटता है। वे एक ऐसा भविष्यवाणी उपकरण बनाना चाहते थे जो स्मार्ट कंप्यूटर मॉडलों की तरह सटीक हो और पारंपरिक नियमों की तरह स्पष्ट और उपयोग योग्य हो जिन्हें इंजीनियर पहले से जानते हैं। इसे करने के लिए, उन्होंने दुनिया भर की प्रयोगशालाओं से वास्तविक दुनिया के परीक्षण परिणामों का एक विशाल संग्रह एकत्र किया। उनके डेटाबेस में 4ö8 अलग-अलग कंक्रीट स्लैब नमूने शामिल थे, जिनका परीक्षण विफलता तक किया गया था। इन परीक्षणों में गुणों की व्यापक विविधता थी, जिसमें 16.5 से 119 मेगापास्कल की मजबूती वाले कंक्रीट और 70 से 456 मिलीमीटर की प्रभावी गहराई वाले स्लैब का उपयोग किया गया था। शोधकर्ताओं ने सहायक कॉलम के आकार और कंक्रीट के भीतर स्टील सुदृढीकरण (reinforcement) की मात्रा पर भी ध्यान दिया।

टीम ने सबसे पहले इस डेटा को XGBoost नामक एक शक्तिशाली मशीन लर्निंग एल्गोरिदम में डाला। यह सिस्टम एक अत्यधिक कुशल जासूस की तरह कार्य करता था, जो कंक्रीट की मजबूती, स्टील अनुपात और आयामों के हजारों संयोजनों का विश्लेषण करके यह सीख रहा था कि वे विफलता बिंदु को कैसे प्रभावित करते हैं। कंप्यूटर मॉडल ने सीखा कि सबसे महत्वपूर्ण कारक स्लैब की गहराई, कॉलम का आकार और स्टील सुदृढीकरण की मात्रा थी, साथ ही कॉलम के चारों ओर के परिधि (perimeter) का एक गणना किया गया माप भी था जहाँ विफलता होती है। मशीन लर्निंग मॉडल उल्लेखनीय रूप से सटीक साबित हुआ, जिसने डेटा के 95.95 प्रतिशत विविधताओं के लिए विफलता भार (failure load) की सही भविष्यवाणी की। इसके विपरीत, मानक बिल्डिंग कोड फॉर्मूला ने केवल लगभग 81.85 प्रतिशत विविधताओं को ही पकड़ा।

इससे भी महत्वपूर्ण बात यह है कि शोधकर्ता केवल एक कंप्यूटर भविष्यवाणी पर नहीं रुके। उन्होंने जटिल पैटर्न जिन्हें मशीन ने सीखा था, उन्हें एक एकल, सरल गणितीय समीकरण में अनुवादित किया जिसे कोई भी इंजीनियर एक बुनियादी कैलकुलेटर के साथ उपयोग कर सके। यह नया सूत्र पारंपरिक नियमों की तरह दिखता और महसूस होता है जो बिल्डिंग कोड में पाए जाते हैं, लेकिन यह मशीन लर्निंग द्वारा प्रदान की गई गहरी समझ पर निर्मित है। जब इसी डेटा के विरुद्ध परीक्षण किया गया, तो इस नए समीकरण ने मानक कोड की तुलना में भविष्यवाणी में औसत त्रुटि को लगभग 60 प्रतिशत कम कर दिया। जहां पुराना कोड अक्सर भारी सुदृढ़ स्लैब की मजबूती को कम आंकता था या पतले स्लैब की सुरक्षा को बढ़ा-चढ़ाकर बताता था, वहीं नए सूत्र ने इन बारीकियों के लिए समायोजन किया, जिससे यह पता चलता है कि स्लैब कब विफल होगा, इसका बहुत अधिक विश्वसनीय अनुमान मिलता है।

यह अध्ययन पुष्टि करता है कि नई विधि न केवल एक सांख्यिकीय चाल है, बल्कि यह इस बात पर आधारित है कि कंक्रीट वास्तव में कैसे व्यवहार करता है। शोधकर्ताओं ने पाया कि कंप्यूटर ने उन्हीं भौतिक सिद्धांतों की सही पहचान की है जिन्हें मानव विशेषज्ञ लंबे समय से समझते आए हैं: कि एक गहरा स्लैब और कॉलम के चारों ओर एक बड़ा परिधि विफलता के प्रति अधिक प्रतिरोध प्रदान करता है। मशीन लर्निंग की पैटर्न-पहचान की शक्ति को एक सरल सूत्र की पारदर्शिता के साथ जोड़कर, टीम ने एक ऐसा उपकरण बनाया है जो अत्यधिक सटीक और भरोसेमंद दोनों है। यह कार्य सुझाव देता है कि संरचनात्मक डिजाइन का भविष्य जटिल कंप्यूटर मॉडल और सरल नियमों के बीच चयन करने की आवश्यकता नहीं है; इसके बजाय, यह संभव है कि पूर्व का उपयोग बाद वाले को परिष्कृत करने के लिए किया जाए, जिससे इंजीनियरों को डेटा वैज्ञानिक बनने की आवश्यकता के बिना इमारतों को अधिक सुरक्षित और कुशल बनाया जा सके।

तकनीकी सारांश: प्रबलित कंक्रीट फ्लैट स्लैब की पंचिंग शियर स्ट्रेंथ (पंचिंग कतरनी शक्ति) के पूर्वानुमान के लिए एक भौतिकी-सूचित मशीन लर्निंग दृष्टिकोण

समस्या विवरण
प्रबलित कंक्रीट (RC) फ्लैट स्लैब की पंचिंग शियर क्षमता ( $V_u$ ) का सटीक पूर्वानुमान लगाना संरचनात्मक इंजीनियरिंग में एक निरंतर चुनौती है, क्योंकि यह सामग्री के गुणों, सुदृढीकरण (reinforcement) की विशेषताओं और ज्यामितीय मापदंडों के बीच जटिल, गैर-रैखिक अंतःक्रियाओं पर निर्भर करता है। पारंपरिक डिजाइन प्रावधान, जैसे कि ACI 318-19, सरलीकृत अनुभवजन्य (empirical) सूत्रों पर निर्भर करते हैं। हालांकि इन्हें लागू करना आसान है, लेकिन इन समीकरणों में पूर्वानुमान अनिश्चितता काफी अधिक हो सकती है क्योंकि वे रैखिक संबंधों को मानते हैं और फ्लेक्सरल सुदृढीकरण अनुपात ( $\rho$ ) जैसे प्रमुख चरों के प्रत्यक्ष यांत्रिक योगदान की उपेक्षा करते हैं। इससे अत्यधिक सुदृढ़ क्षेत्रों में अत्यधिक रूढ़िवादी (conservative) डिजाइन या कम सुदृढीकरण वाले पतले स्लैब में असुरक्षित, उदार अनुमान लग सकते हैं। इसके विपरीत, जबकि eXtreme Gradient Boosting (XGBoost) जैसे उन्नत मशीन लर्निंग (ML) मॉडल बेहतर भविष्य कहनेवाला सटीकता प्रदान करते हैं, उनकी "ब्लैक-बॉक्स" प्रकृति—जो सैकड़ों असंतत निर्णय विभाजनों (decision splits) पर निर्भर करती है—व्यावहारिक संरचनात्मक डिजाइन में उनके उपयोग को सीमित करती है, जहाँ तीव्र गणना और कोड अनुपालन के लिए पारदर्शी, क्लोज्ड-फॉर्म समीकरणों की आवश्यकता होती है।

कार्यप्रणाली
यह अध्ययन एक डेटा-संचालित, कोड-उन्मुख ढांचे का प्रस्ताव करता है जो उच्च-सटीकता वाले ML और व्यावहारिक इंजीनियरिंग उपयोगिता के बीच के अंतर को पाटता है। शोध में विभिन्न ऐतिहासिक अध्ययनों से प्राप्त 408 इंटीरियर RC फ्लैट स्लैब-कॉलम कनेक्शन नमूनों के एक व्यापक प्रयोगात्मक डेटाबेस का उपयोग किया गया। कार्यप्रणाली चार व्यवस्थित चरणों में आगे बढ़ी:

डेटा संकलन और प्रीप्रोसेसिंग: एक स्ट्रक्चरल मैट्रिक्स संकलित किया गया, जिसमें नल (null) मानों को साफ किया गया और सुदृढीकरण अनुपात ( $\rho$ ) को प्रतिशत से दशमलव पैमाने में परिवर्तित किया गया ताकि सांख्यिकीय अखंडता सुनिश्चित की जा सके।
भौतिकी-सूचित फीचर इंजीनियरिंग (Physics-Informed Feature Engineering): यांत्रिक पारदर्शिता को लागू करने के लिए, इनपुट वेक्टर को स्ट्रक्चरल मैकेनिक्स से प्राप्त भौतिकी-सूचित फीचर्स के साथ बढ़ाया गया। विशेष रूप से, क्रिटिकल शियर पेरिमीटर ( $b_0 = 4(c+d)$ ) और कंक्रीट टेन्साइल मेट्रिक ( $\sqrt{f'_c}$ ) की गणना की गई। अंतिम इनपुट वेक्टर में कंक्रीट कंप्रेसिव स्ट्रेंथ ( $f'_c$ ), स्टील यील्ड स्ट्रेंथ ( $f_y$ ), प्रभावी गहराई ( $d$ ), कॉलम की चौड़ाई ( $c$ ), सुदृढीकरण अनुपात ( $\rho$ ), $b_0$ , और $\sqrt{f'_c}$ शामिल थे।
मॉडल प्रशिक्षण और बेंचमार्किंग: एक XGBoost रि्रेसर को डेटा के 80% हिस्से (326 नमूने) पर प्रशिक्षित किया गया और एक अलग रखे गए 20% टेस्ट सेट (82 नमूने) पर मान्य (validate) किया गया। मॉडल के प्रदर्शन की तुलना मानक ACI 318-19 अनुभवजन्य समीकरण से की गई।
लॉगैरिद्मिक ट्रांसफॉर्मेशन मल्टीप्लिकेटिव इंजन: "ब्लैक-बॉक्स" सीमा को दूर करने के लिए, लेखकों ने एक विशेष इंजन विकसित किया। डेटासेट को लॉग-स्पेस में मैप किया गया ताकि संबंधों को रैखिक बनाया जा सके, जिससे लीस्ट-स्क्वेयर्स रिग्रेशन के माध्यम से पावर-लॉ एक्सपोनेंट्स (घात घातांक) का अनुकूलन किया जा सके। इन अनुकूलित मापदंडों को फिर एक संक्षिप्त, क्लोज्ड-फॉर्म मल्टीप्लिकेटिव पावर-लॉ समीकरण में परिवर्तित किया गया।

प्रमुख योगदान

एक व्याख्या योग्य डिजाइन समीकरण का विकास: प्राथमिक योगदान एक स्टैंडअलोन, सिंगल-लाइन पावर-लॉ समीकरण ( $V_u = \alpha \cdot (f'_c)^a \cdot (f_y)^b \cdot (d)^c \cdot (c)^e \cdot (\rho)^g$ ) का व्युत्पत्ति है जो एक जटिल ML मॉडल की भविष्य कहने वाली सटीकता को बनाए रखता है, जबकि पारंपरिक डिजाइन कोड के प्रारूप का पालन करता है।
भौतिकी-सूचित फीचर्स का एकीकरण: अध्ययन यह प्रदर्शित करता है कि डोमेन-विशिष्ट भौतिक मापदंडों (क्रिटिकल शियर पेरिमीटर और कंक्रीट टेन्साइल स्ट्रेंथ) को ML फीचर स्पेस में शामिल करने से मॉडल की भौतिक रूप से सार्थक संबंधों को पकड़ने की क्षमता बढ़ जाती है।
अनुभवजन्य कोडों पर मात्रात्मक श्रेष्ठता: यह ढांचा एक कठोर सांख्यिकीय तुलना प्रदान करता है जो दिखाता है कि ML-व्युत्पन्न दृष्टिकोण विचरण स्पष्टीकरण (variance explanation) और त्रुटि न्यूनीकरण के मामले में ACI 318-19 कोड प्रावधानों से काफी बेहतर प्रदर्शन करता है।

परिणाम
प्रस्तावित ढांचों के प्रदर्शन का मूल्यांकन स्वतंत्र टेस्ट सेट पर निर्धारण गुणांक ( $R^2$ ), माध्य पूर्ण त्रुटि (MAE), और रूट मीन स्क्वेर्ड एरर (RMSE) का उपयोग करके किया गया:

XGBoost मॉडल: 0.9595 का $R^2$ , 26.21 kN का MAE और 43.79 kN का RMSE प्राप्त किया।
व्युत्पन्न मल्टीप्लिकेटिव फॉर्मूला: 0.9542 का $R^2$ , 35.5 kN का MAE और 56.22 kN का RMSE प्राप्त किया।
ACI 318-19 बेंचमार्क: 0.8185 का $R^2$ , 64.42 kN का MAE और 92.74 kN का RMSE प्राप्त किया।

XGBoost मॉडल ने ACI 318-19 बेसलाइन की तुलना में विचरण स्पष्टीकरण में 17.23% की वृद्धि प्रदर्शित की। इसके अलावा, ML दृष्टिकोण ने MAE में 59.31% और RMSE में 52.78% की कमी की, जो पूर्वानुमान के बिखराव (scatter) में पर्याप्त कमी और उच्च-परिमाण वाली आउटलियर त्रुटियों के उन्मूलन को दर्शाता है। फीचर महत्व विश्लेषण ने पुष्टि की कि मॉडल ने ज्यामितीय स्केल (प्रभावी गहराई $d$ और क्रिटिकल पेरिमीटर $b_0$ ) और सामग्री के गुणों ( $\rho$ और $\sqrt{f'_c}$ ) को शास्त्रीय कंक्रीट फ्रैक्चर मैकेनिक्स के अनुरूप प्राथमिकता दी।

महत्व और दावे
यह पत्र दावा करता है कि यह दृष्टिकोण उच्च-सटीकता वाले मशीन लर्निंग की सटीकता और संरचनात्मक डिजाइन की व्यावहारिक आवश्यकताओं के बीच के अंतर को सफलतापूर्वक पाटता है। जटिल एल्गोरिदम पैटर्न को एक पारदर्शी, मल्टीप्लिकेटिव पावर-लॉ समीकरण में अनुवादित करके, यह अध्ययन इंजीनियरों को एक ऐसा उपकरण प्रदान करता है जो अत्यधिक सटीक है और जटिल कंप्यूटेशनल टूल, इंटरनेट कनेक्टिविटी, या सॉफ्टवेयर रनटाइम वातावरण की आवश्यकता के बिना क्षेत्र में तुरंत उपयोग के योग्य है। व्युत्पन्न समीकरण पंचिंग शियर क्षमता के पूर्वानुमान के लिए एक विश्वसनीय विकल्प प्रदान करता है, जो वर्तमान अनुभवजन्य कोडों की तुलना में अधिक सटीक क्षमता अनुमानों के माध्यम से भंगुर विफलता (brittle failure) के जोखिम को कम कर सकता है। लेखक नोट करते हैं कि हालांकि वर्तमान मॉडल बिना शियर सुदृढीकरण वाले इंटीरियर स्लैब-कॉलम कनेक्शन के लिए अनुकूलित है, यह ढांचा शियर सुदृढीकरण, सनकी लोडिंग (eccentric loading) और जटिल ज्यामिति को शामिल करने के लिए भविष्य के विस्तार हेतु एक मार्ग स्थापित करता है।

इसी तरह के और पेपर