Evidence-Constrained Machine-Learning Prediction and LLM-Assisted Controlled Online Updating for the Ultimate Axial Capacity of Concrete-Filled Steel Tube Columns

सिविल इंजीनियरिंग की दुनिया में, कुछ सबसे मजबूत और कुशल निर्माण ब्लॉक एक ही सामग्री से नहीं, बल्कि दो सामग्रियों के मिलकर काम करने से बनते हैं। कल्पना कीजिए कि कंक्रीट से भरी एक स्टील ट्यूब है। स्टील एक सख्त त्वचा की तरह कार्य करता है जो कंक्रीट को दबाकर रखता है, जिससे दबाव के तहत उसमें दरारें नहीं आतीं, जबकि अंदर का कंक्रीट स्टील की पतली दीवारों को अंदर की ओर मुड़ने या ढहने से रोकता है। यह साझेदारी एक ऐसा कॉलम बनाती है जो दोनों सामग्रियों में से किसी एक के अकेले होने की तुलना में कहीं अधिक मजबूत होता है। इन मिश्रित (कंपोजिट) कॉलमों का उपयोग गगनचुंबी इमारतों, पुलों और भूकंप-रोधी संरचनाओं में व्यापक रूप से किया जाता है क्योंकि वे लागत प्रभावी, बनाने में आसान और अविश्वसनीय रूप से लचीले होते हैं। हालांकि, यह जानना कि ऐसा कॉलम विफल होने से पहले कितना वजन सह सकता है, एक जटिल गणना है। इंजीनियर इस सीमा का अनुमान लगाने के लिए भौतिक परीक्षणों और गणितीय सूत्रों पर लंबे समय से भरोसा करते आए हैं, लेकिन आकारों, सामग्रियों और आकृतियों की विशाल विविधता सटीक भविष्यवाणी करना कठिन बना देती है।

शोधकर्ताओं की एक टीम ने अब इस समस्या से निपटने का एक नया तरीका विकसित किया है, जो मशीन लर्निंग की पैटर्न पहचानने की शक्ति को आधुनिक आर्टिफिशियल इंटेलिजेंस की संवादात्मक सहजता के साथ जोड़ता है। इंजीनियरों को कठोर स्प्रेडशीट में नंबर डालने के लिए मजबूर करने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई है जो उपयोगकर्ताओं को साधारण अंग्रेजी में एक कॉलम का वर्णन करने और उसकी मजबूती का सटीक अनुमान प्राप्त करने की अनुमति देती है। यह प्रणाली, जिसे लेखक 'स्ट्रक्चरजीपीटी' (StructureGPT) कहते हैं, उत्तर का केवल अनुमान नहीं लगाती है; यह परिणाम की गणना करने के लिए एक अत्यधिक प्रशिक्षित गणितीय मॉडल का उपयोग करती है, जबकि एक भाषा सहायक (लैंग्वेज असिस्टेंट) बातचीत संभालता है और तर्क की व्याख्या करता है। इस दृष्टिकोण का उद्देश्य उन्नत संरचनात्मक विश्लेषण को अधिक सुलभ बनाना है, जबकि यह सुनिश्चित करना है कि संख्याएं वास्तविक दुनिया के भौतिक विज्ञान पर आधारित रहें।

शोधकर्ताओं ने पिछले वैज्ञानिक अध्ययनों से डेटा का एक विशाल संग्रह एकत्र करके शुरुआत की। उन्होंने प्रयोगशालाओं में परीक्षण किए गए लगभग 3,200 वास्तविक कॉलमों की जानकारी संकलित की, जिनमें गोल और आयताकार दोनों आकार शामिल थे। प्रत्येक नमूने के लिए, उन्होंने ऊंचाई, स्टील की मोटाई, कंक्रीट की मजबूती और भार कैसे लगाया गया, जैसे विवरण दर्ज किए। फिर उन्होंने छह अलग-अलग कंप्यूटर लर्निंग एल्गोरिदम को इस डेटा में छिपे हुए पैटर्न खोजने के लिए प्रशिक्षित किया, जो अनिवार्य रूप से कंप्यूटरों को भौतिक आयामों और अधिकतम भार जो कॉलम सह सकता है, के बीच के संबंध को सीखने के लिए कह रहे थे। इस डेटा के उस हिस्से के विरुद्ध इन एल्गोरिदम का परीक्षण करने के बाद जिसे उन्होंने पहले कभी नहीं देखा था, एक विधि स्पष्ट विजेता के रूपв रूप में उभरी। 'ग्रेडिएंट बूस्टिंग' नामक एक तकनीक, जो कई सरल निर्णय वृक्षों (डिसिजन ट्री) को जोड़कर भविष्यवाणी बनाती है, सबसे सटीक साबित हुई। गोल कॉलमों के लिए, इसने लगभग 669 किलोन्यूटन के त्रुटि मार्जिन के साथ मजबूती की भविष्यवाणी की, और आयताकार कॉलमों के लिए, त्रुटि और भी कम, लगभग 304 किलोन्यूटन थी। ये परिणाम अन्य परीक्षण किए गए तरीकों, जिनमें मानक रैखिक समीकरण और न्यूरल नेटवर्क शामिल हैं, की तुलना में काफी बेहतर थे।

यह सुनिश्चित करने के लिए कि प्रणाली केवल एक "ब्लैक बॉक्स" नहीं है जो बिना स्पष्टीकरण के उत्तर देती है, शोधकर्ताओं ने यह देखने के लिए एक नैदानिक उपकरण (डायग्नोस्टिक टूल) का उपयोग किया कि कौन से कारक सबसे अधिक महत्वपूर्ण थे। उन्होंने पाया कि गोल कॉलमों के लिए ट्यूब का व्यास और स्टील की मोटाई सबसे प्रभावशाली चर थे, जबकि आयताकार कॉलमों के लिए क्रॉस-सेक्शन की चौड़ाई और ऊंचाई प्रमुख थे। यह इंजीनियरिंग अंतर्ज्ञान के अनुरूप है: एक चौड़ा या मोटा कॉलम आम तौर पर अधिक भार वहन करता है। हालांकि, शोधकर्ताओं ने सावधानीपूर्वक नोट किया कि ये पैटर्न उनके पास उपलब्ध डेटा पर आधारित हैं और इन्हें भौतिक नियमों के विरुद्ध जांचा जाना चाहिए। कंप्यूटर संख्याओं से सीखता है, लेकिन वह स्वाभाविक रूप से स्टील और कंक्रीट के भौतिक विज्ञान को नहीं समझता है, इसलिए मानव इंजीनियर को अभी भी यह सत्यापित करना होगा कि परिणाम तर्कसंगत हैं या नहीं।

इस कार्य का सबसे अभिनव हिस्सा यह है कि प्रणाली नई जानकारी को कैसे संभालती है। एक पारंपरिक सॉफ्टवेयर अपडेट में, एक मॉडल को एक बार प्रशिक्षित किया जाता है और फिर स्थिर कर दिया जाता है। यहाँ, शोधकर्ताओं ने एक सुरक्षा तंत्र बनाया है जो प्रणाली को उपलब्ध नए डेटा से सीखने की अनुमति देता है, लेकिन केवल तभी जब वह डेटा विश्वसनीय हो। उन्होंने एक सत्यापित प्रायोगिक परिणामों की धारा को एक-एक करके सिस्टम में फीड करके इसका परीक्षण किया। सिस्टम द्वारा अपने आंतरिक ज्ञान को अपडेट करने के लिए किसी नए टुकड़े को स्वीकार करने से पहले, उसने एक त्वरित जांच की। यदि नया डेटा एक आउटलायर (विजातीय मान) जैसा दिखता था या यदि मॉडल को अपडेट करने से अन्य ज्ञात मामलों की भविष्यवाणी करने में गिरावट आती, तो सिस्टम परिवर्तन को अस्वीकार कर देता और अपने पिछले स्वरूप पर वापस लौट आता। आयताकार कॉलमों के साथ अपने प्रयोग में, सिस्टम ने 78 नए नमूनों में से लगभग 31 अपडेट स्वीकार किए, जिससे अपनी मूल सटीकता को खोए बिना भविष्यवाणियों को सफलतापूर्वक परिष्कृत किया गया। यह "वैलिडेशन-गेटेड" (सत्यापन-द्वार युक्त) दृष्टिकोण यह सुनिश्चित करता है कि सिस्टम जो पहले से जानता है उसे अनजाने में भूले बिना समय के साथ स्मार्ट बनता रहे।

अंत में, टीम ने इन शक्तिशाली गणना इंजनों को एक उपयोगकर्ता के अनुकूल इंटरफेस में लपेटा है जो बातचीत जैसा महसूस होता है। एक उपयोगकर्ता "400-मिलीमीटर चौड़ाई और 30-मिलीमीटर स्टील मोटाई वाले आयताकार कॉलम की क्षमता क्या है?" जैसा अनुरोध टाइप कर सकता है। सिस्टम विशिष्ट नंबरों को निकालता है, यह जांचता है कि क्या वे एक उचित सीमा के भीतर हैं, और फिर गणना चलाता है। यह अनुमानित मजबूती किलोन्यूटन में लौटाता है और एक सरल भाषा में स्पष्टीकरण भी देता है कि उस संख्या तक क्यों पहुँचा गया, जिसमें सबसे महत्वपूर्ण कारकों पर प्रकाश डाला गया है। यदि उपयोगकर्ता बाद में किसी पूर्ण किए गए परीक्षण से वास्तविक दुनिया का माप प्रदान करता है, तो सिस्टम इसका उपयोग खुद को सुधारने के लिए कर सकता है, बशर्ते नया डेटा सुरक्षा जांचों को पास कर ले। यह एक ऐसा लूप बनाता है जहाँ मानवीय विशेषज्ञता और मशीन की सटीकता मिलकर काम करती है, जिससे इंजीनियरों को सख्त नियंत्रण बनाए रखते हुए तीव्र, डेटा-संचालित अंतर्दृष्टि प्राप्त करने की अनुमति मिलती है।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि यह प्रणाली संरचनात्मक विश्लेषण को संवादात्मक और अनुकूल बनाने की दिशा में एक महत्वपूर्ण कदम है, लेकिन यह पेशेवर निर्णय का विकल्प नहीं है। भविष्यवाणियां उस विशिष्ट डेटा पर आधारित हैं जिस पर सिस्टम को प्रशिक्षित किया गया है, और शोधकर्ता स्वीकार करते हैं कि मॉडल को विभिन्न प्रकार के डेटा स्रोतों के विरुद्ध और अधिक परीक्षण की आवश्यकता है ताकि यह सुनिश्चित हो सके कि यह सार्वभौमिक रूप से काम करता है। वे यह भी नोट करते हैं कि वर्तमान संस्करण भाषा मॉडल का उपयोग केवल उपयोगकर्ता से बात करने और नंबर निकालने के लिए करता है, जिससे मुख्य गणितीय कार्य को विशेष प्रतिगमन (रिग्रेशन) मॉडल पर छोड़ दिया गया है। यह अलगाव जानबूझकर किया गया है, ताकि यह सुनिश्चित हो सके कि संख्याएं पता लगाने योग्य और पुनरुत्पादनीय बनी रहें। उच्च-सटीक मशीन लर्निंग को एक नियंत्रित पद्धति के साथ जोड़कर, शोधकर्ताओं ने एक प्रोटोटाइप बनाया है जो इंजीनियरों को सुरक्षित, अधिक कुशल इमारतों के डिजाइन में बेहतर और तेज़ निर्णय लेने में मदद कर सकता है।