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

Sintesi Tecnica: Un Framework Metaeuristico di Machine Learning (ML) Comparativo per l'Ottimizzazione del Passo dei Bulloni secondo IS 800, Eurocodice 3 e AISC

Definizione del Problema
La progettazione delle connessioni bullonate nelle strutture in acciaio richiede un equilibrio critico tra sicurezza strutturale, efficienza dei materiali e costruttibilità. Tradizionalmente, gli ingegneri si affidano ai limiti minimi e massimi di distanza del passo prescritti dai codici di progettazione (IS 800:2007, Eurocodice 3 e AISC 360-16). Tuttavia, questi limiti prescritti dai codici spesso portano a progettazioni conservative che aumentano i costi dei materiali senza fornire vantaggi commensurabili in termini di sicurezza. Inoltre, la letteratura esistente affronta frequentemente l'ottimizzazione all'interno di un singolo codice o si affida a casi di studio semplificati, mancando di un framework unificato che integri la modellazione predittiva con l'ottimizzazione metaeuristica attraverso molteplici standard internazionali. Esiste una netta lacuna nella comprensione di come la spaziatura dei bulloni interagisca con i modi di guasto e le caratteristiche dei materiali per produrre progettazioni ottimali e conformi ai codici, che minimizzino l'uso di materiale garantendo al contempo la sicurezza.

Metodologia
Lo studio propone un framework integrato che combina il machine learning (ML) basato sui dati e l'ottimizzazione metaeuristica per determinare le distanze ottimali del passo dei bulloni. La metodologia si articola in quattro fasi distinte:

1. Generazione dei Dati: È stato generato un dataset sintetico completo di 4.500 configurazioni di connessioni bullonate. Questo dataset è derivato dai limiti e dai requisiti specifici di IS 800, Eurocodice 3 e AISC. Include 1.500 configurazioni per ogni codice, incorporando variabili quali proprietà dei materiali (resistenza allo snervamento e a rottura), parametri geometrici (diametro del bullone, spessore della piastra, distanze dal bordo), condizioni di carico (taglio, trazione, momento) e tipi di connessione. È stata stabilita una metrica di efficienza ponderata, che privilegia la sicurezza (70%) e l'efficienza dei materiali (30%), per classificare le configurazioni come "Ottimali" o "Non Ottimali".
2. Classificazione tramite Machine Learning: Sei algoritmi di ML — Random Forest (RF), XGBoost, Support Vector Machine (SVM), Reti Neurali (NN), Gradient Boosting (GB) e Regressione Logistica (LR) — sono stati addestrati per predire le classificazioni del passo ottimale. Le prestazioni del modello sono state valutate in base ad accuratezza, ROC AUC e tempo di addestramento. È stata condotta un'analisi dell'importanza delle caratteristiche per identificare i parametri influenti chiave.
3. Ottimizzazione Metaeuristica: Due algoritmi di ottimizzazione, l'Algoritmo Genetico (GA) e il Simulated Annealing (SA), sono stati implementati per identificare i valori precisi del passo che massimizzano la metrica di efficienza rispettando i vincoli del codice. Entrambi gli algoritmi sono stati configurati per minimizzare il negativo della metrica di efficienza.
4. Validazione e Analisi di Sensibilità: I risultati ottimizzati sono stati validati rispetto ai dati sperimentali di studi recenti per calcolare gli errori di predizione. Inoltre, è stata eseguita un'analisi di sensibilità variando i parametri chiave (diametro del bullone, spessore della piastra, numero di bulloni, carico di taglio, carico di trazione) del ±30% per determinare la loro influenza sul passo ottimale.

Risultati Chiave

• Prestazioni del Machine Learning: Il classificatore Random Forest è emerso come il modello più efficace, raggiungendo un'accuratezza di 0,923 e un ROC AUC di 0,941. XGBoost è seguito da vicino con un'accuratezza di 0,917 e un ROC AUC di 0,938. L'analisi dell'importanza delle caratteristiche ha rivelato che il diametro del bullone è il parametro più critico che influenza la distanza del passo (valore di importanza ~0,217), seguito dal carico di taglio, dallo spessore della piastra e dal numero di bulloni.
• Esiti dell'Ottimizzazione: Sia il GA che il SA sono confluiti in soluzioni ottime identiche per ogni codice, dimostrando coerenza. L'Algoritmo Genetico (GA) ha dimostrato una maggiore affidabilità e tassi di errore inferiori rispetto al Simulated Annealing (SA) quando validato contro i dati sperimentali. L'errore medio per il GA è stato dell'8,7%, mentre il SA ha prodotto un errore medio del 9,3%. Il GA ha mostrato una distribuzione dell'errore ristretta, mentre il SA ha esibito una maggiore varianza e outlier significativi.
• Rapporti Ottimali Specifici per Codice: Lo studio ha identificato distinti rapporti passo-diametro (P/D) per ogni codice:
  • IS 800: 2,8–3,2
  • Eurocodice 3: 2,5–2,9
  • AISC: 2,9–3,3
• Risultanze della Sensibilità: Il diametro del bullone, il carico di taglio e il numero di bulloni sono risultati avere l'impatto più significativo sul passo ottimale. Al contrario, lo spessore della piastra e il carico di trazione hanno avuto un'influenza minima entro gli intervalli testati. L'analisi ha confermato che il framework di ottimizzazione rimane robusto attraverso i diversi codici di progettazione.

Significatività e Contributi
Il documento sostiene di affrontare un significativo vuoto nella ricerca fornendo un framework completo che integra la classificazione basata su ML con l'ottimizzazione metaeuristica, specificamente per la progettazione del passo delle connessioni bullonate attraverso tre importanti codici internazionali. I contributi primari includono:

1. Framework Unificato: La capacità di operare attraverso IS 800, Eurocodice 3 e AISC, consentendo l'analisi comparativa e l'ottimizzazione specifica per codice in un unico sistema.
2. Raccomandazioni di Progettazione Pratica: Lo studio fornisce linee guida azionabili per gli ingegneri, suggerendo valori target del passo (ad esempio, ~3,0d per IS 800, ~2,7d per Eurocodice 3, ~3,1d per AISC) che bilanciano sicurezza ed economia dei materiali.
3. Validazione dei Metodi Computazionali: Validando il framework rispetto ai dati sperimentali, lo studio dimostra che la combinazione di modelli predittivi di ML con il GA può produrre progettazioni affidabili e conformi ai codici che riducono l'uso di materiale senza compromettere l'integrità strutturale.
4. Miglioramento dell'Efficienza: L'approccio proposto offre un'alternativa sistematica alla progettazione manuale tradizionale, potendo ridurre il conservatorismo inerente ai limiti prescritti dai codici e migliorare l'efficienza della progettazione delle strutture in acciaio.

Gli autori concludono che, sebbene il framework migliori significativamente il processo di progettazione, il lavoro futuro dovrebbe mirare ad ampliare il modello includendo più variabili, diversi meccanismi di guasto e condizioni di carico complesse per migliorare ulteriormente l'accuratezza e l'applicabilità.