Technische Samenvatting: Fysica-geïntegreerd Machine Learning-framework voor het voorspellen van de belastingscapaciteit van boutverbindingen tussen staal en hout in tropisch hardhout

1. Probleemstelling

Het voorspellen van de zijdelingse belastingscapaciteit van boutverbindingen tussen staal en hout blijft een grote uitdaging in de houttechniek, met name voor tropisch hardhout. Bestaande ontwerpparameters, zoals het European Yield Model (EYM) en het Row Shear Model (RSM), zijn primair gekalibreerd op basis van gematigde naaldhoutsoorten (bijv. spar, den, fijnspar). Deze modellen missen vaak nauwkeurigheid bij toepassing op Maleisisch tropisch hardhout zoals Balau (Shorea spp.) en Bitis (Madhuca spp.), die een hogere dichtheid, andere nerfstructuren en afwijkende faalmechanismen bezitten.

Bovendien wordt de toepassing van machine learning (ML) in dit domein geconfronteerd met drie specifieke methodologische hindernissen:

1. Dataschaarste en -structuur: Experimentele datasets voor verbindingstesten zijn doorgaans klein en sterk gestructureerd, waarbij meerdere specimens dezelfde geometrische inputs delen binnen één verbindingengroep.
2. Data Leakage (Datalekken): Standaard willekeurige kruisvalidatie op specimenniveau leidt tot data leakage, waarbij modellen de respons van groepen "memoriseren" in plaats van generaliseerbare mapping te leren, wat resulteert in overdreven optimistische prestatieschattingen.
3. Gebrek aan fysieke grondslag: Puur datagestuurde modellen kunnen voorspellingen genereren die gevestigde technische principes schenden, vooral bij extrapolatie buiten het trainingsdomein.

2. Methodologie

2.1 Experimentele Dataset

De studie maakte gebruik van een dataset bestaande uit 36 verbindingengroepen (360 individuele specimens) afkomstig van systematische testen van single-shear, single-row, steel-plate-to-timber boutverbindingen.

• Soort: Balau en Bitis (Maleisische Sterktegroep 1).
• Configuratie: M13 Grade 4.6 bouten, 6 mm milde stalen platen, belast parallel aan de nerf.
• Variabelen: Aantal bevestigingsmiddelen ($N$), eindafstandratio ($e/d$), en boutafstandratio ($s_b/d$).
• Target: De gemiddelde belastingscapaciteit van elke groep werd gebruikt als het datapunt voor modellering.

2.2 Fysica-geïntegreerd Framework

De studie adopteerde een fysica-residuele leerstrategie in plaats van modellen te trainen om de belastingscapaciteit vanaf nul te voorspellen.

• Fysische Anker: Drie gevestigde ontwerpvergelijkingen (EYM, RSM en MS544-5) werden voor elke groep berekend. Het minimum van deze drie voorspellingen ($R_{min}$) diende als de fysische baseline.
• Residueel Leren: De ML-modellen werden getraind om de residuele fout ($\varepsilon = R_{exp} - R_{min}$) te voorspellen in plaats van de absolute belastingscapaciteit. De uiteindelijke voorspelling ($R_{ml}$) wordt berekend als $R_{min} + \hat{y}(\varepsilon)$. Dit zorgt ervoor dat voorspellingen verankerd blijven aan de fysische theorie.

2.3 Validatie en Uitlegbaarheid

• Group-Level Leave-One-Out Cross-Validation (Group-LOO-CV): Om data leakage te voorkomen, gebruikte de studie een 36-voudig kruisvalidatieschema waarbij volledige verbindingengroepen (niet individuele specimens) werden achtergehouden als testsets. Dit garandeert dat het model wordt getest op ongeziene geometrische configuraties.
• Algoritmen: Zes algoritmen werden geëvalueerd: Support Vector Regression (SVR), CatBoost, XGBoost, Random Forest, K-Nearest Neighbors (KNN) en Gradient Boosting.
• Uitlegbaarheid: SHAP (SHapley Additive exPlanations) en permutatie-importantie werden gebruikt om de bijdragen van kenmerken te kwantificeren en fysische interpreteerbaarheid te waarborgen.
• Kalibratie: Een kalibratiefactor ($\phi$) werd afgeleid als het 5e percentiel van de ratio van experimentele versus voorspelde waarden om conservatieve constructie-sterktes ($R_{5th}$) te genereren.

3. Belangrijkste Resultaten

3.1 Voorspellende Prestaties

Alle modellen presteerden beter dan de op codestandaarden gebaseerde baseline ($R_{min}$). Support Vector Regression (SVR) bleek het best presterende model:

• $R^2$: 0,876 (±0,043)
• RMSE: 6,09 kN
• MAE: 4,80 kN
• Bias: -0,783 kN (licht conservatief)

CatBoost ($R^2$ = 0,846) en XGBoost ($R^2$ = 0,842) volgden op korte afstand. Statistische tests (Wilcoxon signed-rank) gaven aan dat hoewel SVR de beste presteerder was, de verschillen tussen de top drie modellen niet statistisch significant waren op het 95% betrouwbaarheidsniveau. Echter, SVR demonstreerde de meest consistente prestatie over de verschillende folds.

3.2 Kenmerk-importantie (Feature Importance)

SHAP-analyse toonde aan dat Houtsoort, Boutafstandratio en Randafstandratio de meest invloedrijke voorspellers waren.

• Houtsoort: Geïdentificeerd als het dominante kenmerk, wat de 6,9 kN verschil in gemiddelde capaciteit tussen Bitis en Balau weerspiegelt.
• Gebruik van Fysisch Anker: SVR en CatBoost schreven significante importantie toe aan het fysische anker ($R_{min}$), wat de fysische consistentie waarborgt. In tegen tegenstelling hiertoe negeerde XGBoost het fysische anker grotendeels (SHAP-waarde ~0,19 kN) en vertrouwde het in plaats daarvan op geometrische inputs, wat de betrouwbaarheid van extrapolatie kan beperken.

3.3 Kalibratie en Ontwerptoepassing

De studie leidde kalibratiefactoren ($\phi$) af om ruwe voorspellingen om te zetten in conservatieve ontwerpprestaties.

• SVR Kalibratiefactor: $\phi$ = 0,842.
• Karakteristieke Sterkte ($R_{5th}$): De gekalibreerde SVR-voorspelling leverde een $R_{5th}$ op van 26,27 kN, wat iets lager is dan de experimentele benchmark van 27,45 kN. Dit bevestigt dat het framework conservatieve, veilige ontwerpprestaties levert die vergelijkbaar zijn met bestaande standaarden zoals MS544-5.

4. Belangrijkste Bijdragen

1. Methodologische Rigor: De studie adresseert het cruciale probleem van data leakage in kleine, gestructureerde experimentele datasets door Group-LOO-CV te implementeren, een noodzakelijke stap die vaak over het hoofd wordt gezien in structurele ML-toepassingen.
2. Fysica-Residuele Strategie: Het toont aan dat het trainen van modellen om het gat tussen codevoorspellingen en experimentele resultaten te corrigeren (in plaats van het voorspellen vanaf nul) hogere nauwkeurigheid en fysische consistentie oplevert voor tropisch hardhout.
3. Uitlegbaarheid in Ontwerp: Door SHAP-analyse te integreren, valideert de studie dat ML-modellen fysisch betekenisvolle relaties leren (bijv. de dominantie van soort en afstandratio's) in plaats van spurieuze correlaties.
4. Praktische Kalibratie: De afleiding van een specifieke kalibratiefactor biedt een directe weg voor het integreren van ML-voorspellingen in conservatieve structurele ontwerpkaders, waardoor de kloof tussen datagestuurde nauwkeurigheid en technische veiligheidseisen wordt overbrugd.

5. Betekenis en Claims

Het artikel beweert een van de vroegste fysica-geïntegreerde machine learning-frameworks te vertegenwoordigen die specifiek zijn ontwikkeld voor het voorspellen van de belastingscapaciteit van boutverbindingen tussen staal en hout in Maleisische Sterktegroep 1 tropisch hardhout.

De betekenis van het werk ligt in het vermogen om:

• Ontwerprichtlijnen uit te breiden naar tropisch hardhout waar bestaande standaarden minder nauwkeurig zijn.
• Een "helder, fysisch gegrond pad" te bieden voor het uitbreiden van ontwerprichtlijnen zonder gevestigde mechanische theorieën te vervangen.
• Een robuust, lekbestendig validatieprotocol aan te bieden dat als sjabloon kan dienen voor andere structurele techniekproblemen met beperkte, gestructureerde data.

De auteurs nemen een bescheiden standpunt in en erkennen dat het framework momenteel beperkt is tot de soorten Balau en Bitis en single-row configuraties. Zij benadrukken dat het model bedoeld is als een beslissingsondersteunend instrument om bestaande ontwerpstandaarden aan te vullen, en niet om ze te vervangen, en dat toekomstig werk validatie op externe datasets en een breder scala aan soorten vereist.