A predictive machine-learning and topology-optimization framework for the seismic retrofit of vulnerable housing with UHPC overlays and FRP nanocomposites: transposing the United States experience to Peru

Technische Samenvatting: Een Predictief ML- en Topologie-optimalisatiekader voor Seismische Versterking in Peru

Probleemstelling
Ongeveer 70% van de woningen in Peru wordt informeel gebouwd zonder technisch ontwerp, voornamelijk met gebruik van ingesloten metselwerk met druksterktes die onder de minima van de NTE E.070-norm liggen. Gelegen in een zone met hoge seismische activiteit waar een evenement met een magnitude $M_w \approx 8.0$ statistisch verwacht wordt, staan deze structuren bloot aan ernstige kwetsbaarheid; onder een intensiteit-IX scenario zou meer dan 32% graad-4 schade kunnen oplopen. Terwijl de Verenigde Staten geavanceerde versterkingsprogramma's hebben (bijv. GRRP) die gebruikmaken van machine learning (ML) en machine-learning-ondersteunde prioritering, en Japan gecodificeerde richtlijnen heeft voor Ultra-High-Performance Beton (UHPC) en Vezelversterkte Polymeren (FRP) (JBDPA-2001), mist Peru een nationaal versterkingsprogramma specif으로 voor kwetsbare huisvesting en een expliciete normatieve route voor UHPC en FRP-nanocomposieten. Bovendien onderschatten bestaande empirische ontwerkgelijkkingen voor deze materialen vaak de capaciteit in vergelijking met ML-modellen getraind op grote datasets, en blijft topologie-optimalisatie (TO) grotendeels afwezig bij het ontwerp van metselwerkversterkingen.

Methodologie
De studie hanteert een transdisciplinair technisch-synthetisch ontwerp bestaande uit drie pijlers:

1. Vergelijkende Analyse: Een kwantitatieve matrix van elf rijen werd ontwikkeld om de seismische versterkingspraktijken in de Verenigde Staten, Japan en Peru te contrasteren. Deze analyse omvat regelgevingskaders, doeltypologieën voor woningbouw, kwetsbaarheidsindices, dominante technologieën en de toepassing van ML-algoritmen (specifiek Random Forest, XGBoost en Gradient Boosting Regression Trees).
2. Topologie-optimalisatie (TO): Een tweedimensionaal plane-stress probleem werd geformuleerd voor een typische 2,40 m $\times$ 2,40 m ingesloten metselwerkwand. Met behulp van de Solid Isotropic Material with Penalization (SIMP)-methode minimaliseerde de studie de rekenergie met een volumebeperking van 30% voor de UHPC-overlay. Het domein werd gediscretiseerd in een 96 $\times$ 96 mesh, met een passieve zone van 50 mm rond de tie-kolommen. De optimalisatie maakte gebruik van een optimaliteitscriteria-methode met een sensitiviteitsfilterradius van 1,5 elementbreedtes.
3. Predictieve Modellering en Structurele Vergelijkingen: Het framework integreert ML-voorspellingen voor materiaalkracht met vier specifieke constructieve vergelijkingen:
   • SIMP Penalization: Om dichtheidswaarden naar binaire toestanden (0 of 1) te drijven.
   • ACI 440.2R: Voor het berekenen van de FRP-bijdrage aan de nominale scherftecapaciteit.
   • Mander-Priestley-Park Model: Voor het bepalen van de ingesloten betonsterkte ($f'_{cc}$) van UHPC-omhulde kolommen.
   • NTE E.030-2018: Voor het berekenen van het pseudo-acceleratiespectrum ($S_a$) voor seismisch ontwerp in Lima.

Belangrijkste Resultaten

• Vergelijkingsmatrix: De analyse laat zien dat hoewel de VS leidt in financieringsschaal en Japan in gecodificeerde technologische diepte (met name het gebruik van UHPC), Peru achterloopt in ML-adoptie, UHPC-codificatie en het gebruik van door nanotechnologie gemodificeerde FRP. De kloof in predictieve nauwkeurigheid (ML $R^2$-waarden) wordt geïdentificeerd als het meest actiegerichte gebied voor directe verbetering.
• Optimalisatie-uitkomst: De SIMP-geoptimaliseerde UHPC-overlay convergeerde in ongeveer 47 iteraties. De resulterende geometrie vertoont twee diagonale compressiestaven die de basiscorners verbinden met de bovenste tie-kolommen, met verbrede flenzen boven en onder openingen. Deze lay-out sluit aan bij de krachtstromingspaden en vermindert het materiaalveul zonder de stijfheid in gevaar te brengen.
• Predictieve Prestaties: De gerefereerde ML-modellen vertonen een hoge nauwkeurigheid: Random Forest-modellen bereikten een Pearson correlatiecoëfficiënt ($R$) van 0,94 voor de UHPC-druksterkte, en Gradient Boosting Regression Trees bereikten een $R^2$ van 0,987 voor FRP-ingesloten beton.
• Constructie-adaptatie: Het artikel stelt een constructieprocesstroom voor die de Japanse JBDPA-2001 richtlijnen aanpast aan de Peruaanse context. Belangrijke aanpassingen omvatten het vervangen van stoomuitharding door traditionele vochtige uitharding, het beperken van de overlay-dikte tot 40 mm, en het gebruik van epoxy bouten voor CFRP-verankering, conform NTE E.070.

Betekenis en Claims
Het artikel claimt dat de primaire nieuwheid ligt in de eerste koppeling van datagestuurde ML-voorspelling met generatieve topologie-optimalisatie specifiek voor het ontwerp van versterkingslagen voor informele Peruaanse woningbouw. Door deze geavanceerde computationele methoden te integreren met gevestigde structurele vergelijkingen, biedt het framework een kwantitatieve basis voor het bepalen van de omvang van versterkingsinterventies die zich richten op kritieke spanningspaden in plaats van het aanbrengen van een volledige wandversterking.

De studie stelt dat deze aanpak:

1. Technologie Transfereert: Het formaliseert een roadmap voor de overdracht van de Amerikaanse en Japanse ervaringen (financieringsmodellen en constructieve strengheid) naar de Peruaanse normatieve en vakmanschapcontext.
2. Resources Optimaliseert: Het maakt een gerichte versterkingsstrategie mogelijk die het volume van dure materialen (UHPC en FRP-nanocomposieten) vermindert terwijl de opsluitingscapaciteit in kritieke zones behouden blijft.
3. Een Repiceerbaar Framework Biedt: Het codificeert een constructieprocesstroom en een set van vier moderne ontwerpgelijkheden die als referentie kunnen dienen voor toekomstige regelgevende updates en subsidieprogramma's, zoals de "Bono de Proteccion de Vivienda Vulnerable".

De auteurs nemen een bescheiden standpunt in door te erkennen dat het framework nog niet in het veld is gevalideerd en dat de ML-modellen afhankelijk zijn van laboratoriumgegevens. Zij identificeren toekomstig werk als noodzakelijk om het systeem te valideren via geïnstrumenteerde pilottests, de optimalisatie uit te breiden naar 3D-domeinen met niet-lineair metselgedrag, en de specifieke incorporatie van UHPC/FRP-lijnen in de Peruaanse subsidiewetgeving te evalueren.