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

Technische Samenvatting: Een Vergelijkbaar Machine Learning (ML) Metaheuristisch Framework voor de Optimalisatie van Boutafstand onder IS 800, Eurocode 3 en AISC

Probleemstelling
Het ontwerp van boutverbindingen in staalconstructies vereist een kritische balans tussen structurele veiligheid, materiaalefficiëntie en uitvoerbaarheid. Traditioneel vertrouwen ingenieurs op de minimale en maximale toegestane afstand tussen bouten zoals voorgeschreven door ontwerpnormen (IS 800:2007, Eurocode 3 en AISC 360-16). Deze door normen voorgeschreven limieten leiden echter vaak tot conservatieve ontwerpen die de materiaalkosten verhogen zonder dat daar een evenredig veiligheidsvoordeel tegenover staat. Bovendien behandelt de bestaande literatuur vaak optimalisatie binnen één specifieke norm of vertrouwt het op vereenvoudigde casestudies, waarbij een verenigd framework dat voorspellende modellering met metaheuristische optimalisatie over meerdere internationale standaarden integreert, ontbreekt. Er is een duidelijk gat in het begrip van hoe de afstand tussen bouten interageert met faalmechanismen en materiaaleigenschappen om optimale, aan de normen voldoende ontwerpen te produceren die het materiaalgebruik minimaliseren terwijl de veiligheid wordt gewaarborgd.

Methodologie
De studie stelt een geïntegreerd framework voor dat data-gestuurde machine learning (ML) combineert met metaheuristische optimalisatie om de optimale boutafstanden te bepalen. De methodologie verloopt via vier afzonderlijke fasen:

1. Datageneratie: Een uitgebreide synthetische dataset van 4.500 configuraties van boutverbindingen werd gegenereerd. Deze dataset is afgeleid van de specifieke limieten en vereisten van IS 800, Eurocode 3 en AISC. Het bevat 1.500 configuraties per norm, inclusief variabelen zoals materiaaleigenschappen (vloeigrens en treksterkte), geometrische parameters (boutdiameter, plaatdikte, randafstanden), belastingscondities (schuif, trek, moment) en verbindingstypen. Een gewogen efficiëntiemetriek werd vastgesteld, waarbij prioriteit werd gegeven aan veiligheid (70%) en materiaalefficiëntie (30%), om configuraties te classificeren als "Optimaal" of "Niet-Optimaal".
2. Machine Learning Classificatie: Zes ML-algoritmen—Random Forest (RF), XGBoost, Support Vector Machine (SVM), Neurale Netwerken (NN), Gradient Boosting (GB) en Logistische Regressie (LR)—werden getraind om optimale pitch-classificaties te voorspellen. De prestaties van de modellen werden geëvalueerd op basis van nauwkeurigheid, ROC AUC en trainingstijd. Een analyse van de feature-belangrijkheid werd uitgevoerd om de belangrijkste beïinfluente parameters te identificeren.
3. Metaheuristische Optimalisatie: Twee optimalisatiealgoritmen, het Genetisch Algoritme (GA) en Simulated Annealing (SA), werden geïmplementeerd om de exacte pitch-waarden te identificeren die de efficiëntiemetriek maximaliseren terwijl ze voldoen aan de normrestricties. Beide algoritmen werden geconfigureerd om de negatieve waarde van de efficiëntiemetriek te minimaliseren.
4. Validatie en Gevoeligheidsanalyse: De geoptimaliseerde resultaten werden gevalideerd tegen experimentele gegevens uit recente studies om voorspellingsfouten te berekenen. Daarnaast werd een gevoeligheidsanalyse uitgevoerd door sleutelparameters (boutdiameter, plaatdikte, aantal bouten, schuifbelasting, trekbelasting) met ±30% te variëren om hun invloed op de optimale pitch te bepalen.

Belangrijkste Resultaten

• Machine Learning Prestaties: De Random Forest-classifier bleek het meest effectieve model, met een nauwkeurigheid van 0,923 en een ROC AUC van 0,941. XGBoost volgde op korte afstand met een nauwkeurigheid van 0,917 en een ROC AUC van 0,938. De analyse van de feature-belangrijkheid toonde aan dat de boutdiameter de meest kritische parameter is die de pitchafstand beïnvloedt (belangrijkheidswaarde ~0,217), gevolgd door de schuifbelasting, plaatdikte en het aantal bouten.
• Optimalisatie-uitkomsten: Zowel GA als SA convergeerden naar identieke optimale oplossingen voor elke norm, wat consistentie aantoont. Het Genetisch Algoritme (GA) vertoonde een superieure betrouwbaarheid en lagere foutpercentages vergeleken met Simulated Annealing (SA) bij validatie tegen experimentele gegevens. De gemiddelde fout voor GA was 8,7%, terwijl SA een gemiddelde fout van 9,3% vertoonde. GA vertoonde een smalle foutverdeling, terwijl SA een hogere variantie en significante uitschieters vertoonde.
• Normspecifieke Optimale Ratio's: De studie identificeerde verschillende optimale pitch-diameter (P/D) ratio's voor elke norm:
  • IS 800: 2,8–3,2
  • Eurocode 3: 2,5–2,9
  • AISC: 2,9–3,3
• Gevoeligheidsbevindingen: Boutdiameter, schuifbelasting en het aantal bouten hadden de meest significante impact op de optimale pitch. Daarentegen hadden plaatdikte en trekbelasting een minimale invloed binnen de geteste bereiken. De analyse bevestigde dat het optimalisatieramwerk robuust blijft over verschillende ontwerpnormen heen.

Betekenis en Bijdragen
Het artikel beweert een aanzienlijk onderzoeksgat te adresseren door een uitgebreid framework te bieden dat ML-gebaseerde classificatie combineert met metaheuristische optimalisatie, specifiek voor het ontwerp van de boutafstand in boutverbindingen over drie belangrijke internationale normen. De primaire bijdragen zijn:

1. Verenigd Framework: Het vermogen om te opereren binnen IS 800, Eurocode 3 en AISC, wat vergelijkende analyse en normspecifieke optimalisatie in één enkel systeem mogelijk maakt.
2. Praktische Ontwerpaanbevelingen: De studie biedt bruikbare richtlijnen voor ingenieurs, door doel-pitchwaarden voor te stellen (bijv. ~3,0d voor IS 800, ~2,7d voor Eurocode 3, ~3,1d voor AISC) die een balans vinden tussen veiligheid en materiaaleconomie.
3. Validatie van Computationele Methoden: Door het framework te valideren tegen experimentele gegevens, demonstreert de studie dat het combineren van voorspellende ML-modellen met GA betrouwbare, aan de norm voldoende ontwerpen kan opleveren die het materiaalgebruik verminderen zonder de structurele integriteit in gevaar te brengen.
4. Efficiëntieverbetering: De voorgestelde aanpak biedt een systematisch alternatief voor traditioneel handmatig ontwerp, wat potentieel de inherent conservatieve aard van door normen voorgeschreven limieten vermindert en de efficiëntie van het ontwerp van staalconstructies verbetert.

De auteurs concluderen dat hoewel het framework het ontwerpproces aanzienlijk verbetert, toekomstig werk zich moet richten op het verbreden van het model door meer variabelen, verschillende faalmechanismen en complexe belastingscondities op te nemen om de nauwkeurigheid en toepasbaarheid verder te vergroten.