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

Resumo Técnico: Uma Estrutura de Metaheurística de Aprendizado de Máquina (ML) Comparativa para Otimização do Passo de Parafusos sob IS 800, Eurocode 3 e AISC

Definição do Problema
O projeto de conexões parafusadas em estruturas de aço exige um equilíbrio crítico entre segurança estrutural, eficiência de materiais e construtibilidade. Tradicionalmente, os engenheiros dependem dos limites mínimos e máximos de distância de passo prescritos pelas normas de projeto (IS 800:2007, Eurocode 3 e AISC 360-16). No entanto, esses limites prescritos pelas normas frequentemente levam a projetos conservadores que aumentam os custos de materiais sem proporcionar vantagens de segurança proporcionais. Além disso, a literatura existente frequentemente aborda a otimização dentro de uma única norma ou baseia-se em estudos de caso simplificados, carecendo de uma estrutura unificada que integre modelagem preditiva com otimização metaheurística através de múltiplas normas internacionais. Existe uma lacuna distinta na compreensão de como o espaçamento dos parafusos interage com os modos de falha e as características dos materiais para produzir designs otimizados e em conformidade com as normas, minimizando o uso de materiais enquanto garante a segurança.

Metodologia
O estudo propõe uma estrutura integrada combinando aprendizado de máquina (ML) baseado em dados e otimização metaheurística para determinar as distâncias ideais de passo de parafusos. A metodologia procede através de quatro fases distintas:

1. Geração de Dados: Um conjunto de dados sintéticos abrangente de 4.500 configurações de conexões parafusadas foi gerado. Este conjunto de dados foi derivado dos limites e requisitos específicos do IS 800, Eurocode 3 e AISC. Ele inclui 1.500 configurações por norma, incorporando variáveis como propriedades dos materiais (resistência de escoamento e última), parâmetros geométricos (diâmetro do parafuso, espessura da placa, distâncias de borda), condições de carga (cisalhamento, tração, momento) e tipos de conexão. Uma métrica de eficiência ponderada foi estabelecida, priorizando a segurança (70%) e a eficiência de material (30%), para classificar as configurações como "Otimizadas" ou "Não Otimizadas".
2. Classificação por Aprendizado de Máquina: Seis algoritmos de ML — Random Forest (RF), XGBoost, Support Vector Machine (SVM), Redes Neurais (NN), Gradient Boosting (GB) e Regressão Logística (LR) — foram treinados para prever as classificações de passo otimizadas. O desempenho do modelo foi avaliado com base na acurácia, ROC AUC e tempo de treinamento. A análise de importância de atributos foi realizada para identificar os parâmetros influentes fundamentais.
3. Otimização Metaheurística: Dois algoritmos de otimização, Algoritmo Genético (GA) e Simulated Annealing (SA), foram implementados para identificar os valores precisos de passo que maximizam a métrica de eficiência enquanto aderem às restrições das normas. Ambos os algoritmos foram configurados para minimizar o negativo da métrica de eficiência.
4. Validação e Análise de Sensibilidade: Os resultados otimizados foram validados contra dados experimentais de estudos recentes para calcular os erros de previsão. Adicionalmente, uma análise de sensibilidade foi realizada variando parâmetros chave (diâmetro do parafuso, espessura da placa, número de parafusos, carga de cisalhamento, carga de tração) em ±30% para determinar sua influência no passo otimizado.

Principais Resultados

• Desempenho do Aprendizado de Máquina: O classificador Random Forest emergiu como o modelo mais eficaz, alcançando uma acurácia de 0,923 e um ROC AUC de 0,941. O XGBoost seguiu de perto com uma acurácia de 0,917 e um ROC AUC de 0,938. A análise de importância de atributos revelou que o diâmetro do parafuso é o parâmetro mais crítico que influencia a distância do passo (valor de importância ~0,217), seguido pela carga de cisalhamento, espessura da placa e o número de parafusos.
• Resultados de Otimização: Tanto o GA quanto o SA convergiram para soluções ótimas idênticas para cada norma, demonstrando consistência. O Algoritmo Genético (GA) demonstrou maior confiabilidade e menores taxas de erro em comparação ao Simulated Annealing (SA) quando validado contra dados experimentais. O erro médio para o GA foi de 8,7%, enquanto o SA apresentou um erro médio de 9,3%. O GA mostrou uma distribuição de erro estreita, enquanto o SA exibiu maior variância e outliers significativos.
• Razões Ótimas Específicas por Norma: O estudo identificou razões distintas de passo-diâmetro (P/D) para cada norma:
  • IS 800: 2,8–3,2
  • Eurocode 3: 2,5–2,9
  • AISC: 2,9–3,3
• Descobertas de Sensibilidade: O diâmetro do parafuso, a carga de cisalhamento e o número de parafusos foram identificados como tendo o impacto mais significativo no passo otimizado. Por outro lado, a espessura da placa e a carga de tração tiveram influência mínima dentro das faixas testadas. A análise confirmou que a estrutura de otimização permanece robusta em diferentes normas de projeto.

Significância e Contribuições
O artigo afirma abordar uma lacuna de pesquisa significativa ao fornecer uma estrutura abrangente que integra classificação baseada em ML com otimização metaheurística especificamente para o design de passo de conexões parafusadas através de três grandes normas internacionais. As principais contribuições incluem:

1. Estrutura Unificada: A capacidade de operar através do IS 800, Eurocode 3 e AISC, permitindo análise comparativa e otimização específica por norma em um único sistema.
2. Recomendações Práticas de Design: O estudo fornece diretrizes acionáveis para engenheiros, sugerindo valores de passo alvo (ex: ~3,0d para IS 800, ~2,7d para Eurocode 3, ~3,1d para AISC) que equilibram segurança e economia de material.
3. Validação de Métodos Computacionais: Ao validar a estrutura contra dados experimentais, o estudo demonstra que a combinação de modelos preditivos de ML com GA pode produzir designs confiáveis e em conformidade com as normas que reduzem o uso de materiais sem comprometer a integridade estrutural.
4. Melhoria de Eficiência: A abordagem proposta oferece uma alternativa sistemática ao design manual tradicional, podendo reduzir o conservadorismo inerente aos limites prescritos pelas normas e melhorar a eficiência do design de estruturas de aço.

Os autores concluem que, embora a estrutura melhore significativamente o processo de design, trabalhos futuros devem visar a ampliação do modelo para incluir mais variáveis, diferentes mecanismos de falha e condições de carga complexas para aumentar ainda mais a precisão e aplicabilidade.