⚡ electrical engineering

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

本研究提出了一种结合随机森林与遗传算法的机器学习与元启发式优化框架，用于确定钢结构连接件的最佳螺栓间距，在实现高预测准确度的同时，验证了其在 IS 800、Eurocode 3 及 AISC 标准下的设计效率。

原作者： Sajjan Wagh, Sachin Patil, Pravin Gunaware, Atul Khatri, Sushilkumar Magade

发布于 2026-08-31

📖 1 分钟阅读☕ 轻松阅读

原作者： Sajjan Wagh, Sachin Patil, Pravin Gunaware, Atul Khatri, Sushilkumar Magade

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

技术摘要：针对 IS 800、Eurocode 3 和 AISC 标准下螺栓螺距优化的比较机器学习 (ML) 元启发式框架

问题陈述
钢结构中螺栓连接的设计需要在结构安全性、材料效率和可建造性之间取得关键平衡。传统上，工程师依赖于设计规范（IS 800:2007、Eurocode 3 和 AISC 360-16）规定的最小和最大允许螺距距离。然而，这些规范规定的限制往往导致设计过于保守，在没有提供相应安全优势的情况下增加了材料成本。此外，现有文献通常仅针对单一规范进行优化研究，或依赖于简化的案例研究，缺乏一个能够整合预测模型与跨多个国际标准的元启发式优化的统一框架。在理解螺距如何与失效模式及材料特性相互作用，从而产生既符合规范又能最小化材料使用量的最优设计方面，存在明显的认知空白。

研究方法
本研究提出了一种结合数据驱动机器学习 (ML) 与元启发式优化来确定最优螺栓螺距距离的集成框架。该方法通过四个阶段进行：

数据生成： 生成了一个包含 4,500 个螺栓连接配置的综合合成数据集。该数据集根据 IS 800、Eurocode 3 和 AISC 的特定限制和要求构建。其中包含每个规范 1,500 个配置，涵盖了各项变量，如材料属性（屈服强度和极限强度）、几何参数（螺栓直径、板厚、边缘距离）、载荷条件（剪切、拉伸、弯矩）以及连接类型。建立了一个加权效率指标，优先考虑安全性 (70%) 和材料效率 (30%)，以此将配置分类为“最优”或“非最优”。
机器学习分类： 训练了六种机器学习算法——随机森林 (RF)、XGBoost、支持向量机 (SVM)、神经网络 (NN)、梯度提升 (GB) 和逻辑回归 (LR) ——用于预测最优螺距分类。通过准确率、ROC AUC 和训练时间对模型性能进行了评估。同时进行了特征重要性分析，以识别关键影响参数。
元启发式优化： 实施了两种优化算法——遗传算法 (GA) 和模拟退火算法 (SA) ——以在遵守规范约束的同时，寻找使效率指标最大化的精确螺距值。两种算法均通过最小化效率指标的负值来进行配置。
验证与敏感性分析： 将优化结果与近期研究中的实验数据进行对比验证，以计算预测误差。此外，通过将关键参数（螺栓直径、板厚、螺栓数量、剪切载荷、拉伸载荷）在 ±30% 范围内进行变化，进行了敏感性分析，以确定其对最优螺距的影响。

主要结果

机器学习性能： 随机森林分类器表现最为出色，准确率达到 0.923，ROC AUC 为 0.941。XGBoost 以 0.917 的准确率和 0.938 的 ROC AUC 紧随其后。特征重要性分析显示，螺栓直径是影响螺距距离最关键的参数（重要性数值约为 0.217），其次是剪切载荷、板厚和螺栓数量。
优化结果： GA 和 SA 均收敛至各规范下的相同最优解，证明了其一致性。在针对实验数据进行验证时，遗传算法 (GA) 展示了比模拟退火算法 (SA) 更高的可靠性和更低的误差率。GA 的平均误差为 8.7%，而 SA 的平均误差为 9.3%。GA 表现出较窄的误差分布，而 SA 则表现出较高的方差和显著的离群值。
规范特定最优比例： 研究确定了各规范不同的最优螺距直径比 (P/D)：
- IS 800： 2.8–3.2
- Eurocode 3： 2.5–2.9
- AISC： 2.9–3.3
敏感性发现： 螺栓直径、剪切载荷和螺栓数量被发现对最优螺距有最显著的影响。相反，在测试范围内，板厚和拉伸载荷的影响极小。分析确认，该优化框架在不同设计规范下均保持稳健。

意义与贡献
本文声称解决了重要的研究空白，提供了一个专门针对三种主要国际规范下螺栓连接螺距设计的、整合了基于 ML 的分类与元启发式优化的综合框架。其主要贡献包括：

统一框架： 能够跨 IS 800、Eurocode 3 和 AISC 进行操作，实现单系统内的对比分析和规范特定优化。
实际设计建议： 研究提供了可操作的指南，建议目标螺距值（例如，IS 800 约为 ~3.0d，Eurocode 3 约为 ~2.7d，AISC 约为 ~3.1d），以平衡安全性与材料经济性。
计算方法的验证： 通过利用实验数据验证该框架，研究证明了结合预测性 ML 模型与 GA 可以产生可靠且符合规范的设计，从而在不损害结构完整性的前提下减少材料使用。
效率提升： 所提出的方法为传统的工程设计提供了一种系统性的替代方案，有望降低规范规定限制中固有的保守性，并提高钢结构设计的效率。

作者总结道，虽然该框架显著改善了设计过程，但未来的工作应旨在扩大模型范围，纳入更多变量、不同的失效机制以及复杂的载荷条件，以进一步增强其准确性和适用性。

类似论文