Candidate of Technical Sciences, Associate Professor of the Department of Mathematics and Informatics
кандидат технических наук, доцент кафедры математики и информатики
Doctor of Technical Sciences, Professor of the Department of Structural Mechanics and Theory of Structures
доктор технических наук, профессор кафедры строительной механики и теории сооружений
Doctor of Technical Sciences, Professor of the Department of Structural Mechanics and Theory of Structures
доктор технических наук, профессор кафедры строительной механики и теории сооружений
The process of predicting the load-bearing capacity of eccentrically compressed circular concrete filled steel tube (CFST) columns using machine learning algorithms is investigated. The relevance of the work is established by the need to improve the accuracy of engineering calculations in the context of increasingly complex architectural solutions. The purpose of the study is to develop and evaluate the effectiveness of intelligent models for reliable prediction of CFST column strength based on key parameters of the structure and materials. The object of the study was short, eccentrically compressed CFST columns of circular cross-section. The input parameters of the machine learning models were the outer diameter of the column section, tube wall thickness, concrete strength, yield strength of steel and relative eccentricity. The load-bearing capacity of the column was taken as the output parameter. CatBoost and Random Forest Regressor (RFR) algorithms with hyperparameter optimization using the Optuna library were used for forecasting. The quality of the models was assessed using the MAE, MSE, and MAPE metrics. As a result of the study, intelligent models were developed. The CatBoost model demonstrated better accuracy rates (MAE = 67.1; MSE = 86.2; MAPE = 0.07%) compared to RFR (MAE = 72.6; MSE = 89.7; MAPE = 0.15%). The feature importance analysis showed that the outer diameter of the column and the relative eccentricity have the greatest influence on the bearing capacity. Correlation analysis confirmed the high dependence of the output parameter on these factors. The obtained results are recommended for use in calculation modules and supporting engineering systems for design solutions of load-bearing structures.
Исследован процесс прогнозирования несущей способности внецентренно сжатых круглых трубобетонных колонн (ТБК) с использованием алгоритмов машинного обучения. Актуальность работы обусловлена необходимостью повышения точности инженерных расчетов в условиях усложняющихся архитектурных решений. Цель исследования - разработка и оценка эффективности интеллектуальных моделей для надежного прогнозирования прочности ТБК на основе ключевых параметров конструкции и материалов. Объектом исследования выступили короткие внецентренно сжатые трубобетонные колонны круглого сечения. Входными параметрами моделей машинного обучения являлись наружный диаметр сечения колонны, толщина стенки трубы, прочность бетона, предел текучести стали и относительный эксцентриситет. В качестве выходного параметра принималась несущая способность колонны. Для прогнозирования использовались алгоритмы CatBoost и Random Forest Regressor (RFR) с оптимизацией гиперпараметров посредством библиотеки Optuna. Оценка качества моделей проводилась по метрикам MAE, MSE и MAPE. В результате исследования разработаны интеллектуальные модели. Модель CatBoost продемонстрировала лучшие показатели точности (MAE = 67,1; MSE = 86,2; MAPE = 0,07 %) по сравнению с RFR (MAE = 72,6; MSE = 89,7; MAPE = 0,15 %). Анализ важности признаков показал, что наибольшее влияние на несущую способность оказывают наружный диаметр колонны и относительный эксцентриситет. Корреляционный анализ подтвердил высокую зависимость выходного параметра от этих факторов. Полученные результаты рекомендуются к использованию в расчетных модулях и инженерных системах поддержки принятия решений при проектировании несущих конструкций зданий и сооружений.