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
Postgraduate student of the Department of Structural Mechanics and Theory of Structures
аспирант 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
An algorithm for generating the training dataset and the machine learning model for selecting the cross-sectional dimensions of eccentrically compressed concrete filled steel tubular (CFST) columns have been developed. The paper presents a predictive model based on the CatBoost algorithm for determining the optimal geometric parameters (width b and height h ) of the cross-section of rectangular CFST columns in compliance with regulatory strength requirements. The input parameters used were the concrete compressive strength class B according to Russian standards, the magnitude of the longitudinal force F , the wall thickness of the steel section t and the eccentricity of load application e . The model was trained on a synthetic sample formed taking into account the conditions of limit equilibrium under the combined action of the axial force and bending moment, restrictions on the cross-sectional dimensions in the range from 100 to 500 mm, strength conditions, as well as the requirements for minimizing the cost of the structure. The application of the CatBoost algorithm allowed achieving high forecasting accuracy with an average of two target variable metrics: the determination coefficient R ² = 0.999122 and the average error in determining the section dimensions of 2.485 mm. The obtained results demonstrate the significant potential for using the developed model in the practical activities of design organizations, ensuring the accuracy of calculations while simultaneously optimizing material costs and reducing the time for implementing design solutions.
Разработан алгоритм формирования обучающего датасета, а также модель машинного обучения для подбора размеров поперечного сечения внецентренно сжатых трубобетонных колонн. Представлена прогнозная модель на основе алгоритма CatBoost для определения оптимальных геометрических параметров (ширины b и высоты h ) поперечного сечения прямоугольных трубобетонных колонн с соблюдением нормативных требований по прочности. В качестве входных параметров использованы класс бетона по прочности на сжатие B согласно российским стандартам, величина продольной силы F , толщина стенки стального профиля t и эксцентриситет приложения нагрузки e . Обучение модели проводилось на синтетической выборке, сформированной с учетом условий предельного равновесия при комбинированном действии продольной силы и изгибающего момента, ограничений на габариты сечения в диапазоне от 100 до 500 мм, условия прочности, а также требования минимизации стоимости конструкции. Применение алгоритма CatBoost позволило достичь высокой точности прогнозирования с усредненным по двум целевым переменным метрикам: коэффициентом детерминации R ² = 0,999122 и средней ошибкой определения размеров сечения 2,485 мм. Полученные результаты демонстрируют значительный потенциал использования разработанной модели в практической деятельности проектных организаций, обеспечивая точность расчетов при одновременной оптимизации материальных затрат и сокращении времени выполнения проектных решений.