Published June 1, 2024
| Version v1
Publication
Machine learning for optimal design of circular hollow section stainless steel stub columns: A comparative analysis with Eurocode 3 predictions
Creators
- 1. Abdelmalek Essaâdi University
- 2. Jerash University
- 3. Universidade Federal de Uberlândia
- 4. Brunel University London
- 5. London South Bank University
- 6. Mutah University
Description
Stainless steel has many advantages when used in structures, however, the initial cost is high. Hence, it is essential to develop reliable and accurate design methods that can optimize the material. As novel, reliable soft computation methods, machine learning provided more accurate predictions than analytical formulae and solved highly complex problems. The present study aims to develop machine learning models to predict the cross-section resistance of circular hollow section stainless steel stub column. A parametric study is conducted by varying the diameter, thickness, length, and mechanical properties of the column. This database is used to train, validate, and test machine learning models, Artificial Neural Network (ANN), Decision Trees for Regression (DTR), Gene Expression Programming (GEP) and Support Vector Machine Regression (SVMR). Thereafter, results are compared with finite element models and Eurocode 3 (EC3) to assess their accuracy. It was concluded that the EC3 models provided conservative predictions with an average Predicted-to-Actual ratio of 0.698 and Root Mean Square Error (RMSE) of 437.3. The machine learning models presented the highest level of accuracy. However, the SVMR model based on RBF kernel presented a better performance than the ANN, GEP and DTR machine learning models, and RMSE value for SVMR, ANN, GEP and DTR is 22.6, 31.6, 152.84 and 29.07, respectively. The GEP leads to the lowest level of accuracy among the other three machine learning models, yet, it is more accurate than EC3. The machine learning models were implemented in a user-friendly tool, which can be used for design purposes.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يتمتع الفولاذ المقاوم للصدأ بالعديد من المزايا عند استخدامه في الهياكل، ومع ذلك، فإن التكلفة الأولية مرتفعة. وبالتالي، من الضروري تطوير طرق تصميم موثوقة ودقيقة يمكنها تحسين المواد. كطرق حساب ناعمة جديدة وموثوقة، قدم التعلم الآلي تنبؤات أكثر دقة من الصيغ التحليلية وحل المشكلات المعقدة للغاية. تهدف هذه الدراسة إلى تطوير نماذج التعلم الآلي للتنبؤ بمقاومة المقطع العرضي لعمود كعب الفولاذ المقاوم للصدأ للقسم المجوف الدائري. يتم إجراء دراسة بارامترية عن طريق تغيير قطر العمود وسمكه وطوله وخصائصه الميكانيكية. تُستخدم قاعدة البيانات هذه لتدريب نماذج التعلم الآلي والتحقق من صحتها واختبارها، والشبكة العصبية الاصطناعية (ANN)، وأشجار القرار للانحدار (DTR)، وبرمجة التعبير الجيني (GEP)، ودعم انحدار آلة المتجهات (SVMR). بعد ذلك، تتم مقارنة النتائج بنماذج العناصر المحدودة والرمز الأوروبي 3 (EC3) لتقييم دقتها. تم التوصل إلى أن نماذج EC3 قدمت تنبؤات متحفظة بمتوسط نسبة متوقعة إلى فعلية 0.698 وخطأ مربع متوسط الجذر (RMSE) 437.3. قدمت نماذج التعلم الآلي أعلى مستوى من الدقة. ومع ذلك، قدم نموذج SVMR القائم على نواة RBF أداءً أفضل من نماذج التعلم الآلي ANN و GEP و DTR، وقيمة RMSE لـ SVMR و ANN و GEP و DTR هي 22.6 و 31.6 و 152.84 و 29.07 على التوالي. تؤدي السياسة البيئية العالمية إلى أدنى مستوى من الدقة بين نماذج التعلم الآلي الثلاثة الأخرى، ومع ذلك، فهي أكثر دقة من EC3. تم تنفيذ نماذج التعلم الآلي في أداة سهلة الاستخدام، والتي يمكن استخدامها لأغراض التصميم.Translated Description (French)
L'acier inoxydable présente de nombreux avantages lorsqu'il est utilisé dans des structures, cependant, le coût initial est élevé. Par conséquent, il est essentiel de développer des méthodes de conception fiables et précises qui peuvent optimiser le matériau. En tant que nouvelles méthodes de calcul logiciel fiables, l'apprentissage automatique a fourni des prédictions plus précises que les formules analytiques et a résolu des problèmes très complexes. La présente étude vise à développer des modèles d'apprentissage automatique pour prédire la résistance en coupe transversale de la colonne tronquée en acier inoxydable à section creuse circulaire. Une étude paramétrique est réalisée en faisant varier le diamètre, l'épaisseur, la longueur et les propriétés mécaniques de la colonne. Cette base de données est utilisée pour former, valider et tester des modèles d'apprentissage automatique, le réseau neuronal artificiel (RNA), les arbres de décision pour la régression (DTR), la programmation de l'expression génique (GEP) et la régression vectorielle de soutien (SVMR). Par la suite, les résultats sont comparés aux modèles par éléments finis et à l'Eurocode 3 (EC3) pour évaluer leur précision. Il a été conclu que les modèles EC3 fournissaient des prédictions prudentes avec un rapport moyen prédit/effectif de 0,698 et une erreur quadratique moyenne (RMSE) de 437,3. Les modèles d'apprentissage automatique présentaient le plus haut niveau de précision. Cependant, le modèle SVMR basé sur le noyau RBF a présenté une meilleure performance que les modèles d'apprentissage automatique ANN, GEP et DTR, et la valeur RMSE pour SVMR, ANN, GEP et DTR est de 22,6, 31,6, 152,84 et 29,07, respectivement. Le GEP conduit au niveau de précision le plus bas parmi les trois autres modèles d'apprentissage automatique, mais il est plus précis que EC3. Les modèles d'apprentissage automatique ont été mis en œuvre dans un outil convivial, qui peut être utilisé à des fins de conception.Translated Description (Spanish)
El acero inoxidable tiene muchas ventajas cuando se utiliza en estructuras, sin embargo, el coste inicial es alto. Por lo tanto, es esencial desarrollar métodos de diseño confiables y precisos que puedan optimizar el material. Como métodos de cálculo blandos novedosos y confiables, el aprendizaje automático proporcionó predicciones más precisas que las fórmulas analíticas y resolvió problemas altamente complejos. El presente estudio tiene como objetivo desarrollar modelos de aprendizaje automático para predecir la resistencia de la sección transversal de la columna de mangueta de acero inoxidable de sección hueca circular. Se realiza un estudio paramétrico variando el diámetro, el grosor, la longitud y las propiedades mecánicas de la columna. Esta base de datos se utiliza para entrenar, validar y probar modelos de aprendizaje automático, redes neuronales artificiales (ANN), árboles de decisión para regresión (DTR), programación de expresión génica (GEP) y regresión de máquinas de vectores de soporte (SVMR). A partir de entonces, los resultados se comparan con los modelos de elementos finitos y el Eurocódigo 3 (EC3) para evaluar su precisión. Se concluyó que los modelos EC3 proporcionaron predicciones conservadoras con una relación media entre lo predicho y lo real de 0,698 y un error cuadrático medio (RMSE) de 437,3. Los modelos de aprendizaje automático presentaron el más alto nivel de precisión. Sin embargo, el modelo SVMR basado en el núcleo RBF presentó un mejor rendimiento que los modelos de aprendizaje automático ANN, GEP y DTR, y el valor RMSE para SVMR, ANN, GEP y DTR es 22.6, 31.6, 152.84 y 29.07, respectivamente. El GEP conduce al nivel más bajo de precisión entre los otros tres modelos de aprendizaje automático, sin embargo, es más preciso que el EC3. Los modelos de aprendizaje automático se implementaron en una herramienta fácil de usar, que se puede utilizar para fines de diseño.Additional details
Additional titles
- Translated title (Arabic)
- التعلم الآلي للتصميم الأمثل لأعمدة كعب الفولاذ المقاوم للصدأ للقسم المجوف الدائري: تحليل مقارن مع توقعات Eurocode 3
- Translated title (French)
- Apprentissage automatique pour une conception optimale des colonnes tronquées en acier inoxydable à section creuse circulaire : une analyse comparative avec les prédictions de l'Eurocode 3
- Translated title (Spanish)
- Aprendizaje automático para el diseño óptimo de columnas cortas de acero inoxidable de sección hueca circular: un análisis comparativo con predicciones del Eurocódigo 3
Identifiers
- Other
- https://openalex.org/W4391868215
- DOI
- 10.1016/j.engappai.2024.107952
References
- https://openalex.org/W1123694547
- https://openalex.org/W1535369746
- https://openalex.org/W1678356000
- https://openalex.org/W1768257245
- https://openalex.org/W1833005471
- https://openalex.org/W1964357740
- https://openalex.org/W1970381196
- https://openalex.org/W1972465272
- https://openalex.org/W1977587333
- https://openalex.org/W1979132348
- https://openalex.org/W1980486723
- https://openalex.org/W1982151782
- https://openalex.org/W1992283499
- https://openalex.org/W2001584386
- https://openalex.org/W2004091380
- https://openalex.org/W2005759760
- https://openalex.org/W2011492070
- https://openalex.org/W2014652363
- https://openalex.org/W2016806699
- https://openalex.org/W2026068820
- https://openalex.org/W2036887984
- https://openalex.org/W2046145524
- https://openalex.org/W2055502869
- https://openalex.org/W2059165602
- https://openalex.org/W2070076962
- https://openalex.org/W2070493638
- https://openalex.org/W2076785518
- https://openalex.org/W2079654688
- https://openalex.org/W2080686473
- https://openalex.org/W2101234009
- https://openalex.org/W2111401056
- https://openalex.org/W2142114945
- https://openalex.org/W2148354852
- https://openalex.org/W2149298154
- https://openalex.org/W2158970894
- https://openalex.org/W2169053895
- https://openalex.org/W2182698109
- https://openalex.org/W2222326189
- https://openalex.org/W2236108979
- https://openalex.org/W2250421250
- https://openalex.org/W2251942161
- https://openalex.org/W2560103205
- https://openalex.org/W2569219946
- https://openalex.org/W2620729511
- https://openalex.org/W2741038359
- https://openalex.org/W2749082472
- https://openalex.org/W2809259101
- https://openalex.org/W2810869837
- https://openalex.org/W2889957900
- https://openalex.org/W2951916692
- https://openalex.org/W2965172889
- https://openalex.org/W3002281444
- https://openalex.org/W3023212902
- https://openalex.org/W3024810074
- https://openalex.org/W3025029809
- https://openalex.org/W3037241829
- https://openalex.org/W3045618135
- https://openalex.org/W3093895805
- https://openalex.org/W3120517792
- https://openalex.org/W3163957077
- https://openalex.org/W3166776618
- https://openalex.org/W3174425750
- https://openalex.org/W3184673931
- https://openalex.org/W3197661187
- https://openalex.org/W3204084446
- https://openalex.org/W3208012010
- https://openalex.org/W3214006185
- https://openalex.org/W4211075765
- https://openalex.org/W4220892498
- https://openalex.org/W4224230860
- https://openalex.org/W4225327030
- https://openalex.org/W4236667378
- https://openalex.org/W4239510810
- https://openalex.org/W4239944110
- https://openalex.org/W4254721730
- https://openalex.org/W4280508672
- https://openalex.org/W4297283685
- https://openalex.org/W4303856792
- https://openalex.org/W4306956705
- https://openalex.org/W4310473319
- https://openalex.org/W4315648569
- https://openalex.org/W4316506870
- https://openalex.org/W4317470341
- https://openalex.org/W4319082110
- https://openalex.org/W4364359965
- https://openalex.org/W4364379695
- https://openalex.org/W4381197971
- https://openalex.org/W4381687077
- https://openalex.org/W4385192023
- https://openalex.org/W4385739167
- https://openalex.org/W4386743388
- https://openalex.org/W4387737677
- https://openalex.org/W4389216343
- https://openalex.org/W4390650096