[論文レビュー] Comparative Analysis of Shear Strength Prediction Models for Reinforced Concrete Slab-Column Connections

Sarmed Wahab, Nasim Shakouri Mahmoudabadi+5 more|arXiv (Cornell University)|Sep 29, 2023

Structural Behavior of Reinforced Concrete被引用数 4

ひとこと要約

本研究では、機械学習（PSOFNN、BATFNN、FNN）、設計規格（ACI 318-19、EC2、CFP）および有限要素解析（FEA）を用いた鉄筋コンクリートスラブ・スラブ・ラーメン接続部のせん断強度予測モデルを比較した。PSOFNNはR²が99.37%、MSEが0.0275%、MAEが1.214%を達成し、すべてのモデルの中で優れた精度を示した。

ABSTRACT

This research aims at comparative analysis of shear strength prediction at slab-column connection, unifying machine learning, design codes and Finite Element Analysis. Current design codes (CDCs) of ACI 318-19 (ACI), Eurocode 2 (EC2), Compressive Force Path (CFP) method, Feed Forward Neural Network (FNN) based Artificial Neural Network (ANN), PSO-based FNN (PSOFNN), and BAT algorithm-based BATFNN are used. The study is complemented with FEA of slab for validating the experimental results and machine learning predictions.In the case of hybrid models of PSOFNN and BATFNN, mean square error is used as an objective function to obtain the optimized values of the weights, that are used by Feed Forward Neural Network to perform predictions on the slab data. Seven different models of PSOFNN, BATFNN, and FNN are trained on this data and the results exhibited that PSOFNN is the best model overall. PSOFNN has the best results for SCS=1 with highest value of R as 99.37% and lowest of MSE, and MAE values of 0.0275%, and 1.214% respectively which are better than the best FNN model for SCS=4 having the values of R, MSE, and MAE as 97.464%, 0.0492%, and 1.43%, respectively.

研究の動機と目的

• 鉄筋コンクリートスラブ・スラブ・ラーメン接続部のせん断強度予測モデルの精度を評価および比較すること。
• 既存の設計規格（ACI 318-19、EC2、CFP）およびFEAと機械学習モデル（FNN、PSOFNN、BATFNN）を統合し、予測精度を向上させること。
• 有限要素解析を用いて実験結果を検証し、メタヒューリスティックアルゴリズムを用いて機械学習モデルを最適化すること。
• 実用的な構造設計応用において最も正確な予測モデルを特定すること。
• R²、MSE、MAEなどの統計的指標を用いてハイブリッドモデルの性能を定量化すること。

提案手法

• 実験的スラブ・スラブ・ラーメン接続部データを用いて、標準FNN、PSO最適化FNN（PSOFNN）、BATアルゴリズム最適化FNN（BATFNN）の3種類の順方向ニューラルネットワークをトレーニングした。
• PSOFNNおよびBATFNNモデルのネットワーク重み最適化に、平均二乗誤差（MSE）を目的関数として用いた。
• 実験結果の妥当性を検証し、モデルトレーニングを支援するために、スラブ・スラブ・ラーメン接続部の有限要素解析（FEA）を実施した。
• 統計的指標（R²、MSE、MAE）を用いて、PSOFNN、BATFNN、FNNの7つの構成におけるモデル性能を比較した。
• 収束性および精度の向上を図るために、メタヒューリスティック最適化（PSOおよびBAT）を用いてニューラルネットワーク重みを最適化した。
• 異なるせん断耐力状態（SCS=1～SCS=4）におけるモデルの性能を評価し、荷重条件に応じたロバストネスを検証した。

実験結果

リサーチクエスチョン

• RQ1 PSOFNN、BATFNN、FNNモデルは、鉄筋コンクリートスラブ・スラブ・ラーメン接続部のせん断強度予測において、どのように比較されるか？
• RQ2 機械学習モデルは、既存の設計規格（ACI 318-19、EC2、CFP）と比較して、せん断強度予測においてどの程度の性能を示すか？
• RQ3 有限要素解析は、実験データの信頼性およびモデル検証をどの程度向上させるか？
• RQ4 どのモデルが、さまざまなせん断耐力状態において最高のR²、最小のMSE、最小のMAEを達成するか？
• RQ5 メタヒューリスティック最適化技術（PSOおよびBAT）は、この文脈においてニューラルネットワークの予測精度をどの程度向上させるか？

主な発見

• PSOFNNはSCS=1において最高のR²値99.37%を達成し、SCS=4における最良のFNNモデル（R² = 97.464%）を顕著に上回った。
• PSOFNNは、すべてのモデルおよび状況において、最小の平均二乗誤差（MSE）0.0275%および最小の平均絶対誤差（MAE）1.214%を記録した。
• SCS=4におけるFNNモデルはR²が97.464%、MSEが0.0492%、MAEが1.43%を示し、PSOFNNに比べて精度が低いことが示された。
• PSOFNNは、すべての性能指標においてBATFNNおよびFNNを一貫して上回り、優れた汎化能力および最適化性能を示した。
• 有限要素解析により、実験結果が正当化され、モデルトレーニングに使用したデータセットの信頼性が確認された。
• FNNにメタヒューリスティックアルゴリズム（PSOおよびBAT）を統合することで、標準FNNに比べて予測精度が顕著に向上した。