[论文解读] 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 4

一句话总结

本研究比较了使用机器学习（PSOFNN、BATFNN、FNN）、设计规范（ACI 318-19、EC2、CFP）和有限元分析（FEA）预测钢筋混凝土板柱节点抗剪强度的模型。PSOFNN在各项指标中表现最优，决定系数R²达99.37%，均方误差MSE为0.0275%，平均绝对误差MAE为1.214%，显示出在预测抗剪强度方面的卓越准确性。

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.

研究动机与目标

• 评估并比较预测钢筋混凝土板柱节点抗剪强度模型的准确性。
• 将机器学习模型（FNN、PSOFNN、BATFNN）与既有的设计规范（ACI 318-19、EC2、CFP）及FEA相结合，以提升预测性能。
• 通过有限元分析验证实验结果，并利用元启发式算法优化机器学习模型。
• 识别适用于实际结构设计应用的最准确预测模型。
• 通过决定系数R²、均方误差MSE和平均绝对误差MAE等统计指标，量化混合模型的性能表现。

提出的方法

• 在实验获取的板柱节点数据上，训练三种前馈神经网络：标准FNN、粒子群优化FNN（PSOFNN）和蝙蝠算法优化FNN（BATFNN）。
• 采用均方误差（MSE）作为目标函数，优化PSOFNN和BATFNN模型的网络权重。
• 对板柱节点进行有限元分析（FEA），以验证实验结果并支持模型训练。
• 通过决定系数R²、均方误差MSE和平均绝对误差MAE等统计指标，对比PSOFNN、BATFNN和FNN在七种配置下的模型性能。
• 应用元启发式优化（PSO与BAT）以提升神经网络权重的收敛性与准确性。
• 在不同抗剪承载力工况（SCS=1至SCS=4）下评估模型性能，以检验其在不同荷载条件下的鲁棒性。

实验结果

研究问题

• RQ1 PSOFNN、BATFNN和FNN模型在预测钢筋混凝土板柱节点抗剪强度方面表现如何？
• RQ2 与既有的设计规范（ACI 318-19、EC2、CFP）相比，机器学习模型在抗剪强度预测中的表现如何？
• RQ3 有限元分析在提升实验数据可靠性和模型验证方面发挥了多大作用？
• RQ4 在不同抗剪承载力工况下，哪种模型实现了最高的R²、最低的MSE和最低的MAE？
• RQ5 在本研究背景下，元启发式优化技术（PSO与BAT）如何提升神经网络的预测准确性？

主要发现

• PSOFNN在SCS=1工况下取得最高的R²值99.37%，显著优于SCS=4工况下表现最佳的FNN模型（R² = 97.464%）。
• PSOFNN在所有模型和工况下均取得最低的均方误差（MSE）0.0275%和平均绝对误差（MAE）1.214%。
• SCS=4工况下的FNN模型R²为97.464%，MSE为0.0492%，MAE为1.43%，表明其准确性低于PSOFNN。
• PSOFNN在所有性能指标上均持续优于BATFNN和FNN，展现出更优的泛化能力与优化效果。
• 有限元分析成功验证了实验结果，证实了用于模型训练的数据集具有高度可靠性。
• 将元启发式算法（PSO与BAT）与FNN结合，显著提升了预测准确性，优于标准FNN模型。