بهینهسازی طراحی سازههای بتنی با استفاده از الگوریتمهای یادگیری ماشین و بهینهسازی چندهدفه: مروری تحلیلی بر رویکردهای نوین
بهینهسازی طراحی سازههای بتنی با استفاده از الگوریتمهای یادگیری ماشین و بهینهسازی چندهدفه: مروری تحلیلی بر رویکردهای نوین
بهار سالاری1
1) کارشناس مهندسی عمران
کد IOI مقاله
:
ABGG-ABKKGZ
محل انتشار :
یازدهمین کنفرانس بین المللی پژوهش در علوم و مهندسی و هشتمین کنگره بین المللی عمران، معماری و شهرسازی آسیا(11icrsie.ir)
چکیده :
طراحی مخلوط و بهینهسازی عملکرد سازههای بتنی، بهویژه بتن فوق توانمند (UHPC) و بتن بازیافتی (RAC)، بهطور سنتی متکی بر روشهای آزمونوخطا و مدلهای تجربی ساده بوده است که هزینهبر، زمانبر و ناکارآمد در برقراری تعادل میان معیارهای متعارض مقاومت، دوام، هزینه و اثرات زیستمحیطی هستند. در سالهای اخیر، ترکیب الگوریتمهای یادگیری ماشین (Machine Learning) برای پیشبینی خواص مکانیکی و دوام، همراه با الگوریتمهای ابرابتکاری چندهدفه (Multi-Objective Metaheuristics) برای یافتن طرحهای بهینه، به رویکردی غالب در طراحی مصالح و سازههای بتنی تبدیل شده است. در این مقاله، با مرور تحلیلی چهار پژوهش اخیر در حوزهٔ بهینهسازی بتن فوق توانمند، بتن بازیافتی و اتصالات لرزهای تیر-ستون بتن مسلح، چارچوب مشترک این رویکردها شامل جمعآوری و افزایش داده (Data Augmentation)، توسعهٔ مدلهای جانشین یادگیریمحور (Surrogate Models) نظیر XGBoost، LightGBM، شبکههای عصبی و روش شناسایی تنک دینامیک غیرخطی (SINDy)، و استفاده از الگوریتمهای بهینهسازی چندهدفه نظیر NSGA-II، AGE-MOEA-II و جستجوی فاخته (Cuckoo Search) تبیین میشود. نتایج نشان میدهد که این رویکردهای تلفیقی میتوانند ضریب تعیین (R²) پیشبینی مقاومت فشاری را تا بیش از ۹۵ درصد ارتقا دهند و بهطور همزمان هزینهٔ مصالح را تا ۵۲ درصد و انتشار کربن را تا ۴۵ درصد کاهش دهند، بدون آنکه از عملکرد مکانیکی و الزامات آییننامهای کاسته شود. در پایان، چالشهای موجود شامل نیاز به دادههای آزمایشگاهی گستردهتر، لزوم لحاظکردن عدم قطعیت، و ضرورت اعتبارسنجی تجربی طرحهای بهینهشده مورد بحث قرار میگیرد و مسیرهای پژوهشی آینده پیشنهاد میشود.
کلمات کلیدی : بتن فوق توانمند بتن بازیافتی یادگیری ماشین بهینهسازی چندهدفه nsga ii جستجوی فاخته انتشار کربن طراحی مخلوط