Аль-Згуль Самир Хусейнович, аспирант кафедры «Строительная механика и теория сооружений»,
344000, г. Ростов-на-Дону, площадь Гагарина, 1
Samir Kh. Al-Zgul, Postgraduate Student of the Department of Structural Mechanics and Theory of Structures,
1 Gagarin Square, Rostov-on-Don 344000
Кондратьева Татьяна Николаевна, кандидат технических наук, доцент кафедры «Математика и информатика»,
344000, г. Ростов-на-Дону, площадь Гагарина, 1
Tatiana N. Kondratieva, Cand. Sci. (Eng.), Assoc. Prof., Department of Mathematics and Computer Science,
1 Gagarin Square, Rostov-on-Don 344000
Языев Батыр Меретович, доктор технических наук, профессор кафедры «Строительная механика и теория сооружений»,
344000, г. Ростов-на-Дону, площадь Гагарина, 1
Batyr M. Yazyev, Dr. Sci. (Eng.), Prof., Department of Structural Mechanics and Theory of Structures,
1 Gagarin Square, Rostov-on-Don 344000
Чепурненко Антон Сергеевич, доктор технических наук, профессор кафедры «Строительная механика и теория сооружений»,
344000, г. Ростов-на-Дону, площадь Гагарина, 1
Anton S. Chepurnenko, Dr. Sci. (Eng.), Prof., Department of Structural Mechanics and Theory of Structures,
1 Gagarin Square, Rostov-on-Don 344000
Цель. Целью исследования является разработка гибридной методологии прогнозирования несущей способности внецентренно сжатых прямоугольных трубобетонных колонн, основанную на интеграции аналитических расчетных моделей, нелинейного конечно-элементного моделирования и методов машинного обучения.
Метод. Исследование базируется на комбинированном вычислительном подходе, включающем предварительную аналитическую оценку по методу предельного равновесия и уточняющий нелинейный конечно-элементный анализ с использованием теории пластичности бетона Гениева и итерационной схемы Ньютона–Рафсона. Сформирован синтетический датасет, примененный для машинного обучения CatBoost с использованием метрики RMSLE.
Результат. Разработан алгоритм генерации и валидации расчетной базы данных, обеспечивающий физическую обоснованность и репрезентативность обучающей выборки. Сформирован структурированный датасет, охватывающий широкий диапазон геометрических и прочностных параметров колонн. Полученная модель машинного обучения демонстрирует высокую точность прогнозирования предельной несущей способности при внецентренном сжатии.
Вывод. Разработанная гибридная методология позволяет с высокой точностью прогнозировать несущую способность трубобетонных колонн при внецентренном сжатии за счет объединения аналитических моделей, конечно-элементного анализа и машинного обучения. Полученные результаты могут быть использованы для создания цифровых инструментов расчета и оптимизации конструкций, а также для совершенствования существующих инженерных методик.
Objective. To develop a hybrid methodology for predicting the load-bearing capacity of rectangular concrete-filled steel tube (CFST) columns under eccentric compression, based on the integration of analytical calculation models, nonlinear finite-element modeling, and machine learning techniques.
Method. The study is based on a combined computational approach that includes a preliminary analytical assessment using the limit equilibrium method and a refining nonlinear finite-element analysis employing Geniev's theory of concrete plasticity and the Newton–Raphson iterative scheme. A synthetic dataset was generated from the obtained results and used to train a CatBoost machine learning model, with performance evaluated using the Root Mean Squared Logarithmic Error (RMSLE) metric.
Result. An algorithm for the generation and validation of a computational database was developed, ensuring the physical plausibility and representativeness of the training sample. A structured dataset was formed, covering a wide range of geometric and strength parameters of the columns. The resulting machine learning model demonstrates high accuracy in predicting the ultimate load-bearing capacity under eccentric compression.
Conclusion. The developed hybrid methodology enables high-accuracy prediction of the load-bearing capacity of CFST columns under eccentric compression by combining analytical models, finite-element analysis, and machine learning. The obtained results can be used to create digital tools for structural analysis and optimization, as well as to improve existing engineering design practices.
The authors declare that there are no conflicts of interest present.