Machine learning techniques in connection design

Abstract

O uso do computador tornou-se uma parte essencial no ambiente de trabalho de empresas que atuam nas mais diversas áreas. O aumento da capacidade computacional ao longo do tempo levou a análises mais rápidas e de melhor qualidade, à transmissão de informação entre os vários intervenientes de uma forma mais fácil e clara, permitindo ainda a utilização de técnicas de aprendizagem automática aplicadas à grande quantidade de dados gerados nas últimas décadas, que possibilitaram avanços significativos em áreas tão distintas como a publicidade, economia, medicina, robótica entre outros.Apesar do rápido crescimento desta tendência de digitalização verificada noutras áreas, a Engenharia Civil começa apenas agora a implementar técnicas mais avançadas que possam eventualmente servir de alternativa às abordagens clássicas de projeto e execução, onde os procedimentos de dimensionamento são atualmente baseados na experiência, em métodos analíticos avançados, ensaios experimentais e simulações numéricas, que servem de base ao dimensionamento dos diferentes elementos estruturais, e que apesar de serem de fácil implementação, constituem em certos casos processos demorados.No trabalho aqui desenvolvido, explora-se o potencial de aplicação da aprendizagem automática ao processo de dimensionamento de ligações e a possibilidade de previsão do diferentes modos de falha sem a necessidade de calcular as expressões fornecidas pela EN1993-1-8, recorrendo-se para tal a diferentes abordagens de forma a permitir encontrar aquela que melhor se adapta ao problema.É feita uma apresentação do procedimento incluído na norma Europeia EN1993-1-8 para o dimensionamento de ligações soldadas e das respetivas equações destinadas à determinação da resistência das diferentes componentes são apresentadas. São ainda descritas as principais características dos diferentes algoritmos de aprendizagem e as principais medidas usadas para a avaliação da qualidade dos modelos criados.É igualmente incluída uma perspetiva geral do procedimento usado para criar não só a base de dados mas também os diferentes modelos.Por último é realizada uma análise dos resultados obtidos para os dois tipos de problemas considerados, o problema de classificação da componente condicionante e o problema de regressão do momento fletor resistente.

The use of the computer has become an essential part in the work environment of companies across a wide range of areas of expertise. The increase in computational power throughout the years led to faster analysis with increased quality, enabled the transfer of information between the different stakeholders in an easier and intelligible manner while also allowing the use of computational learning techniques which are applied to the vast amount of data gathered during the last decades, leading to significant developments in different areas such as publicity, economics, medicine, robotics, just to name a few.Despite the fast growth of this digitalization trend observed in other areas, Civil Engineering is just now starting to implement more advanced techniques that may be someday considered a reliable alternative to the classic approaches. The design process is currently based upon empirical knowledge, advanced analytical methods, experimental tests and numerical simulations, used as the basis for the design of different structural elements, and which despite being of fairly easy implementation constitute time consuming processes.This work explores the potential of applying machine learning techniques for the design of steel connections and the prediction of their corresponding failure modes, without the need to compute the expressions proposed by EN1993-1-8, by using different learning algorithm in order to find the one that best fits the problem. The procedure included in the European standard EN1993-1-8 for the design of welded steel connections and the equations that return the resistance of the different components of these connections are presented as well as the main characteristics of the various considered learning algorithms, the different metrics used to evaluate the quality of the created models.An overall view of the workflow used to create both the dataset and the different models is also includedFinally, an analysis of the obtained results for both the classification of the conditioning component and the regression of the resistant bending moment is presented.