Modelos explicables basados en machine learning para el diseño por corte y predicción del modo de falla de vigas de concreto presforzado

Abstract

Las vigas de concreto presforzado (CP) tienen un comportamiento a corte complejo porque involucran varios parámetros. Por ello, los códigos de diseño presentan distintas ecuaciones, analíticas y empíricas, que permiten el diseño por corte de estas vigas. No obstante, diferentes estudios han evidenciado que estas ecuaciones no pueden ser generalizados a otros casos de diseño, son muy conservadores y tampoco predicen el modo de falla. El objetivo de esta tesis fue el desarrollo de un marco metodológico que permita la obtención de modelos de Machine Learning para la predicción de la resistencia a corte y la predicción del modo de falla de vigas de CP. Para lo cual, se compiló y procesó un conjunto de datos de 670 ensayos experimentales de resistencia a corte de vigas presforzadas con y sin refuerzo transversal. Luego, se implementaron y compararon diferentes modelos predictivos, que incluyeron modelos de aprendizaje individual y modelos de aprendizaje ensamblado. También, se aplicaron estrategias de selección de variables, se implementó una búsqueda de grilla para encontrar los hiperparámetros óptimos y se sometió a una validación exhaustiva utilizando un conjunto de testeo. Con estos métodos se logró reducir el número de variables de entrada a la mitad del total sin pérdida del rendimiento. Los modelos finales alcanzaron una alta precisión para la predicción de la resistencia a corte (R 2=0.980) y la clasificación del modo de falla (F1_score=0.851). Posterior a ello, se implementó la técnica Shapley Additive exPlanations para explicar y evaluar la importancia de las diferentes variables en las predicciones de los modelos. Los modelos finales demostraron ser más precisos y generalizables que las ecuaciones de diseño actuales y al análisis de elementos finitos. Finalmente, los modelos se implementaron en una interfaz de usuario para usarse en la fase temprana del diseño de estructuras de CP.

Prestressed Concrete (CP) beams have complex shear behavior because they involve many influential parameters. For this reason, the design codes present different equations, analytical and empirical, that allow the shear design of these beams. However, different studies have shown that these equations cannot be generalized to other design cases, they are very conservative and do not predict the failure mode. The objective of this thesis was the development of a framework to obtain Machine Learning models for the prediction of shear design and the prediction of the failure mode of CP beams. To this end, a data set of 670 experimental shear strength tests of prestressed beams with and without transverse reinforcement was compiled and processed. Then, different predictive models were implemented and compared, including individual learning models and ensemble learning models. In addition, feature selection methods were applied, a grid search was implemented to find the optimal hyperparameters and it was validated with a comprehensive test set. With these methods was possible to reduce the number of input features to half of the total without loss of performance. The final models achieved high accuracy for shear strength prediction (R 2=0.980) and failure mode classification (F1_score=0.851). After that, the Shapley Additive exPlanations technique was implemented to explain and evaluate the importance of the different features in the model predictions. The final models shown to be more accurate and generalizable than current design equations and finite element analysis. Finally, the models were implemented in a user interface to be used in the early phase of CP structure design.