4th International Conference on Structural Health Monitoring and Engineering Structures (SHM&ES 2025)
Advances in Sustainable Engineering and Management: Innovations for Reducing Energy Consumption and Carbon Footprint
- 2026
- Buch
- Herausgegeben von
- Le Thanh Cuong
- Nicholas Fantuzzi
- Roberto Capozucca
- Vu Thi Bich Quyen
- Samir Khatir
- Buchreihe
- Lecture Notes in Civil Engineering
- Verlag
- Springer Nature Switzerland
Über dieses Buch
Dieses Buch enthält ausgewählte Beiträge von der 4. Internationalen Konferenz über strukturelle Gesundheitsüberwachung und technische Strukturen (SHM & ES), die vom 7. bis 8. August 2025 in Nha Trang City, Vietnam, stattfand. Er beleuchtet die jüngsten Fortschritte bei der Überwachung der strukturellen Gesundheit, der Erkennung und Bewertung von Schäden, zerstörungsfreien Tests, inversen Problemen, Optimierung, künstlichen neuronalen Netzwerken, technischem Management und architektonischen Innovationen. Zu den Schlüsselthemen zählen innovative Konstruktionen zur Reduzierung des Energieverbrauchs und der CO2-Emissionen sowie neue Techniken zur Diagnose von Strukturschäden. Die Konferenz behandelt auch Anwendungen in der industriellen Technik, theoretische und analytische Methoden, numerische Simulationen und experimentelle Ansätze. Darüber hinaus befassen sich die Diskussionen mit Managementstrategien für nachhaltige Entwicklung und betonen die Integration von Nachhaltigkeit in die technische Praxis, um neben technologischer Innovation ökologischen und sozialen Verantwortlichkeiten Priorität einzuräumen. Das Buch ist eine wertvolle Ressource für Forscher und Fachleute, die sich mit der Gesundheitsüberwachung und nachhaltigen Entwicklung technischer Strukturen beschäftigen.
Mit KI übersetzt
Über dieses Buch
This book features selected papers from the 4th International Conference on Structural Health Monitoring & Engineering Structures (SHM&ES), held in Nha Trang City, Vietnam, on August 7–8, 2025. It highlights recent advancements in structural health monitoring, damage detection and assessment, non-destructive testing, inverse problems, optimization, artificial neural networks, engineering management, and architectural innovations. Key topics include innovative structural designs aimed at reducing energy consumption and CO2 emissions, as well as emerging techniques for structural damage diagnosis. The conference also covers applications in industrial engineering, theoretical and analytical methods, numerical simulations, and experimental approaches. Moreover, discussions address management strategies for sustainable development, emphasizing the integration of sustainability into engineering practices to prioritize environmental and social responsibilities alongside technological innovation. The book is a valuable resource for researchers and professionals engaged in the health monitoring and sustainable development of engineering structures.
Anzeige
Inhaltsverzeichnis
-
Optimization and Machine Learning in Engineering Problems
-
Frontmatter
-
Optimized Supervised Machine Learning for Accurate Estimation of Reinforcement in RC Beams and Columns
Nhan Thanh Vu Nguyen, Chon Tran, Duong Thai Le, Quy Thue NguyenDieses Kapitel untersucht die Anwendung des überwachten maschinellen Lernens (SML) zur Automatisierung und Optimierung des Auslegungsprozesses für Stahlbetonträger und -stützen (RC). Die Studie konzentriert sich auf die Integration beliebter Softwaretools wie Revit, ETABS und MATLAB, um einen vollautomatischen Workflow zu schaffen. Es vergleicht die Genauigkeit von SML-Vorhersagen mit herkömmlichen Methoden und hebt das Potenzial für verbesserte Effizienz und kürzere Berechnungszeiten hervor. Die Forschung befasst sich auch mit den Herausforderungen und Grenzen der Anwendung von SML auf komplexere Strukturen wie exzentrisch geneigte Säulen. Zu den wichtigsten Ergebnissen zählen die hohe Genauigkeit der SML bei der Vorhersage von Bewehrungsbereichen für Träger und die Notwendigkeit weiterer Verfeinerung bei der Anwendung auf Säulen. Die Studie schließt mit der Diskussion des Potenzials zukünftiger Verbesserungen und der umfassenderen Implikationen für die bautechnische Praxis.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn the era of Industry 4.0, technological advancements are transforming the construction industry through automation, artificial intelligence (AI), and data-driven decision-making. Traditional structural design methods, particularly for reinforced concrete beams and columns based on the Vietnamese Standard TCVN 5574:2018, involve multiple manual calculations that, while effective, are time-consuming and labor-intensive. To address this limitation, this study proposes a Supervised Machine Learning (SML) approach to optimize reinforcement design for beams and columns. Using available datasets, the SML models can predict the required reinforcement area with high accuracy, achieving deviations of less than 10% for beams and 13% for columns. The application of SML in reinforcement estimation significantly reduces the time required for structural calculations. Moreover, it lays the foundation for future developments in automated structural design processes through seamless integration with architectural and structural design software and programming environments such as REVIT, ETABS/SAP2000, and MATLAB. -
Optimizing a 26-Story Truss Tower Using the K-Means Optimizer Algorithm
Hoang-Le Minh, Tran Minh Luan, Thanh Cuong-LeDieses Kapitel stellt den K-means Optimizer (KO) -Algorithmus vor, eine neuartige metaheuristische Methode zur effizienten Optimierung komplexer Strukturen. Der Algorithmus kombiniert K-means-Clustertechniken mit adaptiven Migrationsstrategien, um lokale Ausbeutung und globale Exploration in Einklang zu bringen, was ihn zur Lösung nichtlinearer und komplexer Optimierungsprobleme hocheffektiv macht. Die Studie wendet den KO-Algorithmus an, um ein 26-stöckiges Fachwerkturmmodell zu optimieren, das aus 942 Elementen und 244 miteinander verbundenen Knoten besteht, wobei 59 Designvariablen Querschnittsbereiche darstellen. Die Ergebnisse zeigen, dass KO andere bekannte Algorithmen wie die Exponentiell-Trigonometrische Optimierung (ETO) und die Particle Swarm Optimization (PSO) hinsichtlich Lösungsqualität und Konvergenzgeschwindigkeit übertrifft. Das Kapitel erläutert detailliert die Arbeitsprinzipien des KO-Algorithmus, einschließlich seiner Ausbeutungs- und Explorationsstrategien, und präsentiert Simulationsexperimente und Ergebnisanalysen, um sein Potenzial aufzuzeigen. Der Vergleich mit ETO und PSO unterstreicht die überlegene Leistung des KO-Algorithmus und macht ihn zu einem vielversprechenden Werkzeug zur Lösung komplexer struktureller Optimierungsprobleme.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis study introduces a new optimization method called K-means Optimizer (KO). The special feature of this algorithm lies in the combination of K-means clustering to determine the centroid vectors—representing the regions with high potential in the search space for solutions. Based on those centroids, the algorithm applies two flexible moving strategies, allowing it to both explore new regions and effectively exploit known regions, in order to find the best solution. To evaluate the effectiveness, the KO algorithm is applied to the optimization problem of a 26-storey truss tower structure with a total of 942 bars and 244 nodes, using 59 design variables. Then, the results from KO are compared with two other popular optimization algorithms, ETO and PSO. The results show that the KO algorithm achieves the smallest optimal value and converges faster than the other two methods. Specifically, KO ranks first in performance among the three algorithms, demonstrating its ability to solve optimization problems efficiently. This shows that KO not only performs well on complex models, but is also a reliable choice for engineering problems that require high accuracy and computational efficiency. -
Truss Structure Optimization Using the Portia Spider Algorithm: A Bio-inspired Approach
Vu Hong Son Pham, Thuy Dung Dau, Van Nam Nguyen, Nghiep Trinh Nguyen DangDieses Kapitel untersucht die Optimierung von Fachwerkstrukturen mithilfe eines neuartigen, bioinspirierten Algorithmus, der vom Jagdverhalten der Portia-Spinne inspiriert ist. Die Studie konzentriert sich auf Probleme bei der Fachwerkgröße mit kontinuierlichen Variablen und Beschränkungen, die darauf abzielen, das strukturelle Gewicht zu minimieren und gleichzeitig Festigkeits- und Stabilitätsanforderungen zu erfüllen. Der Portia-Spinnenalgorithmus (PSA) wird eingeführt, der einen zweiphasigen Suchmechanismus enthält, um Exploration und Ausbeutung effektiv in Einklang zu bringen. Die Leistungsfähigkeit des Algorithmus wird durch rechnerische Experimente mit dem Standard-Richtwert für 25-bar-Fachwerke bewertet, was seine Fähigkeit demonstriert, hochpräzise und rechnerisch effiziente Lösungen zu erzielen. Die Ergebnisse zeigen, dass PSA durchgängig Ergebnisse erzielt, die vergleichbar oder besser sind als etablierte Algorithmen wie der Grauwolf-Optimierer (GWO), der Aasgeier-Optimierungsalgorithmus (AVOA) und der Berggazellen-Optimierer (MGO), während die Anzahl der für die Konvergenz erforderlichen Funktionsbewertungen deutlich reduziert wird. Die Studie unterstreicht die Robustheit und Effizienz von PSA bei der Lösung komplexer Probleme bei der Fachwerkoptimierung und macht es zu einem vielversprechenden Werkzeug für die Strukturoptimierung im Bauwesen. Künftige Forschungsrichtungen umfassen die Ausweitung der PSA auf große und multiobjektive Probleme und ihre Integration in maschinelle Lernmodelle zur Verbesserung der Anpassungsfähigkeit.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractOptimizing truss structures is essential in civil engineering, aiming to reduce weight and support sustainable, high-efficiency designs. In this study, the Portia spider algorithm (PSA) is introduced as a novel optimization algorithm specifically designed for truss design problems with sizing constraints and continuous variables. PSA integrates advanced solution modification strategies to effectively address the inherent complexity of truss structure optimization. The algorithm’s performance was thoroughly evaluated through extensive testing on 25-bar truss structures. The findings indicate that PSA consistently yields superior truss designs compared to other swarm-based techniques, achieving significant weight reductions and enhanced design quality. By offering a robust and computationally efficient solution for truss optimization, PSA demonstrates considerable potential to advance the field of structural optimization. These results highlight PSA as a valuable resource for civil engineers seeking to improve structural performance and efficiency, ultimately contributing to more sustainable construction systems. -
A Multiverse Optimizer for Time–Cost Trade-Off of Vehicle Routing Problem
Vu Hong Son Pham, Van Nam Nguyen, Nghiep Trinh Nguyen Dang, Thuy Dung DauIn diesem Kapitel geht es um die Anwendung des Multiversaloptimierers (MVO) zur Lösung des Multiziels Capacitated Vehicle Routing Problem (CVRP), wobei ein besonderer Schwerpunkt auf dem Zeit-Kosten-Ausgleich bei der Lieferplanung liegt. Die Studie stellt ein neuartiges Optimierungskonzept vor, das die globalen Such- und Anpassungsmechanismen des MVO nutzt, um Entscheidungen in der Logistik in Echtzeit zu treffen. Durch eine umfassende Literaturübersicht untersucht das Kapitel das No Free Lunch Theorem und die Anpassungsfähigkeit der Metaheuristik an bestimmte Bereiche, wobei das Potenzial des MVO bei der Bewältigung multiobjektiver und restriktiver Probleme hervorgehoben wird. Der Abschnitt zur Modellentwicklung skizziert den Zeit-Kosten-Zielkonflikt des CVRP und stellt objektive Funktionen und Beschränkungen vor, die Lieferzeit und Transportkosten ins Gleichgewicht bringen. Die Fallstudie konzentriert sich auf ein statisches Szenario mit festen Standorten und vordefinierten Anforderungen an die Zementlieferung, wobei realistische Bedingungen und Beschränkungen vorausgesetzt werden. Die Ergebnisse zeigen zwei optimale Lösungen: die kürzeste Lieferzeit von 4,4 Stunden mit Kosten von 269,20 Dollar und die niedrigsten Transportkosten von 261,59 Dollar, die in 4,58 Stunden erreicht wurden. Die Grenze zu Pareto ermöglicht es Logistikmanagern, fundierte Entscheidungen zu treffen und optimale Routenkonfigurationen zu wählen, die mit spezifischen operativen Prioritäten im Einklang stehen. Künftige Forschungen könnten diesen Ansatz erweitern, indem sie zusätzliche Beschränkungen oder dynamische Faktoren einbeziehen, um die Anwendbarkeit und Robustheit in praktischen Szenarien zu verbessern.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis paper proposes a novel strategy for solving the vehicle routing problem with capacity constraints by applying the Multiverse Optimizer (MVO) algorithm. Inspired by the principles of the multiverse theory, MVO simulates the movement of candidate solutions through metaphorical white holes, black holes, and wormholes to enhance the exploration and exploitation processes. The white hole mechanism supports global exploration, while the black hole and wormhole components help refine and converge toward optimal routes. The proposed method enables a practical trade-off between delivery time and operational costs, making it suitable for real-time logistics planning. A case study involving 20 customer locations illustrates the effectiveness of the approach, achieving a total delivery duration of 4.4 h and an overall cost of $261.59. -
An Advanced Metaheuristic Framework for Time–Cost–Quality Optimization in Complex Construction Projects
Nghia Hoai Nguyen, Khanh-Nhan TranDieses Kapitel stellt ein fortschrittliches metaheuristisches Rahmenwerk vor, das darauf ausgelegt ist, das empfindliche Gleichgewicht zwischen Zeit, Kosten und Qualität bei komplexen Bauprojekten zu optimieren. Die Studie hebt die Integration des Seepferdchen-Optimierers (SHO) hervor, eines bio-inspirierten Algorithmus, der das natürliche Verhalten von Seepferdchen nachahmt, mit Fuzzy Logic und der Wurzelbewertungsmethode (RAM), um multiobjektive Optimierungsprobleme zu lösen. Das Rahmenwerk ist besonders effektiv bei der Lösung des Zeit-Kosten-Qualitäts-Zielkonflikts (Time-Cost-Quality Trade-off, TCQT) und bietet eine robuste Lösung für die Ressourcenallokation und Entscheidungsfindung unter unsicheren Bedingungen. Das Kapitel präsentiert außerdem eine Fallstudie, die die Effektivität des Modells demonstriert und seine Fähigkeit aufzeigt, qualitativ hochwertige Lösungen mit überlegener Vielfalt und Einheitlichkeit im Vergleich zu anderen Algorithmen zu generieren. Die Studie schließt mit der Betonung des Potenzials des Modells zur Verbesserung der Projektmanagementpraxis und bietet ein wertvolles Werkzeug für Fachleute, die darauf abzielen, die Ressourcenallokation bei Bauprojekten zu optimieren.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractContemporary construction projects demand a holistic management approach that does not balance time and cost only but preserve quality under uncertain conditions also. Traditional methods often emphasize time–cost trade-offs, overlooking the intricate link between task sequencing and quality outcomes. To address these limitations, this paper introduces a novel optimization framework combining the multi-objective sea-horse optimizer (MOSHO), the root assessment method (RAM), and fuzzy logic, specifically designed for time–cost-quality trade-off (TCQT) scenarios. The proposed model was tested against established algorithms—MOSGO, MOSOS, and NSGA-III on real-world construction data. Results demonstrate that the integrated MOSHO-RAM-Fuzzy logic approach outperforms the conventional mentioned techniques. This consistently generates well-distributed solutions that effectively reconcile cost efficiency, project duration, and product quality. This integrated model also serves as a robust decision-support tool in the context of involving multiple execution alternatives, particularly suited to the scheduling phase of large-scale projects where uncertain parameters significantly impact construction project outcomes. -
Evaluation of K-means Optimization Algorithm Using CEC2020 Functions
Hoang-Le Minh, Tran Minh Luan, Thanh Cuong-LeIn diesem Kapitel wird der K-means Optimizer (KO) Algorithmus vorgestellt, ein neuartiger Ansatz, der K-means Clustering mit metaheuristischer Optimierung integriert. Der Text vertieft sich in die fünf wichtigsten Algorithmen, die das Betriebssystem von KO bilden, und erklärt, wie das K-Mittel-Clustern potenzielle Suchregionen identifiziert, einzelne Positionen aktualisiert und die Positionsdichtewahrscheinlichkeit (PDP) zur Steuerung von Bewegungsstrategien verwendet. Die Evaluierung der KO anhand der CEC2020-Benchmark-Funktionen zeigt ihre überlegene Leistung und Zuverlässigkeit im Vergleich zu anderen Algorithmen wie SCHO, AOA und GWO. Die Ergebnisse unterstreichen die Fähigkeit von KO, konstant optimale Werte zu erreichen und sich gut an verschiedene Arten von Optimierungsproblemen anzupassen. Dieses Kapitel bietet einen umfassenden Überblick über Struktur, Mechanismen und praktische Anwendungen von KO und ist somit eine wertvolle Ressource für Fachleute, die nach fortschrittlichen Optimierungslösungen suchen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn this study, a new metaheuristic optimization algorithm called K-means Optimizer (KO) is introduced. The highlight of KO is the use of K-means clustering technique to identify center vectors—representing areas with good solution potential in the search space. From these vectors, KO deploys two adaptive migration mechanisms, which help expand the exploration scope while enhancing the exploitation ability in potential solution areas. To verify the effectiveness of the method, the KO algorithm is applied on the CEC2020 benchmark functions set. The results obtained from KO are then compared with three popular optimization algorithms today: SCHO, AOA and GWO. Statistics show that KO achieves more outstanding results in most cases. With outstanding performance and good adaptability to complex problems, KO demonstrates its potential for wide application in engineering and optimal design problems requiring high accuracy and computational efficiency. -
Hybrid Machine Learning for Accurate Prediction of CFST Column Compressive Strength
Tran-Trung Nguyen, Andy Nguyen, Phu-Cuong NguyenDieses Kapitel untersucht die Anwendung hybrider maschineller Lernmodelle zur Vorhersage der Druckfestigkeit von betongefüllten Stahlrohrsäulen (CFST). Die Studie konzentriert sich auf die Methodik der Kombination von CatBoost und bayesianischer Optimierung, um die Vorhersagegenauigkeit und Recheneffizienz zu verbessern. Zu den Schlüsselthemen zählen Datenvorverarbeitung, Modellbau und -auswertung sowie ein detaillierter Vergleich mit herkömmlichen Modellen künstlicher neuronaler Netzwerke (ANN). Die Ergebnisse zeigen, dass der hybride Ansatz Vorhersagefehler deutlich reduziert und die Modellleistung verbessert. Darüber hinaus wird in diesem Kapitel der Einsatz von SHAP-Analysen für Funktionen und synthetische Datenaugmentationstechniken wie tabellarische generative adversarial networks (TGAN) zur Behebung von Datensatzbeschränkungen diskutiert. Die Ergebnisse unterstreichen das Potenzial hybrider maschineller Lernmodelle im Hochbau und bieten eine verlässliche Alternative zur genauen Festigkeitsabschätzung von CFST-Säulen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis paper introduces a hybrid machine-learning framework to improve the predictive accuracy of ultimate compressive strength in circular concrete-filled steel tube (CFST) columns. The suggested methodology combines CatBoost with Bayesian optimization to enhance model efficacy and computational efficiency. A dataset of 663 experimental specimens is employed for training and validation. Sophisticated data preprocessing methods, encompassing mathematical transformations, are utilized to enhance feature representation. The efficacy of the proposed method is assessed through a comparative analysis with conventional artificial neural networks (ANN). The hybrid CatBoost model demonstrates enhanced predictive accuracy, significantly lowering error metrics compared to ANN-based models. The proposed framework specifically decreases the Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and R2 score by 146.55, 262.55, and 0.99%, respectively, illustrating its efficacy in structural engineering applications. The selection of CatBoost is driven by its capacity to manage intricate nonlinear relationships, reduce overfitting, and ensure computational efficiency, rendering it a persuasive alternative to traditional machine learning methods. -
Settlement Prediction of Nodular Piles: A Machine Learning Perspective
Hung La, Tan NguyenDieses Kapitel vertieft die Herausforderungen bei der Vorhersage der Spaltpfahlbildung unter statischen Lasten und beleuchtet die Grenzen traditioneller Methoden. Es stellt ein Hybridmodell vor, das künstliche neuronale Netzwerke (ANNs) mit dem CMA-ES-Optimierungsalgorithmus kombiniert und mit einem R ² von 0,954 und einem RMSE von 2,661 mm überlegene Leistung zeigt. Die Studie analysiert verschiedene Eingabeparameter, einschließlich geometrischer, geotechnischer und Belastungsfaktoren, und identifiziert die einflussreichsten Variablen anhand von SHAP-Werten. Die Ergebnisse zeigen, dass die angewandte Last, der zylindrische Durchmesser und die Bodensteifigkeit entlang des zylindrischen Teils den größten Einfluss auf die Siedlungsprognose haben. Das Kapitel schließt mit der Diskussion des Potenzials für zukünftige Forschung, einschließlich dynamischer Belastungsbedingungen und der Quantifizierung von Unsicherheiten, was es zu einer wertvollen Ressource für Fachleute macht, die ihr Verständnis des Pfahlverhaltens und der Konstruktionsprozesse verbessern wollen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractPredicting the settlement of nodular piles under static loading is challenging due to the nonlinear nature of pile–soil interaction. In this study, we use a hybrid model that combines Artificial Neural Networks (ANNs) with the Covariance Matrix Adaptation Evolution Strategy (CMA-ES) to tune hyperparameters and network architecture automatically. The model is trained using experimental data that include pile geometry, applied load, and soil conditions. To interpret the model, we apply feature importance method. The results show that the ANN–CMA-ES model produces accurate predictions and identifies the most important input variables, such as load and cylindrical diameter. This modeling approach may help improve decision-making in pile foundation design. -
Integrating an Ensemble Machine Learning Model with a Metaheuristic Optimizer to Predict the Compressive Strength of High-performance Concrete Mixtures
Thuy-Linh Le, Dinh-Nhat TruongDieses Kapitel untersucht die Integration eines maschinellen Lernmodells mit einem metaheuristischen Optimierer zur Vorhersage der Druckfestigkeit von Hochleistungsbetonmischungen (HPC). Die Studie stellt den Enterprise Development (ED) Optimierer vor, einen neuartigen metaheuristischen Algorithmus, der 2024 entwickelt wurde und zur Optimierung eines Stacking-Ensemblemodells (SEM) verwendet wird, das Least Squares Support Vector Regression (LSSVR) und Radial Basis Function Neural Network (RBFNN) kombiniert. Das vorgeschlagene ED-SEM-Modell wird anhand von drei Datensätzen aus verschiedenen Laboratorien bewertet, die jeweils spezifischen Standards folgen. Die Leistung des ED-SEM-Modells wird mit verschiedenen in früheren Studien berichteten Methoden des maschinellen Lernens verglichen, was eine überlegene Prädiktierbarkeit zeigt. Die Ergebnisse zeigen, dass das ED-SEM-Modell den niedrigsten mittleren absoluten Fehler (MAE), den durchschnittlichen Quadratfehler (RMSE) und den durchschnittlichen absoluten Prozentfehler (MAPE) erreicht, zusammen mit dem höchsten Korrelationskoeffizienten (R), der sich 1 annähert. Dies deutet auf eine starke Beziehung zwischen Input- und Output-Variablen hin, was das ED-SEM-Modell für die Vorhersage der Druckfestigkeit von HPC hocheffektiv macht. Die Studie kommt zu dem Schluss, dass die vorgeschlagene Methode eine robuste und effiziente Alternative für eine schnelle und präzise Festigkeitsprognose bietet, die auf verschiedene technische Herausforderungen anwendbar ist.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe complex, nonlinear relationship among the components of high-performance concrete (HPC) poses a significant challenge in modeling its compressive strength. Prior studies have consistently found it challenging to maintain a balance among various factors, including mix proportions, material properties, curing conditions, ambient conditions, and concrete age. Nevertheless, in concrete mix design and quality control, compressive strength remains the primary indicator of HPC quality. This study proposed an ensemble model constructed using a metaheuristic optimization algorithm to predict the compressive strength of HPC. Three datasets are utilized to assess the performance of both single and ensemble models. The optimal results will be further compared with those from prior studies. Analytical results indicate that the proposed ensemble model outperforms others in predicting the compressive strength of HPC. -
Investigation of the Effectiveness of Optimization Algorithms in Structures
Thanh Sang-To, Tan Sy Tran, Thanh Cuong-LeDieses Kapitel untersucht die Effektivität von Optimierungsalgorithmen, insbesondere metaheuristischen Ansätzen wie Particle Swarm Optimization (PSO), Enhanced PSO (EnPSO), Grey Wolf Optimizer (GWO) und Salp Swarm Algorithm (SSA), bei der Lösung komplexer struktureller Entwurfsprobleme. Die Studie konzentriert sich auf ein dreidimensionales, räumliches Fachwerksystem mit strengen Randbedingungen, einschließlich Belastungen und Verdrängungsbeschränkungen. Die Leistung dieser Algorithmen wird anhand ihrer Konvergenzmerkmale, Rechenleistung und der Qualität der von ihnen produzierten Lösungen bewertet. Die Ergebnisse zeigen, dass das Standard-PSO aufgrund großer Explorationsschritte zwar mit Raffinationslösungen zu kämpfen hat, aber sowohl GWO als auch EnPSO durchweg verbesserte Designs hervorbringen. Bemerkenswert ist, dass GWO das niedrigste Konstruktionsgewicht erreicht, während EnPSO eine überlegene Recheneffizienz aufweist. Die Studie unterstreicht auch die Grenzen der SSA, die in lokalen Suchregionen gefangen ist, was ihre Konvergenzgeschwindigkeit und -genauigkeit verringert. Insgesamt bietet das Kapitel einen umfassenden Vergleich dieser Algorithmen und damit wertvolle Erkenntnisse für Fachleute im Bereich der Strukturoptimierung.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn this study, an investigation into the effectiveness of optimization algorithms in structures is presented. A range of modern algorithms, including. Particle Swarm Optimization (PSO), Enhanced Particle Swarm Optimization (EnPSO), Grey Wolf Optimizer (GWO), Salp Swarm Algorithm (SSA), were employed to assess the performance of each candidate in solving optimization problems. The results obtained demonstrate that these algorithms exhibit distinct advanced and disadvanced when addressing specific optimization challenges. -
Evaluation of the Exponential-Trigonometric Optimization Algorithm Applied to Truss Structure
Tran Minh Luan, Minh Thi Tran, Xuan Thinh Nguyen, Thanh Cuong-LeDieses Kapitel stellt den Algorithmus der exponentiell-trigonometrischen Optimierung (ETO) vor, einen neuartigen Ansatz, der exponentielle und trigonometrische Funktionen integriert, um die Such- und Ausbeutungsmöglichkeiten zu verbessern. Der Text vertieft sich in die Struktur des Algorithmus und beleuchtet seine Strategie der Grenzsuche, die Explorations- und Ausbeutungsphasen und den Übergangsmechanismus. Die Effektivität von ETO wird durch seine Anwendung auf ein 200-bar-Problem bei der Optimierung von Fachwerkstrukturen demonstriert, wo es etablierte Algorithmen wie Particle Swarm Optimization (PSO), Sine Cosine Algorithm (SCA) und Harris Hawks Optimization (HHO) übertrifft. Das Kapitel bietet einen detaillierten Vergleich der Ergebnisse und zeigt die überlegene Leistung von ETO in Bezug auf Lösungsqualität und Konvergenzgeschwindigkeit. Darüber hinaus werden die einfache Implementierbarkeit und Anpassungsfähigkeit des Algorithmus an verschiedene Problemtypen diskutiert, was ihn zu einem vielversprechenden Werkzeug für technische und wissenschaftliche Anwendungen macht.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis paper introduces a new optimization algorithm called Exponential-Trigonometric Optimization (ETO), inspired by the combination of two important mathematical elements: exponential functions and trigonometric functions. This algorithm is built to achieve a balance between two important stages in the optimization process—that is, exploring the search space and exploiting potential solution regions. By integrating random components and flexible adaptation, ETO shows the ability to find solutions efficiently and avoid local extremes. To verify its effectiveness, the algorithm was applied to the optimization problem of a 200-bar truss structure. The results from the comparative experiment with other famous algorithms such as PSO, SCA and HHO show that ETO consistently gives the best solution and has higher stability. This proves the great potential of ETO not only in the field of structural optimization but also in many other engineering and scientific fields in the future. -
Efficient Resource Leveling in Multi-project Scheduling Environment with an Integrated Mountain Gazelle Optimizer and Opposition-Based Learning
Vu Hong Son Pham, Thuy Dung Dau, Nghiep Trinh Nguyen Dang, Duc Anh Tuan Le, Le Anh TranDieses Kapitel untersucht die Herausforderungen eines effizienten Ressourcenniveaus in Umgebungen, in denen mehrere Projekte geplant werden, und konzentriert sich dabei auf das Ressourcenniveauproblem (RLP). Es führt einen verbesserten Berggazellen-Optimierer (iMGO) ein, der den Standard-Berggazellen-Optimierer (MGO) mit oppositionellem Lernen (OBL) kombiniert, um die Lösungsvielfalt und Robustheit zu verbessern. Die Studie beleuchtet die Grenzen traditioneller MGO bei hochdimensionalen Problemen und zeigt, wie iMGO vorzeitige Konvergenz abmildert und die Optimierungsleistung verbessert. Eine Fallstudie mit zwei gleichzeitigen Bauprojekten veranschaulicht die praktische Anwendung von iMGO und zeigt, wie es die Ressourcenallokation optimiert und Spitzenbelastungen reduziert. Vergleichende Analysen mit anderen Algorithmen wie genetischen Algorithmen (GA), Partikelschwarmoptimierung (PSO) und der Suche nach symbiotischen Organismen (SOS) bestätigen die überlegene Konsistenz und Zuverlässigkeit von iMGO. Die Ergebnisse deuten darauf hin, dass iMGO eine praktikable Lösung für Praktiker ist, die effiziente Planungsansätze in komplexen Projektmanagement-Szenarien suchen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractConstruction enterprises often undertake multiple projects simultaneously, necessitating the efficient allocation of shared resources while ensuring adherence to project deadlines. Addressing this challenge requires advanced optimization techniques to achieve resource balance. This study introduces an improved mountain gazelle optimizer (iMGO) incorporating opposition-based learning (OBL) mechanism to enhance search efficiency and solution diversity. By simultaneously evaluating candidate solutions and their opposite counterparts, iMGO mitigates premature convergence and optimizes the exploration–exploitation trade-off. A construction case study is used to validate the effectiveness of the proposed algorithm, demonstrating its superior performance in achieving optimal resource leveling compared to benchmark algorithms. Experimental results indicate that iMGO not only attains optimal solutions but also exhibits greater stability and consistency across multiple trials. These findings highlight the potential of the developed approach to enhance resource management efficiency in complex multi-project environments. -
Predicting Labor Cost Performance Index in Construction Projects Using Explainable AI
Hung Tran Phi, Nghia Hoai NguyenDieses Kapitel untersucht die Vorhersage der Arbeitskostenleistung in Bauprojekten mithilfe einer Kombination aus CatBoost-Algorithmus für maschinelles Lernen und SHAP-Interpretationsmethode. Die Studie identifiziert Schlüsselfaktoren, die die Arbeitskostenentwicklung beeinflussen, wobei der Schwerpunkt auf dem Arbeitskostenleistungsindex (LCPI) liegt. Das Modell erreicht mit einem R2-Wert von 0,9568 eine hohe Genauigkeit und liefert klare Erklärungen für seine Vorhersagen. Die Forschung unterstreicht auch die Bedeutung finanzieller Variablen wie Projektwert, Gesamtkosten und erwarteter Gewinn bei der Vorhersage der Arbeitskostenleistung. Die Studie kommt zu dem Schluss, dass die Kombination von CatBoost und SHAP nicht nur die Genauigkeit verbessert, sondern auch klare Erklärungen liefert, die Unternehmen helfen, fundierte Entscheidungen über das Arbeitskostenmanagement zu treffen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractLabor cost performance index (LCPI) is an important factor of financial control and operational efficiency in construction enterprises. The study presents a model that examines labor cost performance in construction projects based on the explainable artificial intelligence (AI). A historical enterprise data of 212 real construction projects was used, including variables such as revenue, cost, project size, and financial parameters to develop and validate the model. CatBoost was identified as the most suitable prediction algorithm, achieving superior prediction accuracy (R2 = 0.9568, RMSE = 0.0073). SHAP analysis shows that financial variables, including project value, total cost, and expected profit, are the most influential factors on LCPI. These results contribute to an LCPI prediction model for construction businesses, aiming to help managers plan finances and select projects strategically with machine learning tools. -
Neural-Network Guided Minima Forecasting for an Enhanced Particle Swarm Optimizer
Tri Ton That, Binh Le-Van, Thanh Cuong-LeDieses Kapitel untersucht die Integration künstlicher neuronaler Netzwerke (ANNs) mit Partikelschwarm-Optimierung (PSO) zur Leistungssteigerung. Die Studie stellt eine adaptive PSO-Variante vor, NNP-APSO, die ANNs verwendet, um die Minima der unteren Hülle vorherzusagen und den Schwarm in vielversprechende Regionen zu lenken. Zu den wichtigsten Merkmalen zählen die adaptive Ressourcenallokation, ein Mechanismus zur Rücksetzung von Strafen und zeit- und leistungsbewusste Trägheit. Das Kapitel beschreibt auch das neuronale Modell für minimale Vorhersagen und den adaptiven PSO-Prozess. Numerische Experimente vergleichen NNP-APSO mit sechs etablierten Metaheuristiken über 15 Benchmark-Funktionen und zeigen so seine überlegene Stabilität und Genauigkeit. Die Ergebnisse legen nahe, dass die Integration neuronaler Netzwerke in Optimierungsalgorithmen eine vielversprechende Strategie ist.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractParticle Swarm Optimization (PSO) is appreciated for its simplicity and ease of adaptation, yet its progress may stall when the swarm fails to identify promising regions early in the search. We present Neural-Network-Predicting Adaptive PSO (NNP-APSO), a variant that embeds an artificial neural network trained online to approximate the lower envelope of the objective landscape. At each iteration the network forecasts a candidate minimum, which is injected into the velocity update of under-performing particles; the swarm therefore shifts its exploration–exploitation balance automatically, without introducing additional control parameters. NNP-APSO is evaluated on the standard single-objective test suite (15 classical benchmarks) and compared, under identical computational budgets, with six established optimizers: Simulated Annealing, canonical PSO, Whale Optimization Algorithm, Grey Wolf Optimizer, Genetic Algorithm and Artificial Bee Colony. The experimental study indicates that NNP-APSO offers a promising alternative, delivering good and noteworthy results while highlighting the potential of real-time neural guidance within the PSO framework. -
Seasonal Cash Inflow Optimization in Construction Projects Using the Termite Life Cycle Optimizer
Hung Tran Phi, Nghia Hoai NguyenDieses Kapitel untersucht die Herausforderungen durch saisonale Cashflow-Schwankungen bei Bauprojekten und stellt einen neuen Optimierungsrahmen vor, um diese Probleme anzugehen. Die Studie konzentriert sich auf den Termite Life Cycle Optimizer (TLCO), einen metaheuristischen, vom Termitenverhalten inspirierten Algorithmus, der zur Stabilisierung von Cashflows und zur Verbesserung der finanziellen Widerstandsfähigkeit eingesetzt wird. Die Forschung berücksichtigt auch fortschrittliche maschinelle Lernwerkzeuge wie CatBoost für präzise Finanzprognosen und untersucht das Gleichgewicht zwischen Risiko und Gewinn in der Finanztechnologie und Markeninvestitionen. Die Ergebnisse zeigen, dass TLCO die monatlichen Liquiditätszuflüsse effektiv minimiert und gleichzeitig Profitabilität, Liquidität und Ressourcenbeschränkungen ausbalanciert. Dieser Ansatz bietet eine skalierbare und interpretierbare Methode zur Verbesserung der Finanzleistung von Bauunternehmen und anderen Sektoren mit saisonal sensiblen Daten.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractConstruction cash inflows are characterized by seasonality, which often leads to inefficiencies in resource utilization and financial instability. The goal is to minimize monthly cash flow variability while satisfying resource constraints and financial efficiencies. This paper proposes a novel cash inflow curve flattening framework by integrating Termite Life Cycle Optimizer (TLCO), a bio-inspired metaheuristic algorithm, to optimize project selection by flattening the cash flow curve. The results show that TLCO performs well in this problem, with good experimental results and better convergence than traditional algorithms. The study combines optimization with 03 simulation scenarios on investment in analytical technology, resulting in visualization with high positive impact. The proposed model provides construction companies with a powerful analytical tool to support decisions to stabilize cash flows, reduce dependence on external financing, and support long-term sustainability. -
Efficient Design of Single Mooring Buoy Lines: A MOMSA-Based Approach
Quang Thanh Do, Quoc Hoan Pham, T. Vu-Huu, Thanh Cuong-LeDieses Kapitel befasst sich mit der Anwendung des MOMSA (Multi-Objective Mantis Search Algorithm) zur Optimierung des Designs einzelner Bojenankerleinen. Die Studie konzentriert sich darauf, sowohl die Gesamtmasse der Ankerleine als auch die horizontale Verschiebung der Boje zu minimieren und dabei praktische technische Beschränkungen einzuhalten. Das MOMSA-Rahmenwerk ist detailliert, einschließlich seiner Explorations- und Ausbeutungsmechanismen sowie seiner multiobjektiven Optimierungskapazitäten. Das physikalische Verhalten von Festmacherleinen wird anhand der Oberleitungstheorie modelliert, die die Geometrie und Spannung der Leinen unter Umweltbelastungen beschreibt. Der Optimierungsprozess umfasst die Definition objektiver Funktionen und Beschränkungen sowie die Anwendung des MOMSA-Algorithmus, um optimale Lösungen zu finden. Die Ergebnisse zeigen, dass MOMSA traditionelle Methoden wie MOPSO übertrifft, wenn es darum geht, eine gut verteilte Reihe von Pareto-optimalen Lösungen zu finden. Die Studie kommt zu dem Schluss, dass MOMSA ein robuster und effizienter Ansatz für die Entwicklung von Verankerungssystemen ist und Ingenieuren wertvolle Unterstützung bei fundierten Designentscheidungen bietet.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractDesigning mooring lines for floating buoys is essential to keep them stable and secure, especially in open water with unpredictable waves, wind, and currents. This paper introduces a practical way to improve mooring line design by using catenary theory to model how the line behaves and applying the Multi-objective Mantis Search Algorithm (MOMSA) for optimization. The aim is to find mooring line solutions that use less material and reduce how far the buoy drifts from its intended position. The approach also considers real-world requirements, such as choosing line weights from standard product lists and following national technical standards. The results show that MOMSA can successfully provide engineers with various good design options, helping them choose between safety and material costs. -
Prediction of Concrete Compressive Strength Using Boosting-Based Machine Learning Algorithms
Truong-Giang Nguyen, Van Than Tran, Thanh Danh TranDieses Kapitel vertieft sich in die Vorhersage konkreter Druckfestigkeit mittels Boosting-basierter maschineller Lernalgorithmen, wobei der Schwerpunkt auf der Bewertung der Leistung von AdaBoost, Gradient Boosting Machine (GBM), Extreme Gradient Boosting (XGBoost), LightGBM und CatBoost liegt. Die Studie verwendet einen Benchmark-Datensatz aus dem UCI-Repository, der 1030 Stichproben mit acht numerischen Eingabemerkmalen und einer Zielvariablen umfasst: Druckfestigkeit. Die Daten sind in Trainings- und Testsätze aufgeteilt, wobei die Eingabefunktionen normalisiert sind, um eine konsistente Skalierung zu gewährleisten. Das Kapitel hebt die nichtlineare und multivariable Natur des Problems hervor und betont die Notwendigkeit robuster Vorhersagemodelle. Der Leistungsvergleich zeigt, dass CatBoost mit R ² -Werten von 0,9943 am Trainingsset und 0,9440 am Testset die höchste Genauigkeit erreicht. XGBoost und GBM liefern ebenfalls gute Ergebnisse, während AdaBoost nur begrenzte Vorhersagefähigkeiten aufweist. Die überlegene Leistung von CatBoost wird seinem fortschrittlichen algorithmischen Design zugeschrieben, das komplexe Interaktionen von Merkmalen effektiv erfasst und gleichzeitig Verallgemeinerungen beibehält. Das Kapitel schließt mit der Betonung des Potenzials, Algorithmen, insbesondere CatBoost, in Anwendungen des Bauwesens zu fördern, wo eine präzise Vorhersage der Materialeigenschaften unverzichtbar ist.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis study investigates the use of boosting-based machine learning algorithms to predict the compressive strength of concrete, aiming to improve structural safety, optimize mix proportions, and enhance construction efficiency. Traditional empirical models often fall short in modeling the complex nonlinear relationships among input materials. Five popular boosting methods—AdaBoost, Gradient Boosting Machine (GBM), XGBoost, LightGBM, and CatBoost—were evaluated using a benchmark dataset of 1030 samples from the UCI repository, containing eight numerical features. Model performance was measured using the coefficient of determination (R2). Among the methods, CatBoost outperformed others with R2 = 0.9943 on the training set and 0.9440 on the testing set, followed by XGBoost and GBM. AdaBoost showed the weakest performance. The results highlight the strong capability of advanced gradient boosting algorithms, particularly CatBoost, in modeling the nonlinear behavior of concrete materials.
-
- Titel
- 4th International Conference on Structural Health Monitoring and Engineering Structures (SHM&ES 2025)
- Herausgegeben von
-
Le Thanh Cuong
Nicholas Fantuzzi
Roberto Capozucca
Vu Thi Bich Quyen
Samir Khatir
- Copyright-Jahr
- 2026
- Verlag
- Springer Nature Switzerland
- Electronic ISBN
- 978-3-032-04645-1
- Print ISBN
- 978-3-032-04644-4
- DOI
- https://doi.org/10.1007/978-3-032-04645-1
Die PDF-Dateien dieses Buches wurden gemäß dem PDF/UA-1-Standard erstellt, um die Barrierefreiheit zu verbessern. Dazu gehören Bildschirmlesegeräte, beschriebene nicht-textuelle Inhalte (Bilder, Grafiken), Lesezeichen für eine einfache Navigation, tastaturfreundliche Links und Formulare sowie durchsuchbarer und auswählbarer Text. Wir sind uns der Bedeutung von Barrierefreiheit bewusst und freuen uns über Anfragen zur Barrierefreiheit unserer Produkte. Bei Fragen oder Bedarf an Barrierefreiheit kontaktieren Sie uns bitte unter accessibilitysupport@springernature.com.