Machine Learning-Based Boosting Algorithm for Analysis of Railway Bridges Under Moving Loads and Earthquake Excitation

In diesem Kapitel wird die dynamische Reaktion einfach unterstützter Brücken unter dem Einfluss bewegter Lasten und seismischer Ereignisse untersucht. Dabei werden maschinelle Lerntechniken eingesetzt, um prädiktive Modellierungen zu verbessern. Die Studie verwendet numerische Modellierungen in OpenSees, um Brückenreaktionen zu simulieren, wobei sowohl bewegliche Lasten als auch Erdbebenerregungen berücksichtigt werden. Surrogate-Modellierungstechniken, einschließlich linearer Regression und XGBoost, werden eingesetzt, um Verschiebung und Beschleunigung in der Mitte der Spanne vorherzusagen. Die Ergebnisse zeigen, dass XGBoost die lineare Regression bei der Vorhersagegenauigkeit deutlich übertrifft, mit niedrigeren mittleren Werten für quadratische Fehler (MSE) und höheren R-quadratischen Werten (R ²). Die Analyse der Bedeutung von Merkmalen zeigt, dass Peak Ground Acceleration (PGA) der dominante Faktor ist, der die Dynamik von Brücken beeinflusst, während die Geschwindigkeit von Fahrzeugen einen vernachlässigbaren Einfluss hat. Die Forschungsergebnisse kommen zu dem Schluss, dass maschinelles Lernen, insbesondere XGBoost, ein leistungsstarkes Werkzeug zur Verbesserung der Genauigkeit und Zuverlässigkeit von Vorhersagen zur Reaktion von Brücken bietet und wertvolle Erkenntnisse für die Konstruktion und Bewertung von Brücken unter dynamischen Belastungsbedingungen liefert.