Reliable and Interpretable AI for CFST Column Safety Assessment

Dieses Kapitel untersucht die Anwendung eines einheitlichen, auf künstlicher Intelligenz basierenden Rahmenwerks zur Bewertung der Zuverlässigkeit von betongefüllten Stahlrohrstützen (CFST), einer kritischen Komponente im modernen Bauwesen. Das Rahmenwerk kombiniert Monte-Carlo-Simulation (MCS) zur Zuverlässigkeitsbewertung, CatBoost zur prädiktiven Modellierung und SHAP zur Interpretierbarkeit. Die Studie verwendet einen Datensatz von 663 experimentellen CFST-Säulenproben, wobei Eingangsvariablen als unabhängige Zufallsvariablen mit Normalverteilungen modelliert werden, um die materielle und geometrische Variabilität widerzuspiegeln. Für die Regression wird der CatBoost-Algorithmus verwendet, ein Verfahren zur Steigerung des Gradienten, bei dem Hyperparametertuning durch fünffache Kreuzvalidierung erreicht wird. Die Ergebnisse zeigen eine starke Korrelation zwischen den vorhergesagten und den tatsächlichen Ausfallwahrscheinlichkeiten und bestätigen die Genauigkeit des Modells. Das Rahmenwerk klassifiziert CFST-Säulen auf der Grundlage des Zuverlässigkeitsindex in drei Sicherheitsstufen, wodurch eine 100% ige Klassifizierungsgenauigkeit erreicht wird. Die SHAP-Analyse identifiziert den Außendurchmesser als die wichtigste Determinante für die Ausfallwahrscheinlichkeit, gefolgt von Wanddicke und Säulenlänge. Die Studie schließt mit Vorschlägen für zukünftige Forschungsrichtungen, wie die Ausweitung des Rahmenwerks auf exzentrische und schlanke Säulen und die Einbeziehung zeitabhängiger Abbaueffekte in die langfristige Sicherheitsbewertung. Dieser umfassende Ansatz bietet eine praktische und effiziente Methode für datengestützte, interpretierbare und zuverlässige Bewertungen der Tragwerksplanung und ist daher eine wertvolle Ressource für Fachleute auf diesem Gebiet.