Гибридная модель машинного обучения для точного предсказания свойств стальных колонн

Инженеры ищут прочные и устойчивые здания с помощью инновационных материалов, таких как стальные трубчатые колонны CFST, усиленные углеродным волокном (CFRP). Эти конструкции сочетают надёжность CFST и лёгкость CFRP. Однако из-за недостатка данных, прогнозирование их свойств остаётся сложным.

Исследовательская группа из Сеульского национального университета разработала гибридную модель машинного обучения для точного предсказания предельной осевой прочности таких колонн. Они использовали генеративный ИИ для создания синтетической базы данных, а затем обучили модель с помощью метода Extra Trees и алгоритма Moth-Flame Optimization.

Тестирование показало, что предложенная модель превосходит существующие аналоги по точности и надёжности.