Seismic response prediction of steel moment frames using machine learning methods

Nonlinear time history analysis (NLTHA) is reported to be the most accurate seismic analysis method. However, it can be complex and computationally intensive when applied to multi-storey structural systems. For these reasons, NLTHA is rarely used in engineering practice, and simplified seismic analysis that can estimate structural behaviours are more preferred. Machine learning (ML) techniques can be powerful for reliable predictions, with their ability to quickly and accurately identify trends and patterns through data. This study developed an ML-based framework that enables a fast and accurate prediction of nonlinear structural seismic responses for multi-storey steel moment-resisting frames. Seven ML techniques have been compared: multiple regression, K-nearest neighbors, support vector machine, random forest, decision tree, light gradient boosting machine (LGBM) and extreme gradient boosting (XGBoost). To generate a comprehensive dataset for training and to test the ML models, 2000 NLTHA were performed on 200 steel MRFs subjected to 10 ground motions, with a wide range of input variables, including buildings topology, structural characteristics, design parameters, gravity loadings, and earthquake characteristics. The XGBoost and LGBM models achieved the highest accuracy in the seismic response predictions. The accuracy of the XGBoost model for the testing dataset is 81% for the maximum top displacement, 70% for maximum inter-story drifts, 92% for maximum axial forces in the column, 85% for maximum bending moments in the beam, and 79% for maximum bending moments in the column. In contrast, LGBM performs better in predicting drifts with an accuracy of 73%. This study added a new step for the application of machine learning to the rapid prediction of seismic responses for building structures. The wide range of parameters representing inputs and outputs transfers the theoretical studies in this field to a more practical framework.

L'analisi non lineare nel dominio temporale (NLTHA) è il metodo di analisi sismica più accurato. Tuttavia, può essere complesso e computazionalmente dispendioso se applicato a sistemi strutturali con più gradi di libertà. Per questi motivi, NLTHA è usata raramente nella pratica ingegneristica e, pertanto, si preferisce un’ analisi sismica semplificata che può comunque stimare i comportamenti strutturali. Le tecniche di machine learning (ML) hanno attirato un crescente interesse nei campi dell'ingegneria. Infatti, queste possono essere un potente strumento per previsioni affidabili grazie alla loro capacità d'identificare rapidamente e con precisione le tendenze e gli andamenti dei dati. Questo studio mira a sviluppare un quadro pratico che consenta la previsione rapida e accurata delle risposte sismiche strutturali non lineari per edifici a telaio in acciaio resistente al momento utilizzando metodi ML. Per diminuire la complessità e il costo computazionale dell'NLTHA, sono state applicate sette tecniche ML: Multiple regression, K-nearest neighbors, support vector machine, random forest, decision tree, light gradient boosting machine (LGBM) ed extreme gradient boosting (XGBoost). Per generare un set di dati completo volto all'addestramento e alla verifica dei modelli ML, sono stati eseguiti 2000 NLTHA su 200 telai resistenti al momento in acciaio sottoposti a 10 movimenti del terreno, con un'ampia gamma di variabili d'input, tra cui la topologia degli edifici, le caratteristiche strutturali, i parametri di progettazione, i carichi gravitazionali e le caratteristiche del terremoto. I modelli XGBoost e LGBM hanno raggiunto la massima accuratezza nelle previsioni di risposta sismica. L'accuratezza del modello XGBoost per il set di dati di test è dell'81% al massimo spostamento superiore, 70% per il massimo spostamento tra i piani, 92% per le forze assiali massime nel colonna, 85% per i momenti flettenti massimi nella trave e 79% per la flessione massima momenti in colonna. Al contrario, LGBM si comporta meglio nel prevedere le derive con una precisione del 73%. Questo studio fornisce una procedura generale per l'applicazione del ML per la previsione rapida delle risposte sismiche degli edifici. L'ampia gamma di parametri che rappresentano input e output permettono di trasferire gli studi teorici in questo campo in un quadro più pratico. Infine, si e voluto dimostrare che delle previsioni affidabili della risposta strutturale possono essere un punto di riferimento per la pratica ingegneristica.