Prediction of cold-formed column splice strength using machine learning and augmented experimental data

This thesis aimed to predict the load-bearing capacity of cold-formed racking components using four different machine learning (ML) algorithms. The study utilized a comprehensive database of 106 tests, encompassing various geometric characteristics and loading conditions. Linear regression, ridge regression, RandomForest, and artificial neural network (ANN) methods were compared to determine their effectiveness in predicting the outcomes and generating synthetic data by using ML (Active Learing). The geometric properties of the cold-formed samples were selected as input parameters for training the ML algorithms, while the maximum horizontal load and bending moment capacities served as the target features. To demonstrate the significance of the dataset, Finite Element Method (FEM) analysis through ABAQUS software was employed, enabling the generation of additional data and augmenting the dataset (data augmentation). Furthermore, the concept of overfitting was investigated, and recommendations were provided to address this issue. Among the ML algorithms tested, ANN, RandomForest and StackingRegression emerged as the most successful in accurately predicting the results of validation tests, achieving an impressive accuracy.

Questa tesi aveva l'obiettivo di prevedere la capacità portante dei componenti di scaffalature in lamiera formata a freddo utilizzando quattro diversi algoritmi di apprendimento automatico (ML). Lo studio ha utilizzato un database completo di 106 test, che comprendeva diverse caratteristiche geometriche e condizioni di carico. Sono stati confrontati la regressione lineare, la regressione ridge, RandomForest e il metodo della rete neurale artificiale (ANN) per determinare la loro efficacia nella previsione dei risultati e nella generazione di dati sintetici utilizzando il ML (Active Learning). Le proprietà geometriche dei campioni di lamiera formata a freddo sono state selezionate come parametri di input per addestrare gli algoritmi di apprendimento automatico, mentre la massima capacità di carico orizzontale e i momenti flettenti sono stati utilizzati come caratteristiche obiettivo. Per dimostrare l'importanza del dataset, è stato utilizzato il metodo degli elementi finiti (FEM) tramite il software ABAQUS, che ha consentito la generazione di dati aggiuntivi per aumentare il dataset (data augmentation). Inoltre, è stato indagato il concetto di overfitting e sono state fornite raccomandazioni per affrontare questo problema. Tra gli algoritmi di apprendimento automatico testati, ANN, RandomForest e StackingRegression si sono dimostrati i più efficaci nella previsione accurata dei risultati dei test di convalida, raggiungendo un'accuratezza impressionante.