Prediction of the fundamental period of reinforced concrete frame structures with infill walls using Artificial Intelligence techniques

Abstract

La conception de bâtiments parasismiques implique que les structures doivent résister aux mouvements des tremblements de terre. Ceci est accompli à travers une conception crédible des bâtiments en question, et ce en se référant aux codes parasismiques. ? cette fin, les principales réponses structurelles doivent être calculées après avoir déterminé une propriété dynamique importante, à savoir la période fondamentale (PF), puisqu'elle est considérée comme l'empreinte digitale des structures. Il est donc impératif de l'évaluer par le biais d'une analyse déterministe et probabiliste, afin de garantir une grande précision et une faible incertitude dans les formules générées. Cette thèse vise à déterminer la PF des structures en béton armé avec remplissage en maçonnerie, en utilisant l'apprentissage automatique en boite noire et blanche. A cette fin, trois algorithmes de boosting ont été sélectionnés, principalement gradient boosting decision trees, CatBoost, et LightGBM. Une comparaison entre les modèles par défaut et les modèles définis avec des hyperparamètres ajustés, en utilisant l'outil Optuna, a montré que l'optimisation des hyperparamètres conduisait à de meilleurs résultats et que cette étape est cruciale pour atteindre les modèles optimaux. La contribution de chaque variable d'entrée a été évaluée à l'aide de diverses techniques, à savoir l'importance des caractéristiques, SelectFromModel et l'explication additive de Shapley, démontrant que, bien que la hauteur du bâtiment soit l'entrée principale pour déterminer la PF, c'est la contribution des cinq paramètres qui a permis d'obtenir le modèle le plus performant. Dans le but de développer un modèle facilement compréhensible par les humains, une méthode d'apprentissage automatique à boîte blanche a été sélectionnée pour développer une formule reliant la PF aux cinq variables d'entrée. Cette formule a atteint une grande précision et de faibles valeurs d'erreur, et a surpassé les équations suggérées par certains auteurs et codes de construction. Une modélisation probabiliste à grande échelle et une analyse de l'incertitude a été réalisée pour souligner l'effet de variabilité des entrées sur les statistiques de la période, démontrant par l'analyse de sensibilité que la hauteur du bâtiment, le pourcentage d'ouverture, et leur interaction sont les paramètres ayant le plus grand effet, sur les valeurs de la PF. En outre, l'analyse statistique des résultats a révélé que la distribution multivariée est la mieux adaptée, pour représenter la variabilité de toutes les entrées. L'intervalle de confiance à 95 % a montré que l'incertitude du pourcentage d'ouverture a plus d'influence sur les statistiques de la période. De plus, selon les résultats de l'analyse de sensibilité et de l'analyse probabiliste, deux nouvelles équations de la période ont été développées. La première expression se base sur les trois paramètres conceptions, tandis que la deuxième équation considère également l'effet d'un paramètre physique. Enfin, une méthode d'apprentissage automatique probabiliste a été utilisée, afin de sélectionner la loi de distribution la plus appropriée de la PF et générer une prédiction probabiliste à l'aide des intervalles de prédiction, qui a démontré que les distributions normale et log-normale sont les plus adéquates, en offrant une largeur étroite des intervalles de prédiction à 95 % et en couvrant tous les points de données.