المستخلص
تستخدم جدران القص الخرسانية المسلحة بشكل شائع كعناصر مقاومة للأحمال الجانبية في المناطق الزلزالية. يمكن أن يصبح تقدير قوة القص الخاصة بها أمرًا بالغ الأهمية للتصميم ومعقدًا في نفس الوقت عندما يتعلق الأمر بجدران القص الخرسانية المسلحة القصيرة والتي تكون فيها نسبة العرض إلى الارتفاع أقل او تساوي اثنين . تستخدم الدراسة الحالية تقنيات التعلم الآلة (ML) لتطوير منهج للتنبؤ بقوة القص لجدران الخرسانية المسلحة لمعالجة هذه المشاكل . تم تطوير النماذج التنبؤية المستندة إلى العديد من أساليب التعلم الآلة، بما في ذلك ANN وLR وXGBoost وKeras وRF، باستخدام قاعدة بيانات تتضمن بيانات تجريبية لـ 1424 عينة من جدران الخرسانية المسلحة التي تم جمعها من دراسات سابقة. تم استخدام 25 متغيرًا كعوامل تصميم كمدخلات أثناء عملية النمذجة، وتم استخدام متغير واحد كمخرجات. لتقييم أداء النماذج ومدى دقتها استخدمت ست مقاييس إحصائيةوهي ( )، ( )، ( )، ( )،( )، و ( ). ظهرت النتائج أن نموذجXGBoostتنبأ بقوة القص لجدران القصيرة بشكل أكثر دقة من نماذج ML الأخرى. حيث وصلت دقتها إلى 0.992، بمعدل خطأ 6%، وحصلت نتائج التنبؤ للعديد من نماذج التعلم الآلي، بما في ذلك ANN وLR وKeras وRF، على دقة 0.891 و0.83 و0.91 و0.934 على التوالي. بمعدلات خطأ قدرها 26%، 45%، 38%، و24% على التوالي. كما تفوق أداءXGBoost على النماذج التجريبية والنظرية وعلاوة على ذلك، تم إجراء تحليل للحساسية على المتغيرات المدخلة للتحقق بشكل شامل من تأثير هذه المتغيرات على مقاومة القص المتوقعة للجدران. ووفقاً لنتائـج التحليل فإن أهم المتغيـرات وأكثـرها تـأثيراً هــي طول الجدار وقوة الخضوع للتسليح العمودي وقوة الضغط للخرسانة وتفاصيل التسليح للشبكة العمودية هي الأكثر تأثيراً من بين المتغيرات على مقاومة القص، إذ بلغ معدل التأثير 7.62%، 6.88%، 6.75. %، 6.56% على التوالي. وهي الأكثر تأثيراً من بين المتغيرات على قوة القص. وأخيرًا، تم التحقق من كفاءة ودقة نموذج XGBoost الأمثلمن خلال تغذيته مباشرة بـ 414 اختبارًا تجريبيًا للنموذج التنبؤي غير المستخدم من قبل في أسلوب معالجة التعلم الآلي. وأثبت جدارته مرة أخرى بدقة وصلت إلى 0.917 وبنسبة خطأ 22.7%.
