Columns are crucial to structural performance, and this thesis addresses the critical need for predicting failure modes in reinforced concrete (RC) columns by evaluating the potential of a random forest machine learning (ML) model. This model is built using data from the well-known PEER structural performance database, which compiles results from over 400 cyclic, lateral-load tests on reinforced concrete columns. The database includes tests on spiral or circular hoop-confined columns, rectangular tied columns, and columns with or without lap splices of longitudinal reinforcement at critical sections. Here, the effectiveness of supervised ML techniques is examined, specifically random forests, using a randomly selected test set from the Pacific Earthquake Engineering Research Center (PEER) database. The model achieved an overall accuracy of 94% for rectangular RC columns and 86% for circular RC columns. These accuracy levels are influenced by the size of the training and test data sets rather than the number of decision trees used in the random forest algorithm. Additionally, the model's predicted failure modes matched or even outperformed those calculated using code-defined equations (the traditional method) in some cases. This study demonstrates that random forest models are highly effective for postdicting RC column failure modes, highlighting the transformative potential of machine learning in earthquake engineering.

Σήμερα, η Μηχανική Μάθηση (ΜΜ) αναμένεται να προσφέρει μια τεράστια ευκαιρία συστηματικής προώθησης της έρευνας και της πρακτικής στην αντισεισμική μηχανική. Τα υποστυλώματα διαδραματίζουν πολύ σημαντικό ρόλο στην αντισεισμική συμπεριφορά κατασκευών οπλισμένου σκυροδέματος και ως εκ τούτου αυτή η διπλωματική εργασία συμβάλλει στην επιτακτική ανάγκη της πρόβλεψης του τρόπου αστοχίας υποστυλωμάτων από οπλισμένο σκυρόδεμα (κυκλικά ή ορθογωνικά υποστυλώματα) διερευνώντας τις δυνατότητες των μεθόδων ΜΜ που βασίζονται σε γνωστά πειραματικά δεδομένα υποστυλωμάτων. Γνωστή ως PEER Structural Performance Database, η βάση αυτή δεδομένων συγκεντρώνει τα αποτελέσματα περισσότερων από 400 υποστυλωμάτων υπό πλευρική ανακυκλιζόμενη φόρτιση προσομοιώνοντας έτσι με στατικό τρόπο τη σεισμική φόρτιση. Η βάση δεδομένων περιγράφει πειραματικές δοκιμές τόσο κυκλικών όσο και ορθογωνικών υποστυλωμάτων. Εξετάζεται επί της ουσίας η αποτελεσματικότητα των εποπτευόμενων μεθόδων ΜΜ, όπως τα τυχαία δάση (random forests) που χρησιμοποιούν ένα τυχαία εκχωρημένο δείγμα από τη βάση δεδομένων PEER. Στόχος της εργασίας είναι να αποδειχθεί ότι η ταξινόμηση των υποστυλωμάτων με βάση την προαναφερθείσα μέθοδο ΜΜ είναι πολύ ακριβής για τον προσδιορισμό του τρόπου αστοχίας των συλλεγόμενων πειραματικών δεδομένων υποστυλωμάτων, συνηγορώντας έτσι στο γεγονός ότι η ΜΜ μπορεί να φέρει επανάσταση στο επάγγελμα του σεισμικού μηχανικού.