Vol.26, No.2, 2026, pp. 233–243
https://doi.org/10.69644/ivk-2026-02-0233 

PROCENA NOSIVOSTI I SLEGANЈA ŠIPOVA OPTIMIZOVANIM MODELIMA MAŠINSKOG UČENЈA

Nikola Božović1* , Andrija Petrović2, Marija Krstić3, Mladen Ćosić1 , Sanja Jocković4 ,

Miloš Marjanović4 

1) Institute for Testing of Materials-IMS, Belgrade, SERBIA

N. Božović https://orcid.org/0009-0006-3804-6524 , *email: nikola.bozovic@institutims.rs ;

M. Ćosić https://orcid.org/0000-0002-2581-2692

2) University of Belgrade, Faculty of Organizational Sciences, Belgrade, SERBIA

3) Elixir Engineering, Šabac, SERBIA

4) University of Belgrade, Faculty of Civil Engineering, Belgrade, SERBIA

S. Jocković https://orcid.org/0000-0002-3896-4791 ; M. Marjanović https://orcid.org/0000-0002-7968-3873

 

Izvod

Određivanje nosivosti i sleganja šipova primenom standardnih analitičkih postupaka u praksi zahteva validaciju kroz terenska ispitivanja statičkim ili dinamičkim metodama. Međutim, rezultati ovih ispitivanja često pokazuju značajna odstupanja u odnosu na proračunske vrednosti, dok su sama ispitivanja skupa i vremenski zahtevna. U ovom radu primenjeno je jedanaest algoritama mašinskog učenja za predviđanje nosivosti i sleganja šipova na osnovu parametara tla u kojem su šipovi izvedeni. Podaci o tlu podeljeni su na laboratorijske i terenske, na osnovu čega su formirana četiri pristupa predviđanja. Primenjeni algoritmi mašinskog učenja obuhvataju linearne modele, modele zasnovane na drvetu odlučivanja, modele zasnovane na udaljenosti i jezgru, kao i ansambl i „boosting“ modele. Baza podataka korišćena u analizi obuhvata informacije o 170 šipova ispitanih statičkim i dinamičkim metodama na području Beograda. Efikasnost algoritama ocenjena je pomoću koeficijenta determinacije R2, pri čemu je CatBoost algoritam postigao najveću tačnost u predviđanju nosivosti i sleganja. Za ovaj algoritam određeni su i najuticajniji ulazni parametri za sva četiri pristupa predviđanja. Kao dominantan parametar u predviđanju nosivosti izdvojila se površina poprečnog preseka šipa, dok se u predviđanju sleganja kao najuticajnija pokazala sila u šipu. Za sve šipove iz baze izvršen je i proračun nosivosti i sleganja primenom konvencionalnih analitičkih metoda. Rezultati proračuna analitičkim metodama često značajnije odstupaju od rešenja koja se dobijaju ispitivanjem šipova. Primenom rešenja dobijenih SLT i DLT ispitivanjem šipova i povezivanjem sa terenskim i laboratorijskim podacima, mašinsko učenje obezbeđuje naprednija rešenja u odnosu na analitičke metode.

Ključne reči: • nosivost šipa • sleganje šipa • ispitivanje šipa • mašinsko učenje • geotehnički podaci  

rad u celosti (980 kB)