Naslov rada: „Predikcijski modeli za posmičnu čvrstoću armiranobetonskih stupova”
Studentica: Laura Stojanović
Mentorica: prof. dr. sc. Marijana Hadzima-Nyarko
Studij: Sveučilišni diplomski studij Građevinarstvo, Građevinski i arhitektonski fakultet Osijek
Datum obrane: 25. rujna 2026.
Trajna poveznica: https://urn.nsk.hr/urn:nbn:hr:133:290935
U okviru Erasmus+ projekta IM4StEM – Intelligent Methods for Structures, Elements and Materials, dana 25. rujna 2026. godine na Građevinskom i arhitektonskom fakultetu Osijek uspješno je obranjen diplomski rad studentice Laure Stojanović pod naslovom „Predikcijski modeli za posmičnu čvrstoću armiranobetonskih stupova”. Mentorica diplomskog rada bila je prof. dr. sc. Marijana Hadzima-Nyarko.
Armiranobetonski stupovi ključni su za stabilnost i potresnu sigurnost građevina. Budući da posmični slom stupa nastupa naglo i bez prethodnih upozorenja, pouzdano predviđanje posmične čvrstoće i mehanizma sloma jedan je od temeljnih zadataka suvremenog potresnog projektiranja. Postojeći propisi i empirijski izrazi često pokazuju velika odstupanja od eksperimentalnih rezultata jer ne obuhvaćaju u potpunosti nelinearnu interakciju geometrijskih i materijalnih parametara te parametara opterećenja.
U radu su pregledani i uspoređeni normirani izrazi (ACI 318, CSA, FEMA 273, Eurokod 8 te modeli Aschheima i Moehlea, odnosno Sezena i Moehlea) i modeli strojnog učenja za predviđanje posmične čvrstoće pravokutnih armiranobetonskih stupova. Analiza se oslanja na studiju Phana i suradnika (2022.), u kojoj je na bazi od 541 eksperimentalnog uzorka razvijeno pet regresijskih modela: multivarijatne adaptivne regresijske krivulje (MARS), stablo odlučivanja (DT), metoda K-najbližih susjeda (KNN), metoda potpornih vektora (SVM) i umjetne neuronske mreže (ANN). Razmotrene su i Fisherova diskriminantna analiza za razredbu načina sloma te Monte Carlo metoda za probabilističku procjenu potresnog rizika.
Kao samostalan doprinos, spajanjem dvaju neovisnih izvora i uklanjanjem dvostrukih zapisa izrađena je objedinjena baza od 785 eksperimentalno ispitanih pravokutnih armiranobetonskih stupova, na kojoj je provedena neovisna usporedba izraza iz normi i modela strojnog učenja. Rezultati su pokazali da modeli strojnog učenja znatno nadmašuju empirijske izraze: dok normirani izrazi ostvaruju koeficijent determinacije najviše R² = 0,627 (Eurokod 8), modeli strojnog učenja i na objedinjenoj bazi postižu vrijednosti iznad 0,86, a najbolju točnost pokazali su modeli ANN (R² = 0,938 na skupu za testiranje) i KNN. Praktična primjenjivost prikazana je grafičkim korisničkim sučeljem u programu MATLAB, koje na temelju deset ulaznih parametara omogućuje brzo predviđanje posmične čvrstoće i mehanizma sloma.
Diplomski rad izrađen je u sklopu projekta IM4StEM – „Sinergija primjene inteligentnih metoda u procjeni ponašanja zgrada, elemenata i materijala i inovativna upotreba recikliranih građevinskih materijala zasnovana na eksperimentalnim i novim pristupima za uspostavu održivog životnog prostora” (2023-1-HR01-KA220-HED-000165929), koji se provodi u okviru programa Erasmus+, s posebnim naglaskom na primjenu inteligentnih metoda u procjeni ponašanja konstrukcijskih elemenata. Rad time pridonosi razvoju pouzdanijih metoda za
