abstract: Punching shear failure is caused by shear stress concentration in the slab-column connection of reinforced concrete flat slabs. As it is a brittle failure, it is crucial to understand how this mechanism works and to correctly predict the resistance of slabs subjected to it. In this paper, machine learning-based models were developed and compared to predict the punching shear resistance of reinforced concrete interior slabs without shear reinforcement. The models were based on 373 experimental data of interior slabs. Artificial neural network, decision tree, random forest and extreme gradient boosting algorithms were employed. The input variables considered herein were the effective depth of the slabs, flexural reinforcement ratio, effective width of the columns, concrete compressive strength and steel yield strength, and the target variable was the punching shear strength. The results for the punching shear resistances obtained by the developed models, as well as those obtained by employing models presented in five reinforced concrete design codes, were compared to the experimental data. All machine learning models showed coefficient of determination above 0.95 for test data. As for the design code models, large discrepancies were observed between them, with the Brazilian code showing more accuracy than the others in predicting the failure load of the slabs.
resumo: A ruptura por punção é causada pela concentração de tensões de cisalhamento na ligação laje-pilar de lajes lisas de concreto armado. Por se tratar de uma ruptura frágil, é fundamental entender como esse mecanismo funciona e prever corretamente a resistência das lajes submetidas a ele. Neste artigo, modelos baseados em aprendizado de máquina foram desenvolvidos e comparados para prever a resistência à punção de lajes internas de concreto armado sem armadura de cisalhamento. Os modelos foram baseados em 373 resultados experimentais de lajes apoiadas sobre pilar intermediário. Os algoritmos de rede neural artificial, árvore de decisão, floresta aleatória e extreme gradient boosting foram empregados. As variáveis de entrada aqui consideradas foram a altura útil das lajes, taxa de armadura de flexão, largura efetiva dos pilares, resistência à compressão do concreto e tensão de escoamento do aço, e a variável alvo foi a resistência à punção. Os resultados das resistências ao cisalhamento obtidos pelos modelos desenvolvidos, bem como aqueles obtidos pelo emprego de modelos apresentados em cinco códigos de projeto de concreto armado, foram comparados com os dados experimentais. Todos os modelos de aprendizado de máquina apresentaram coeficiente de determinação acima de 0,95 para dados de teste. Quanto aos modelos de normas de projeto, foram observadas grandes discrepâncias entre eles, com a norma brasileira apresentando maior precisão que as demais na previsão da carga de ruptura das lajes.