Buried pipes suffer from various natural and human-related phenomena leading to the bending forces on such structures. The analytical models face obstacles such as the complications in modeling material behavior and the local stress concentration due to the appearance of defects are combined. This causes the accumulative over and under-estimation of pipe capacity due to the idealizations of full plastic stress distribution and location of defects at the most dangerous area, respectively. Consequently, such models are not appropriate in the case that defects are not located on the bending plane. The Finite Element, FE, approach is used to overcome these difficulties with the appearance of defects is randomly propagated around the pipe. Additionally, the bilinear material model is also applied accounting for the shape of actual stress-strain curves in a simplified manner. Various Finite Element Analyses are conducted consequently to have an extensive FE database with 772 samples labeled by the bending capacity of the corresponding pipe. To avoid the difficulties for users due to the requirement of coding skill, statistics, and advanced mathematics knowledge, and the implicit appearance of the conventional data-driven models, an empirical model, which can be explicitly expressed, has been developed. The main process of developing such a model is to optimize the design variables in the reduction factors. The objective function is chosen as the Mean Absolute Error of the predicted versus simulated reduction factor. The proposed model has been validated with the high accuracy of R-square at 0.9929 on the test set reveals an improvement compared to other available models.

埋管遭受各种自然和与人有关的现象，导致这种结构受到弯曲力。分析模型面临障碍，例如建模材料行为方面的复杂性以及由于缺陷的出现而导致的局部应力集中。由于完全塑性应力分布的理想化和缺陷在最危险区域的位置的理想化，这分别导致了管道容量的累积高估和低估。因此，这种模型不适用于缺陷不在弯曲平面上的情况。有限元有限元方法用于克服这些困难，因为缺陷的出现是在管道周围随机传播的。此外，还应用了双线性材料模型，以简化的方式考虑了实际应力-应变曲线的形状。因此，进行了各种有限元分析，以得到一个广泛的有限元数据库，其中包含以相应管道的弯曲能力标记的772个样品。为了避免由于编码技能，统计学和高级数学知识的需求以及常规数据驱动模型的隐含外观而给用户带来的麻烦，已经开发了可以明确表示的经验模型。开发这种模型的主要过程是优化折减系数中的设计变量。选择目标函数作为预测的降低因子与模拟的降低因子的平均绝对误差。所提出的模型已被验证为具有较高的精度。因此，进行了各种有限元分析，以得到一个广泛的有限元数据库，其中包含以相应管道的弯曲能力标记的772个样品。为了避免由于编码技能，统计学和高级数学知识的需求以及常规数据驱动模型的隐含外观而给用户带来的麻烦，已经开发了可以明确表示的经验模型。开发这种模型的主要过程是优化折减系数中的设计变量。选择目标函数作为预测的对模拟的降低因子的平均绝对误差。所提出的模型已被验证为具有较高的精度。因此，进行了各种有限元分析，以得到一个广泛的有限元数据库，其中包含以相应管道的弯曲能力标记的772个样品。为了避免由于编码技能，统计学和高级数学知识的需求以及常规数据驱动模型的隐含外观而给用户带来的麻烦，已经开发了可以明确表示的经验模型。开发这种模型的主要过程是优化折减系数中的设计变量。选择目标函数作为预测的降低因子与模拟的降低因子的平均绝对误差。所提出的模型已被验证为具有较高的精度。为了避免由于编码技能，统计学和高级数学知识的需求以及常规数据驱动模型的隐含外观而给用户带来的麻烦，已经开发了可以明确表示的经验模型。开发这种模型的主要过程是优化折减系数中的设计变量。选择目标函数作为预测的对模拟的降低因子的平均绝对误差。所提出的模型已被验证为具有较高的精度。为了避免由于编码技能，统计学和高级数学知识的需求以及常规数据驱动模型的隐含外观而给用户带来的麻烦，已经开发了可以明确表示的经验模型。开发这种模型的主要过程是优化折减系数中的设计变量。选择目标函数作为预测的对模拟的降低因子的平均绝对误差。所提出的模型已被验证为具有较高的精度。开发这种模型的主要过程是优化折减系数中的设计变量。选择目标函数作为预测的对模拟的降低因子的平均绝对误差。所提出的模型已经验证了高精度。开发这种模型的主要过程是优化折减系数中的设计变量。选择目标函数作为预测的对模拟的降低因子的平均绝对误差。所提出的模型已被验证为具有较高的精度。与其他可用模型相比，测试集上的R平方为0.9929，显示出了改进。