پیش‌بینی مقاومت نهایی محوری ستون‌های دایره‌ای فولادی پرشده با بتن توسط شبکه‌ی عصبی مصنوعی
پذیرفته شده برای ارائه شفاهی XML اصل مقاله (1481 K)
عنوان دوره: دهمین کنفرانس ملی بتن ایران
نویسندگان
1معاون ارزیابی
2مدیر گروه
چکیده
ستون‌های فولادی پرشده با بتن ویژگی‌هایی نظیر کاهش هزینه‌های ساخت، شکل‌پذیری بیشتر و مقاومت افزون بهتری نسبت به ستون‌های بتن آرمه دارد. از اینرو، کاربرد این نوع ستون‌ها در سازه‌های مهندسی از قبیل پلها و ساختمانهای بلند مورد توجه قرار گرفته است. عمدتاً، مدل‌های تجربی و آیین‌نامه‌ای از تعداد محدودی نمونه ی آزمایشگاهی جهت پیش‌بینی حداکثر ظرفیت این مقاطع استفاده نمودهاند که از تجزیه وتحلیل رگرسیون حاصل شده‌اند. لذا، کاربرد مدل‌های پیش‌بینی در محدوده ی گستردهتر از دقت قابل قبولی برخوردار نمیباشد. در این تحقیق، براساس نتایج آزمایشگاهی یک مدل پیش‌بینی مقاومت نهایی محوری براساس شبکه‌ی عصبی مصنوعی توسعه داده شده است. نتایج حاصل از تخمین مدل شبکه‌ی‌ عصبی بر اساس 1168 نمونه‌ی آزمایشگاهی، به کمک چندین آماره‌ی خطا با دو مدل‌ تجربی و دو آیین نامه ی طراحی AISC و EC4 مقایسه گردیده است. مدل شبکه‌ی عصبی شبه نیوتن BFGS ارائه شده موجب بهبود ریشه‌ی میانگین مربعات خطا و میانگین قدر مطلق خطا به ترتیب در حدود 90 درصد و 30 درصد شده است و همچنین با ضریب انطباق 993/0 بهترین همبستگی خطی بین داده‌های پیش‌بینی و آزمایشگاهی را نسبت به سایر مدل‌های پیش‌بینی نشان داده است. بنابراین، استفاده از شبکه‌ی عصبی مصنوعی یک ابزار ساده و کارا جهت برآورد مقاومت نهایی محوری ستون‌های دایره‌ای می‌باشد که، عملکرد بالایی از حیث صحت برآورد و تطبیق بیشتر بر داده‌های آزمایشگاهی در مقایسه با مدل‌های تجربی و آیین‌نامه‌ای نشان داده است.
کلیدواژه ها
موضوعات
 
Title
Prediction of the Axial Ultimate Strength of Circular CFST Columns Using Artificial Neural Network
Authors
Mohammad Hossein Yaqoubi, Behrouz Kesgtegar, Hossein Ali Rahdar
Abstract
Concrete-filled steel tube (CFST) columns have features such as reduced construction costs and more dilation and carrying capacity to reinforced concrete columns. Therefore, Concrete-filled steel tube columns have been increasingly adopted in many modern structures such as bridges and high-rise buildings due to the beneficial composite action between steel tube and concrete core. Mainly, experimental and codes models of a limited number of experimental samples have been used to predict the axial ultimate strength of these sections, which are derived from regression analysis. Therefore, the use of prediction models is not widespread in the most reasonable range. In this paper, a novel predicted model of the axial ultimate strength has been developed based on Artificial Neural Network (ANN) using a large experimental data set more 1168 sample data on CFST. The predicted results of the developed ANN model were compared with tow empirical newest models and AISC and EC4 code relations using several error statistics. The proposed Broyden-Fletcher-Goldfarb-Shanno (BFGS) algorithm improves the root-mean square error and the mean absolute error is about 90% and 30%, respectively, and also with a coefficient of correlation of 0.993, the best correlation between predicted and experimental data is shown in comparison with other prediction models.The results indicate that the successful application of the Neural Network in the estimation of the ultimate strength of these sections has been shown to be experimental and codes models.
Keywords
Concrete-filled steel tube, Axial ultimate strength, Artificial Neural Network, Experimental database, Modeling