Artificial Neural Network (ANN) Based Prediction of Ultimate Axial Load Capacity of Concrete-Filled Steel Tube Columns (CFSTCs)

Avci-Karatas, Cigdem

doi:10.1007/s13296-022-00645-8

Cited by 14 publications

(5 citation statements)

References 61 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bu nedenlerden dolayı, bu çalışmada, eksenel basınç yükü altındaki BDÇK kolonların yük kapasitesinin tahmini için makine öğrenmesi alanında sıklıkla kullanılan ve iyi sonuçlar veren YSA ve RO makine öğrenme yöntemleri kullanılarak belirtilen gereksinimler ortadan kaldırılmaya çalışılmış, R2 ve RMSE performans kriterleri acısından kıyaslamaları yapılmıştır. Literatürde araştırmacılar BDÇK kısa kolonların eksenel yük kapasitesini bulmak için destek vektor makinesi (DVM) ve parçacık sürüsü optimizasyonu (PSO) yöntemleri (Ren et al, 2019), coklu dogrusal regresyon (Cosgun et al, 2020b) ve çok değişkenli uygulanabilir regresyon (MARS) yöntemi (Karatas, 2019;Yuvaraj et al, 2013;Li and Yang, 2018) kullanılmıştır. MARS yöntemi ile beton basinç dayanımı, yüksek beton dayanımına sahip betonarme kirişlerin kırılma özellekleri ve elyaf takviyeli çimento esaslı kompozitlerin çekme şekildeğiştirme kapasitesi tahmin edilmeye çalışılmıştır (Karatas, 2019;Yuvaraj et al, 2013;Li and Yang, 2018).…”

Section: Originalityunclassified

“…Literatürde araştırmacılar BDÇK kısa kolonların eksenel yük kapasitesini bulmak için destek vektor makinesi (DVM) ve parçacık sürüsü optimizasyonu (PSO) yöntemleri (Ren et al, 2019), coklu dogrusal regresyon (Cosgun et al, 2020b) ve çok değişkenli uygulanabilir regresyon (MARS) yöntemi (Karatas, 2019;Yuvaraj et al, 2013;Li and Yang, 2018) kullanılmıştır. MARS yöntemi ile beton basinç dayanımı, yüksek beton dayanımına sahip betonarme kirişlerin kırılma özellekleri ve elyaf takviyeli çimento esaslı kompozitlerin çekme şekildeğiştirme kapasitesi tahmin edilmeye çalışılmıştır (Karatas, 2019;Yuvaraj et al, 2013;Li and Yang, 2018).…”

Section: Originalityunclassified

“…Literatürde makine ögrenme tahmin modellerinin inşaat/yapı mühendisliği alanında kullanımı oldukça sınırlıdır (Karatas, 2019). Sadece birkaç araştirmada inşaat/yapı mühendisliği ile ilgili tahmine dayalı analitik yöntemler kullanılmıştır (Dutta et al, 2017;Erdem, 2017).…”

Section: Originalityunclassified

See 2 more Smart Citations

İçi̇ Beton Dolu Dai̇resel Kesi̇tli̇ Çeli̇k Borularin Eksenel Yük Kapasi̇teleri̇ni̇n Yapay Si̇ni̇r Ağlari Ve Rassal Orman Yöntemleri̇ İle Tahmi̇ni̇

Cosgun¹

2023

Mühendislik Bilimleri Ve Tasarım Dergisi

View full text Add to dashboard Cite

Bu çalışmada, makine öğrenme teknikleri kullanılarak içi beton dolu dairesel kesitli çelik boruların (BDÇK) basınç altındaki nihai eksenel yük kapasiteleri tahmin edilmiştir. BDÇK kolonlar hem eksenel yükler, hem de yatay yükler altındaki performanslarından dolayı yapılarda çok tercih edilmektedirler. Bunun başlıca nedeni betonun ve çeliğin süneklilik ve rijitlik özelliklerinden kaynaklanmaktadır. Özellikle deprem etkisi altındaki yapısal elemanların davranışı yapının toptan davranışını etkilemektedir. Yapısal elemanların yük taşıma kapasitesinin makine öğrenme yöntemleri kullanılarak değerlendirilmesi araştırmacılar arasında oldukça popüler hale gelmiştir. Bu çalışma ile eksenel yük etkisi altındaki BDÇK kolonların eksenel yük kapasitesi yapay sinir ağları (YSA) ve rassal orman (RO) makine öğrenme yöntemleri kullanılarak tahmin edilmeye çalışılmış ve literatürdeki deney sonuçları ile karşılaştırılmıştır. Kapasite tahmini için literatürdeki 215 deney sonucu kullanılarak makine öğrenme yöntemleri arasında kıyaslama yapılmış, karşılaştırma sonucunda RO yönteminin daha iyi sonuç verdiği görülmüştür.

show abstract

Section: Originalityunclassified

See 1 more Smart Citation

İçi̇ Beton Dolu Dai̇resel Kesi̇tli̇ Çeli̇k Borularin Eksenel Yük Kapasi̇teleri̇ni̇n Yapay Si̇ni̇r Ağlari Ve Rassal Orman Yöntemleri̇ İle Tahmi̇ni̇

Cosgun¹

2023

Mühendislik Bilimleri Ve Tasarım Dergisi

View full text Add to dashboard Cite

show abstract

“…One of the main advantages of the CFT column is the confinement effect of the infilled concrete due to the presence of the steel tube [31][32][33][34][35][36][37]. When a compressive force is applied to the CFT column, the infilled concrete experiences shrinkage in the loading direction and expansion in the direction perpendicular to the applied load, as per the well-known Poisson's effect.…”

Section: Introductionmentioning

confidence: 99%

Structural performance of the concrete-filled tube column with internal triangular units subjected to axial compression

Kim,

Lee,

et al. 2024

PLoS ONE

View full text Add to dashboard Cite

This study introduces a novel concrete-filled tube (CFT) column system featuring a steel tube comprised of four internal triangular units. The incorporation of these internal triangular units serves to reduce the width-thickness ratio of the steel tube and augment the effective confinement area of the infilled concrete. This design enhancement is anticipated to result in improved structural strength and ductility, contributing to enhanced overall performance and sustainability. To assess the effectiveness of the newly proposed column system, a full-scale test was conducted on five square steel tube column specimens subjected to axial compression. Among these specimens, two adhered to the conventional steel tube column design, while the remaining three featured the new CFT columns with internal triangular units. The shape of the CFT column, the presence of infilled concrete and the presence of openings on the ITUs were considered as test parameters. The test results reveal that the ductility of the newly proposed CFT column system exhibited a minimum 30% improvement compared to the conventional CFT column. In addition, the initial stiffness and axial compressive strength of the new system were found to be comparable to those of the conventional CFT column.

show abstract

“…Toward more convenient and more efficient analysis, machine learning methods have recently been replaced with conventional models in many fields of research [17][18][19]. There is a wide variety of these models such as gene expression programming (GEP) [20], adaptive neuro-fuzzy inference system (ANFIS) [21], and multivariate adaptive regression splines [22] that have been effectively applied to problems related to the CCFST columns. Ho and Le [23] investigated the feasibility of a regression model for analyzing the ultimate load of CCFST columns by taking into account the variability propagated to the response.…”

Section: Introductionmentioning

confidence: 99%

Combining Artificial Neural Network and Seeker Optimization Algorithm for Predicting Compression Capacity of Concrete-Filled Steel Tube Columns

Aghajanirefah

Anvari

et al. 2023

Buildings

View full text Add to dashboard Cite

Accurate and reliable estimation of the axial compression capacity can assist engineers toward an efficient design of circular concrete-filled steel tube (CCFST) columns, which are gaining popularity in diverse structural applications. This study proposes a novel methodology based on computational intelligence for estimating the compression capacity of CCFST. Accordingly, a conventional artificial neural network (ANN) is hybridized with a metaheuristic algorithm called the seeker optimization algorithm (SOA). Utilizing information such as the column’s length, compressive strength of ultra-high-strength concrete, and the diameter, thickness, yield stress, and ultimate stress of the steel tube, the capacity of the column is predicted through non-linear calculations. In addition to the SOA, the future search algorithm (FSA) and social ski driver (SSD) are used as comparative benchmarks. The prediction results showed that the SOA-ANN can learn and predict the compression capacity pattern with high accuracy (relative error < 2.5% and correlation > 0.99). Also, this model outperformed both benchmark hybrids (i.e., FSA-ANN and SSD-ANN). Apart from accuracy, the configuration of the SOA-ANN is simpler owing to the smaller population recruited for the optimization task. An explicit formula for the proposed model is developed, which, owing to its observed efficiency, can be reliably applied to CCFST columns for the early estimation of the compression capacity.

show abstract

Artificial Neural Network (ANN) Based Prediction of Ultimate Axial Load Capacity of Concrete-Filled Steel Tube Columns (CFSTCs)

Cited by 14 publications

References 61 publications

İçi̇ Beton Dolu Dai̇resel Kesi̇tli̇ Çeli̇k Borularin Eksenel Yük Kapasi̇teleri̇ni̇n Yapay Si̇ni̇r Ağlari Ve Rassal Orman Yöntemleri̇ İle Tahmi̇ni̇

İçi̇ Beton Dolu Dai̇resel Kesi̇tli̇ Çeli̇k Borularin Eksenel Yük Kapasi̇teleri̇ni̇n Yapay Si̇ni̇r Ağlari Ve Rassal Orman Yöntemleri̇ İle Tahmi̇ni̇

Structural performance of the concrete-filled tube column with internal triangular units subjected to axial compression

Combining Artificial Neural Network and Seeker Optimization Algorithm for Predicting Compression Capacity of Concrete-Filled Steel Tube Columns

Contact Info

Product

Resources

About