پیشبینی ظرفیت باربری ستونهای فولادی پر شده با بتن (CFST) با استفاده از شبکه عصبی عمیق

ستونهای فولادی پر شده با بتن (CFST) به دلیل ظرفیت باربری بالا، شکلپذیری مطلوب و سهولت اجرا، در سالهای اخیر کاربرد گستردهای در سازههای مهندسی یافتهاند. پیشبینی دقیق ظرفیت باربری محوری این ستونها، به دلیل اندرکنش پیچیده میان پوسته فولادی و هسته بتنی، یکی از چالشهای مهم تحقیقاتی محسوب میشود. در این پژوهش، یک مدل شبکه عصبی عمیق برای پیشبینی ظرفیت باربری نهایی ستونهای CFST توسعه داده شده است. پایگاه داده مورد استفاده شامل نتایج آزمایشگاهی استخراجشده از ۱۸ مطالعه معتبر بینالمللی است که طیف وسیعی از مشخصات هندسی و مکانیکی را در بر میگیرد. پارامترهای ورودی مدل شامل قطر مقطع (D)، طول ستون (L)، ضخامت جداره فولادی (t)، تنش تسلیم فولاد (fy) و مقاومت فشاری بتن (fck) میباشند. نتایج ارزیابی نشان داد که مدل شبکه عصبی عمیق با ضریب تعیین ۰.۹۸۲ و میانگین قدرمطلق خطای ۱.۹۲ کیلونیوتن، عملکرد بسیار بهتری نسبت به مدل رگرسیون خطی چندگانه (R²=۰.۸۰۱) و شبکه تابع پایه شعاعی (R²=۰.۹۵۶) دارد. همچنین، تحلیل حساسیت نشان داد که مقاومت فشاری بتن و تنش تسلیم فولاد بیشترین تاثیر را بر ظرفیت باربری نهایی دارند.

کلیدواژه ها:

ستون CFST ، شبکه عصبی عمیق ، ظرفیت باربری ، یادگیری ماشین ، پیشبینی مقاومت