پیش بینی داده محور و مدل سازی احتمالاتی مقاومت محوری ستون های فولادی پرشده با بتن (CFST) با استفاده از شبکه عصبی مصنوعی

هدف این پژوهش، توسعه ی یک مدل پیش بینی مبتنی بر شبکه عصبی مصنوعی (ANN) برای برآورد ظرفیت محوری ستون های فولادی پرشده با بتن (CFST) تحت بار محوری است. برای این منظور، پایگاه داده ای جامع شامل ۹۵ نمونه ی آزمایشگاهی از منابع معتبر گردآوری شد تا طیف گسترده ای از ویژگی های هندسی و مصالح پوشش داده شود. یک شبکه عصبی پیش خور چندلایه با معماری بهینه طراحی و آموزش داده شد تا روابط غیرخطی میان پارامترهای ورودی و ظرفیت محوری ستون های CFST را مدل سازی کند. مدل پیشنهادی دقت بالایی از خود نشان داد؛ به طوری که ضرایب همبستگی در داده های آموزش، اعتبارسنجی و آزمون به ترتیب برابر ۰٫۹۹۶۸، ۰٫۹۶۶۳ و ۰٫۹۶۱۲ و در مجموعه داده ی مستقل برابر ۰٫۹۹۹۴ به دست آمد. تحلیل حساسیت مبتنی بر روش Garson نشان داد نسبت قطر به ضخامت بیشترین تاثیر (۳۱٫۳۹٪) و نسبت لاغری ستون کمترین تاثیر (۱۳٫۹۹٪) را بر ظرفیت محوری دارد. افزون بر این، یک چارچوب محاسباتی صریح بر مبنای وزن ها و بایاس های آموزش یافته ی شبکه ارائه شد تا امکان محاسبه ی مستقیم ظرفیت محوری بدون نیاز به اجرای مجدد شبکه فراهم شود. در نهایت، براساس آزمون های برازش، توزیع مقادیر حدی تعمیم یافته (GEV) به عنوان مناسب ترین تابع توزیع احتمال برای مدل سازی ظرفیت محوری ستون های CFST معرفی گردید. مدل و چارچوب محاسباتی پیشنهادی، ابزاری موثر، دقیق و قابل تعمیم برای پیش بینی عملکرد محوری ستون های CFST در طراحی و ارزیابی سازه ای فراهم می سازد.

کلیدواژه ها:

ستون های فولادی پرشده با بتن ، پیش بینی مقاومت محوری ، شبکه عصبی مصنوعی ، تحلیل حساسیت ، مدل سازی احتمالاتی