مدل‌سازي مبتني بر تجزيه‌وتحليل ستون‌هاي دايره‌اي فولادي پرشده با بتن تحت‌فشار محوري توسط شبكۀ عصبي مصنوعي

Model-Based Analysis for Ultimate Axial Load of Circular CFST Columns Using Artificial Neural Network

ستون‌هاي فولادي پرشده با بتن به‌واسطه عملكرد مناسب بتن و فولاد موجب بهبود مقاومت نهايي محوري ستون‌ها مي‌گردد. عمدتاً، مدل‌هاي تجربي و آيين‌نامه‌اي قادر به محاسبۀ دقيق مقاومت نهايي محوري اين مقاطع براي مصالح با مقاومت‌هاي بالا نيستند. در اين تحقيق، بر اساس نتايج آزمايشگاهي، يك مدل تخمين مقاومت نهايي محوري بر اساس شبكه عصبي توسعه داده شده ‌است. نتايج حاصل از تخمين مدل شبكه عصبي بر اساس 1168 نمونۀ آزمايشگاهي، به كمك چندين آماره خطا با هشت مدل‌ تجربي و آيين‌نامه EC4 مقايسه گرديده است. مدل شبكۀ عصبي ارائه‌شده در مقايسه با مدل‌هاي موجود دقيق‌تر است و محدوده گسترده‌تري از مقاومت‌هاي مصالح و نسبت قطر به ضخامت و ارتفاع به قطر را پوشش مي‌دهد.

Concrete-filled steel tube (CFST) columns are increasingly adopted in many modern structures due to the advantage composite action between steel tube and concrete core. The almost empirical models and design code relations can not provide the accurate predictions for the axial ultimate strength of these composite steel-concrete sections, especially high (ultra-high) strength concrete. In this paper, a novel predicted model of the ultimate axial strength was introduced 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 eight empirical newest models and EC4 code relations using several error statistics. The ANN predictions are more accurate than the existing (code design) models and covers a wider range of material strengths and the ratio of diameter to thickness and height to diameter.