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.
This paper focuses on the prediction of the ultimate compressive capacity of axially loaded concrete-filled steel (CFST) tube section columns using machine learning (ML) techniques. The use of CFST columns in the construction industry has been popular due to their superior structural performance both under axial loads as well as under lateral seismic loads. Studies carried out on the contribution of CFST members on lateral seismic resistance have revealed that the ideal combination of stiffness and ductility inherent in concrete and steel, respectively, results in superior performance under lateral loads. The evaluation of the load-carrying capacity of structural members ML-based predictive techniques has been popular among researchers. In this study, the case of CFST columns under axial loading is studied. The dataset needed for the prediction was acquired from the related existing research which provided the results of 215 experimental studies. The ML techniques that were used included two prevalent techniques namely Artificial Neural Networks (ANN) and Random Forest (RF). In this study, the axial compressive capacity was predicted using these techniques and finally, the performances of the techniques were compared. Overall, the RF prediction technique was found to be in very close agreement with the experimental results acquired from the literature.
Primary Language | Turkish |
---|---|
Subjects | Civil Engineering |
Journal Section | Research Articles |
Authors | |
Publication Date | June 28, 2023 |
Submission Date | December 3, 2021 |
Acceptance Date | January 20, 2023 |
Published in Issue | Year 2023 |