بررسی آزمایشگاهی و مدل‌سازی ستون‌های دایره‌ای دوجداره فولادی پرشده با بتن با استفاده از ماشین‌های بردار پشتیبان و مدل درخت تصمیم‌گیری

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشگاه صنعتی نوشیروانی بابل، ایران

2 استاد، دانشگاه صنعتی نوشیروانی بابل، ایران

3 استاد، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران

4 دانشیار ، دانشگاه مازندران، بابلسر، ایران

چکیده

سازه‌های کامپوزیتی می‌توانند هزینه‌های ساخت را کاهش و عمر مفید سازه‌های بزرگ را افزایش دهند. از این رو، ستون‌های دایره‌ای دوجداره فولادی پرشده با بتن (CFDST) کارایی سازه‌های کامپوزیتی را می‌توانند افزایش دهند. از آنجایی که قطر و ضخامت لوله‌ خارجی بیشترین تاثیر و نقش بسزایی در تعیین ظرفیت باربری ستون‌های CFDST دارد، در این پژوهش 4 مقدار مختلف از نسبت قطر به ضخامت برای لوله خارجی شامل 86، 8/85، 6/45 و 44 برای ساخت 16 نمونه بکار گرفته شد. دو نوع بتن برای پر کردن نمونه‌های CFDST شامل C10 و C20 استفاده شد. رابطه‌ای جامع برای تخمین ظرفیت باربری ستون‌های CFDST با استفاده از روش‌های هوشمند مصنوعی ارائه شد. نتایج نشان داد که ستون‌های CFDST با مقدار Do/to کمتر، دارای ظرفیت باربری بیشتری می‌باشند. همچنین، با افزایش Do/to مشاهده می‌شود که شکل‌پذیری کاهش می‌یابد. به عنوان یک مقایسه میان بتن-های پر شده در نمونه‌های CFDST که از رده‌های C10 و C20 بوده است، منحنی‌های تنش-کرنش نشان دادند که با افزایش مقاومت فشاری بتن، ظرفیت باربری و شکل‌پذیری نیز افزایش می‌یابد. در این تحقیق، با افزایش مقاومت فشاری ظرفیت باربری برای ستون‌های CFDST حدودا 6% افزایش یافت. در بخش مدلسازی، شاخص آماری ضریب تعیین برای شبکه عصبی مصنوعی (ANN)، ماشین‌های بردار پشتیبان (SVM) و مدل درخت تصمیم‌گیری (M5-MT) در مرحله آزمایش به ترتیب 95/0، 96/0 و 97/0 تعیین گردید. لذا، روش M5-MT در مرحله آزمایش نیز، از عملکرد بهتری نسبت به سایر روش‌های پیشنهادی تخمین ظرفیت باربری ستون‌های CFDST داشته است. مقایسه روابط تجربی و مدل‌های هوشمند پیشنهادی ANN، SVM و M5-MT در تخمین ظرفیت باربری ستون-های CFDST بر اساس مقادیر نرمال‌شده نیروی محوری نهایی نشان می‌دهد که رابطه ارائه شده از M5-MT با مقدار میانگین 01/1 و انحراف معیار 19/0 عملکرد بهتری در مدل‌سازی ظرفیت باربری ستون‌های CFDST نسبت به دیگر روش‌های هوشمند و روابط تجربی داشته است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Experimental and numerical study on double skin steel tube filled with concrete using supporting vector machines and tree decision model

نویسندگان [English]

  • Seyed Tovhid Aghamaleki 1
  • Morteza Naghipour 2
  • Javad Vaseghi Amiri 3
  • Mahdi Nematzadeh 4
1 PhD candidate, Babol Noshirvani University of Technology
2 Professor, Department of Civil Engineering, Babol University of Technology, Babol, Iran
3 Professor, Faculty of Civil Engineering, Babol Noshirvani University of Technology, Babol, Iran
4 Associate Professor, University of Mazandaran, Babolsar Iran
چکیده [English]

In recent decades, construction of massive structures has increased around the world. These structures which are built for different purposes, should have a useful life-time. Therefore, composite structures can increase the construction costs and useful life of such structures. Therefore, CFDST members can practically increase the efficiency of composite structures. Since the diameter and thickness of the outer tube have the greatest impact on determining the bearing capacity of CFDST columns, this study investigated four different values of D/t for the outer tube including 86, 85.8, 45.6 and 44. Two types of concrete were used to fill CFDST samples including C10 and C20. Besides, a comprehensive formula for estimating the bearing capacity of CFDST columns using artificial intelligence methods is proposed. The results showed that CFDST columns with lower Do / to value have higher load capacity and with increasing Do / to, it is observed that the ductility decreases. As a comparison between the filled concretes in CFDST samples of C10 and C20 grades, the stress-strain curves have shown that with increasing compressive strength, the bearing capacity for CFDST columns increased by about 6%. In the modeling section, the R2 for artificial neural network (ANN), support vector machines (SVM) and model tree (M5-MT) in the testing stage were determined to be 0.95, 0.96 and 0.97, respectively. Accordingly, the M5-MT method in the testing stage, had a better performance than other proposed methods for estimating the bearing capacity of CFDST columns. Comparison of traditional equations and AI models in estimating the bearing capacity of CFDST columns show that the formula presented by M5-MT with an average value of 1.01 and a standard deviation of 0.19 It has performed better in modeling the bearing capacity of CFDST columns than other intelligent models and traditional relationships.

کلیدواژه‌ها [English]

  • Concrete-filled
  • Double-skin tubes
  • Diameter-to-thickness ratio
  • AI modelling
  • Decision tree algorithm

مراجع

[1] Hu, H. T., & Su, F. C. (2011). Nonlinear analysis of short concrete-filled double skin tube columns subjected to axial compressive forces. Marine Structures, 24(4), 319-337.
[2] Romero, M. L., Ibañez, C., Espinós, A., Portolés, J. M., & Hospitaler, A. (2017). Influence of ultra-high strength concrete on circular concrete-filled dual steel columns. Structures, 9, 13-20.
[3] Farahi, M., Heidarpour, A., Zhao, X. L., & Al-Mahaidi, R. (2016). Compressive behaviour of concrete-filled double-skin sections consisting of corrugated plates. Engineering Structures, 111, 467-477.
[4] Yan, X. F., & Zhao, Y. G. (2020). Compressive strength of axially loaded circular concrete-filled double-skin steel tubular short columns. Journal of Constructional Steel Research, 170, 106114.
[5] Li, W., Wang, T., & Han, L. H. (2019). Seismic performance of concrete-filled double-skin steel tubes after exposure to fire: Experiments. Journal of Constructional Steel Research, 154, 209-223.
[6] Huang, C. S., Yeh, Y. K., Liu, G. Y., Hu, H. T., Tsai, K. C., Weng, Y. T., ... & Wu, M. H. (2002). Axial load behavior of stiffened concrete-filled steel columns. Journal of Structural Engineering, 128(9), 1222-1230.
[7] Chen, S., & Zhang, H. (2012). Numerical analysis of the axially loaded concrete filled steel tube columns with debonding separation at the steel-concrete interface. Steel and Composite Structures, 13(3), 277-293.
[8] O'Shea, M. D., & Bridge, R. Q. (2000). Design of circular thin-walled concrete filled steel tubes. Journal of Structural Engineering, 126(11), 1295-1303.
[9] Zhao, X. L., & Grzebieta, R. (2002). Strength and ductility of concrete filled double skin (SHS inner and SHS outer) tubes. Thin-walled structures, 40(2), 199-213.
[10] Yagishita, F., Kitoh, H., Sugimoto, M., Tanihira, T., & Sonoda, K. (2000). Double skin composite tubular columns subjected to cyclic horizontal force and constant axial force. In Proc., 6th ASCCS Int. Conf. on Steel-Concrete Composite Structures (pp. 497-503). Los Angeles: Univ. of Southern California.
[11] Nakanishi, K., Kitada, T., & Nakai, H. (1999). Experimental study on ultimate strength and ductility of concrete filled steel columns under strong earthquake. Journal of Constructional Steel Research, 51(3), 297-319.
[12] Wei, S., Mau, S. T., Vipulanandan, C., & Mantrala, S. K. (1995). Performance of new sandwich tube under axial loading: experiment. Journal of structural engineering, 121(12), 1806-1814.
[13] Wei, S., Mau, S. T., Vipulanandan, C., & Mantrala, S. K. (1995). Performance of new sandwich tube under axial loading: analysis. Journal of Structural Engineering, 121(12), 1815-1821.
[14] Zhao, X. L., Grzebieta, R., & Elchalakani, M. (2002). Tests of concrete-filled double skin CHS composite stub columns. Steel and Composite Structures, 2(2), 129-146.
[15] Uenaka, K., Kitoh, H., & Sonoda, K. (2010). Concrete filled double skin circular stub columns under compression. Thin-walled structures, 48(1), 19-24.
[16] Ekmekyapar, T., & Hasan, H. G. (2019). The influence of the inner steel tube on the compression behaviour of the concrete filled double skin steel tube (CFDST) columns. Marine Structures, 66, 197-212.
[17] Nguyen, M. S. T., Trinh, M. C., & Kim, S. E. (2021). Uncertainty quantification of ultimate compressive strength of CCFST columns using hybrid machine learning model. Engineering with Computers, 1-20.
[18] Vu, Q. V., Truong, V. H., & Thai, H. T. (2021). Machine learning-based prediction of CFST columns using gradient tree boosting algorithm. Composite Structures, 259, 113505.
 [19] ASTM C39 / C39M-14, Standard Test Method for Compressive Strength of Cylindrical Concrete Specimens, ASTM International, West Conshohocken, PA, 2014, www.astm.org
[20] Tealab, A. (2018). Time series forecasting using artificial neural networks methodologies: A systematic review. Future Computing and Informatics Journal, 3(2), 334-340.
[21] Hopfield, J. J. (1988). Artificial neural networks. IEEE Circuits and Devices Magazine, 4(5), 3-10.
[22] Jain, A. K., Mao, J., & Mohiuddin, K. M. (1996). Artificial neural networks: A tutorial. Computer, 29(3), 31-44.
[23] Shenfield, A., Day, D., & Ayesh, A. (2018). Intelligent intrusion detection systems using artificial neural networks. ICT Express, 4(2), 95-99.
[24] Huang, S., Cai, N., Pacheco, P. P., Narrandes, S., Wang, Y., & Xu, W. (2018). Applications of support vector machine (SVM) learning in cancer genomics. Cancer genomics & proteomics, 15(1), 41-51.
[25] Muthukrishnan, S., Krishnaswamy, H., Thanikodi, S., Sundaresan, D., & Venkatraman, V. (2020). Support vector machine for modelling and simulation of Heat exchangers. Thermal Science, 24(1 Part B), 499-503.
[26] Cui, S., Wang, D., Wang, Y., Yu, P. W., & Jin, Y. (2018). An improved support vector machine-based diabetic readmission prediction. Computer methods and programs in biomedicine, 166, 123-135.
[27] Wang, M., Rezaie-balf, M., Naganna, S. R., & Yaseen, Z. M. (2021). Sourcing CHIRPS precipitation data for streamflow forecasting using Intrinsic Time-scale Decomposition based Machine Learning models. Hydrological Sciences Journal, (just-accepted).
[28] Hester, T., Quinlan, M., & Stone, P. (2010, May). Generalized model learning for reinforcement learning on a humanoid robot. In 2010 IEEE International Conference on Robotics and Automation (pp. 2369-2374). IEEE.
[29] Rezaie-balf, M., Naganna, S. R., Ghaemi, A., & Deka, P. C. (2017). Wavelet coupled MARS and M5 Model Tree approaches for groundwater level forecasting. Journal of hydrology, 553, 356-373.
[30] Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D. T., ... & Ma, J. (2017). A comparative study of logistic model tree, random forest, and classification and regression tree models for spatial prediction of landslide susceptibility. Catena, 151, 147-160.
[31] Bui, D. T., Tuan, T. A., Klempe, H., Pradhan, B., & Revhaug, I. (2016). Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree. Landslides, 13(2), 361-378.
[32] Sattari, M. T., Pal, M., Apaydin, H., & Ozturk, F. (2013). M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey. Water Resources, 40(3), 233-242.
[33] Hassanein, M. F., Kharoob, O. F., & Liang, Q. Q. (2013). Circular concrete-filled double skin tubular short columns with external stainless steel tubes under axial compression. Thin-Walled Structures, 73, 252-263.
[34] Essopjee, Y., & Dundu, M. (2015). Performance of concrete-filled double-skin circular tubes in compression. Composite Structures, 133, 1276-1283.
[35] Li, Y. L., Zhao, X. L., Singh, R. R., & Al-Saadi, S. (2016). Experimental study on seawater and sea sand concrete filled GFRP and stainless steel tubular stub columns. Thin-Walled Structures, 106, 390-406.
[36] Li, Y. L., Zhao, X. L., Raman, R. S., & Yu, X. (2018). Axial compression tests on seawater and sea sand concrete-filled double-skin stainless steel circular tubes. Engineering Structures, 176, 426-438.
[37] Tao, Z., Han, L. H., & Zhao, X. L. (2004). Behaviour of concrete-filled double skin (CHS inner and CHS outer) steel tubular stub columns and beam-columns. Journal of Constructional steel research, 60(8), 1129-1158.
[38] Li, W., & Cai, Y. X. (2019). Performance of CFDST stub columns using high-strength steel subjected to axial compression. Thin-Walled Structures, 141, 411-422.

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار