Predicting axial load capacity of <scp>CFST</scp> columns using machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Owing to their economic and structural advantages, concrete‐filled steel tubular (CFST) columns have been implemented in diverse structural applications, especially in high‐rise buildings, suspension bridges, and subway stations. However, there is no agreement between international standards regarding the ultimate compressive strength of CFST columns subjected to concentric axial force or combination of bending moment and axial force, especially for slender sections and high‐strength materials. Considering such limitations, a comprehensive dataset on rectangular and circular (built up and hot rolled) CFST sections with different slenderness ratios was collected. The compiled experimental results were compared with corresponding values calculated by pertinent design code provisions, including AISC 360‐16 and Eurocode 4. The accuracy of design codes in predicting the axial capacity of CFST sections under concentric and eccentric loading was assessed accordingly. The distribution of the experimental‐to‐predicted data confirmed that the prediction error was dependent on the slenderness ratio of columns. However, the effects of other parameters, including the mechanical properties of materials and eccentricity level on the model error, were negligible. In the second phase of the study, a surrogate Machine‐Learning (ML) model was developed to estimate the axial capacity of circular and rectangular CFST columns under centric or eccentric loading condition. The accuracy of the proposed ML predictive model was appraised using several statistical metrics. The novel informational model attained superior accuracy and could be used to simplify generative design in future computational intelligence structural design platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle