Predicting axial load capacity of <scp>CFST</scp> columns using machine learning
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».