New Fuzzy-Heuristic Methodology for Analyzing Compression Load Capacity of Composite Columns
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
Predicting the mechanical strength of structural elements is a crucial task for the efficient design of buildings. Considering the shortcomings of experimental and empirical approaches, there is growing interest in using artificial intelligence techniques to develop data-driven tools for this purpose. In this research, empowered machine learning was employed to analyze the axial compression capacity (CC) of circular concrete-filled steel tube (CCFST) composite columns. Accordingly, the adaptive neuro-fuzzy inference system (ANFIS) was trained using four metaheuristic techniques, namely earthworm algorithm (EWA), particle swarm optimization (PSO), salp swarm algorithm (SSA), and teaching learning-based optimization (TLBO). The models were first applied to capture the relationship between the CC and column characteristics. Subsequently, they were requested to predict the CC for new column conditions. According to the results of both phases, all four models could achieve dependable accuracy. However, the PSO-ANFIS was tangibly more efficient than the other models in terms of computational time and accuracy and could attain more accurate predictions for extreme conditions. This model could predict the CC with a relative error below 2% and a correlation exceeding 99%. The PSO-ANFIS is therefore recommended as an effective tool for practical applications in analyzing the behavior of the CCFST columns.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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