Machine learning assisted axial strength prediction models for concrete filled stainless steel tubular columns
Notice bibliographique
Résumé
Concrete filled stainless steel tubular (CFSST) columns have gained popularity over conventional concrete filled steel tubular (CFST) columns owing to their higher axial capacity and excellent corrosion resistance of stainless steel (SS). Numerous experimental and numerical research have been performed to evaluate CFSST column response under different loading scenarios. Despite all these studies, inaccuracy still exists in predicting the axial strength of CFSST columns. Moreover, unique properties of SS do not allow using conventional code equations developed for CFST columns to be used for axial strength prediction of CFSST columns. To this end, this study aims to develop data-driven machine learning (ML) techniques for predicting the axial capacity of CFSST columns. A comprehensive dataset of 422 circular and rectangular CFSST columns are carefully gathered from literature, which is employed for developing the data-driven ML models. Model accuracy is assessed using various performance metrics such as coefficient of determination (R 2 ), root mean square error ( RMSE ), mean absolute error ( MAE) , Nash-Sutcliffe Model (NSE ) and Index of Agreement ( d ). Out of the ten ML algorithms considered in this study, CatBoost (CatB) turns out to be the most accurate one. SHapley Additive exPlanations (SHAP) analysis is performed to interpret the outcomes of the ML model and explain the importance of each input feature. The best performing CatB model is compared with six different design code equations to showcase its acceptance and superior performance. It is observed that the ML model provides a quick and accurate estimate of the axial capacity of CFSST columns by overcoming the limitations of existing design codes. For identifying the resistance factor for the CatB model, reliability analysis is also performed following AISC 360–16 provision. Finally, an interactive graphical user interface is developed for practicing engineers to enhance the accuracy of CFSST axial capacity prediction while promoting the use of interpretable ML models.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».