ارائه ی مدل‌های تلفیقی mars-pso و elm-pso درتخمین مقاومت فشاری بتن در ستون‌های‌ بتنی دایره‌یی محصورشده با الیاف پلیمری frp

هدف از پژوهش حاضر، استفاده از مدل‌های هوش مصنوعی رگرسیون اسپلاین چندمتغیره‌ی تطبیقی (m‌a‌r‌s) و ماشین یادگیری سریع (e‌l‌m) جهت تخمین مقاومت فشاری بتن در ستون‌های بتنی دایره‌یی محصور شده با f‌r‌p است. به علاوه، برای بهبود دقت مدل‌های ذکر شده، از الگوریتم ازدحام ذرات (p‌s‌o) نیز در تلفیق با آنها استفاده و دقت مدل‌ها در جهت تخمین مقاومت بررسی و ارزیابی شده است. نتایج نشان می‌دهند که به طور کلی مدل‌های هوش مصنوعی استفاده شده، مقاومت فشاری ستون‌های محصور شده با f‌r‌p را نسبت به مدل‌های تحلیلی موجود با دقت بیشتری تخمین می‌زنند. به ویژه مدل تلفیقی m‌a‌r‌sp‌s‌o، عملکرد بهتری در مقایسه با دیگر مدل‌های استفاده شده داشته است، به نحوی که ضریب‌های همبستگی آن در مرحله‌ی آموزش، 0/9972 و در مرحله‌ی آزمایش، 0/9961 بوده است. همچنین تلفیق الگوریتم p‌s‌o با دو مدل m‌a‌r‌s و e‌l‌m، باعث بهبود دقت آنها به ترتیب به اندازه‌ی 6/13 و 4/86 درصد شده است.

development of the integrated marspso and elmpso models for estimating the compressive strength of concrete in circular concrete columns confined with frp polymer fibers

many columns that have been built in the past need to be repaired and strengthened for various reasons such as errors during construction, design errors, changes in the use of the building, changes in regulations, strong beamweak column conditions and also injuries from accidents. today, various methods for strengthening and improving structures, especially concrete columns, have become popular. one of the most common methods for reinforcing columns is to confine them using polymer fiber composites. the advantages of this method include increasing the axial and lateral bearing capacity of the column, increasing the compressive and tensile strength of the concrete member and increasing the ductility of the member. the mechanical properties of the concrete confined with frp polymer fibers may be required for the purpose of design and rehabilitation. artificial intelligence methods are among the modeling methods that have shown great power to coordinate with engineering problems. the aim of this study is to use multivariate adaptive regression spline (mars) and extreme learning machine (elm) artificial intelligence models to estimate the compressive strength of concrete in circular concrete columns confined with frp polymer fibers. in addition, in order to improve the accuracy of these models, the particle swarm optimization algorithm (pso) is used in combination with these models and the accuracy of the models is evaluated to estimate the resistance. the results show that in overall, the used artificial intelligence models estimate the compressive strength of frp confined columns more accurately than the existing analytical models. in particular, the integrated marspso model has better performance compared to other models used, so that this model has a correlation coefficient of 0.9972 in the training stage and 0.9961 in the experimental stage. also, the combination of pso algorithm with mars and elm models improves their accuracy by 6.13 and 4.68 percent, respectively.