بررسی آزمایشگاهی و مدل‌سازی ستون‌های دایره‌ای دوجداره فولادی پرشده با بتن با استفاده از ماشین‌های بردار پشتیبان و مدل درخت تصمیم‌گیری

سازه‌های کامپوزیتی می‌توانند هزینه‌های ساخت را کاهش و عمر مفید سازه‌های بزرگ را افزایش دهند. از این رو، ستون‌های دایره‌ای دوجداره فولادی پرشده با بتن (cfdst) کارایی سازه‌های کامپوزیتی را می‌توانند افزایش دهند. از آنجایی که قطر و ضخامت لوله‌ خارجی بیشترین تاثیر و نقش بسزایی در تعیین ظرفیت باربری ستون‌های cfdst دارد، در این پژوهش 4 مقدار مختلف از نسبت قطر به ضخامت برای لوله خارجی شامل 86، 85.8، 45.6 و 44 برای ساخت 16 نمونه بکار گرفته شد. دو نوع بتن برای پر کردن نمونه‌های cfdst شامل c10 و c20 استفاده شد. رابطه‌ای جامع برای تخمین ظرفیت باربری ستون‌های cfdst با استفاده از روش‌های هوشمند مصنوعی ارائه شد. نتایج نشان داد که ستون‌های cfdst با مقدار do/to کمتر، دارای ظرفیت باربری بیشتری می‌باشند. همچنین، با افزایش do/to مشاهده می‌شود که شکل‌پذیری کاهش می‌یابد. به عنوان یک مقایسه میان بتن-های پر شده در نمونه‌های cfdst که از رده‌های c10 و c20 بوده است، منحنی‌های تنش-کرنش نشان دادند که با افزایش مقاومت فشاری بتن، ظرفیت باربری و شکل‌پذیری نیز افزایش می‌یابد. در این تحقیق، با افزایش مقاومت فشاری ظرفیت باربری برای ستون‌های cfdst حدودا 6% افزایش یافت. در بخش مدلسازی، شاخص آماری ضریب تعیین برای شبکه عصبی مصنوعی (ann)، ماشین‌های بردار پشتیبان (svm) و مدل درخت تصمیم‌گیری (m5-mt) در مرحله آزمایش به ترتیب 0.95، 0.96 و 0.97 تعیین گردید. لذا، روش m5-mt در مرحله آزمایش نیز، از عملکرد بهتری نسبت به سایر روش‌های پیشنهادی تخمین ظرفیت باربری ستون‌های cfdst داشته است. مقایسه روابط تجربی و مدل‌های هوشمند پیشنهادی ann، svm و m5-mt در تخمین ظرفیت باربری ستون-های cfdst بر اساس مقادیر نرمال‌شده نیروی محوری نهایی نشان می‌دهد که رابطه ارائه شده از m5-mt با مقدار میانگین 1.01 و انحراف معیار 0.19 عملکرد بهتری در مدل‌سازی ظرفیت باربری ستون‌های cfdst نسبت به دیگر روش‌های هوشمند و روابط تجربی داشته است.

experimental and numerical study of concrete filled double skin steel tubes using supporting vector machines and decision tree models

in recent decades, construction of massive structures has increased around the world. these structures which are built for different purposes, should have a useful life-time. therefore, composite structures can increase the construction costs and useful life of such structures. therefore, cfdst members can practically increase the efficiency of composite structures. since the diameter and thickness of the outer tube have the greatest impact on determining the bearing capacity of cfdst columns, this study investigated four different values of d/t for the outer tube including 86, 85.8, 45.6 and 44. two types of concrete were used to fill cfdst samples including c10 and c20. besides, a comprehensive formula for estimating the bearing capacity of cfdst columns using artificial intelligence methods is proposed. the results showed that cfdst columns with lower do / to value have higher load capacity and with increasing do / to, it is observed that the ductility decreases. as a comparison between the filled concretes in cfdst samples of c10 and c20 grades, the stress-strain curves have shown that with increasing compressive strength, the bearing capacity for cfdst columns increased by about 6%. in the modeling section, the r2 for artificial neural network (ann), support vector machines (svm) and model tree (m5-mt) in the testing stage were determined to be 0.95, 0.96 and 0.97, respectively. accordingly, the m5-mt method in the testing stage, had a better performance than other proposed methods for estimating the bearing capacity of cfdst columns. comparison of traditional equations and ai models in estimating the bearing capacity of cfdst columns show that the formula presented by m5-mt with an average value of 1.01 and a standard deviation of 0.19 it has performed better in modeling the bearing capacity of cfdst columns than other intelligent models and traditional relationships.