ارائه مدل‌های تلفیقی MARS-PSO و ELM-PSO درتخمین مقاومت فشاری بتن در ستون‌های‌ بتنی دایره‌ای محصورشده با الیاف پلیمری FRP

نوع مقاله : یادداشت فنی

نویسندگان

1 دکتری مهندسی سازه، دانشگاه سمنان، سمنان، ایران

2 کارشناسی ارشد محیط زیست، دانشکدة عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی

3 گروه مهندسی عمران، دانشکده مهندسی، دانشگاه کاشان، کاشان، ایران

چکیده

هدف از این پژوهش، استفاده از مدل های هوش مصنوعی رگرسیون اسپلاین چند متغیره تطبیقی (MARS) و ماشین یادگیری سریع (ELM) جهت تخمین مقاومت فشاری بتن در ستون‌های بتنی دایرهای محصورشده با FRP است. بعلاوه جهت بهبود دقت این مدل‌ها، از الگوریتم‌ ازدحام ذرات (PSO) نیز در تلفیق با این مدل ها استفاده می شود و دقت مدل ها در جهت تخمین مقاومت بررسی و ارزیابی می شود. نتایج نشان می دهد که بطور کلی مدل‌های هوش مصنوعی مورد استفاده، مقاومت فشاری ستون‌های محصورشده با FRP را نسبت به مدل‌های تحلیلی موجود با دقت بیشتری تخمین می زنند. به ویژه مدل تلفیقی MARS-PSO عملکرد بهتری در مقایسه با دیگر مدل های مورد استفاده دارد، به نحوی که این مدل دارای ضریب همبستگی 0.9972 در مرحله آموزش و 0.9961 در مرحله آزمایش است. همچنین تلفیق الگوریتم PSO با دو مدل MARS و ELM باعث بهبود دقت آنها به ترتیب به اندازه 6.13 و 4.68 درصد میشود.

کلیدواژه‌ها


عنوان مقاله [English]

Development of the integrated MARS-PSO and ELM-PSO models for estimating the compressive strength of concrete in circular concrete columns confined with FRP polymer fibers

نویسندگان [English]

  • Mojtaba Hanteh 1
  • Haniyeh Malek 2
  • Mahmood Akbari 3
1 PhD-Structure Engineering, Semnan University, Semnan, Iran
2 Master of Environment Engineering of K. N. Toosi University of Technology, Tehran, Iran
3 Department of Civil Engineering, Engineering Faculty, University of Kashan, Kashan, Iran
چکیده [English]

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 beam-weak 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 MARS-PSO 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.

کلیدواژه‌ها [English]

  • Multivariate Adaptive Regression Splines
  • extreme learning machine
  • Compressive Strength of Circular Concrete Columns
  • Artificial intelligence
  • particle swarm optimization