Published April 1, 2024
| Version v1
Publication
Machine-learning-based predictive models for concrete-filled double skin tubular columns
Creators
- 1. La Trobe University
- 2. Victoria University
- 3. Tanta University
- 4. Curtin University
Description
This paper aims to develop a unique artificial neural network (ANN)-based equation as well as MATLAB- and Python-based graphical user interfaces (GUIs) using the most comprehensive and up-to-date database for predicting the behaviour of axially loaded concrete-filled double skin tubular (CFDST) short and slender columns with normal- and high-strength materials. Two machine learning (ML) methods, which are ANN and extreme gradient boosting (XGBoost), are trained and tested using 1721 sets of data, with 129 of them collected from experimental studies and 1592 generated by finite element (FE) simulations. The accuracy of the developed ML models is assessed through comparing their predictions with the experimental and FE results. To demonstrate the effect of each parameter on the predicted results, the SHapley Additive exPlanations (SHAP) method is used. The developed ML models are also used to conduct parametric studies to examine the effect of geometric and material parameters on the predicted results. The accuracy of the ML models and the proposed ANN-based equation in predicting the ultimate axial capacity of CFDST columns is compared with that of six design methods including two design code provisions and four design equations proposed by researchers. A numerical example is presented to illustrate the design procedure of the CFDST column using the proposed ANN-based equation. The results indicate that the ANN model performs better on unseen data than the XGBoost model with lower root mean square error for the test set. The results also show that the ML models and the proposed ANN-based equation are superior to the other design models in prediction accuracy.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تهدف هذه الورقة إلى تطوير معادلة فريدة قائمة على الشبكة العصبية الاصطناعية (ANN) بالإضافة إلى واجهات المستخدم الرسومية (GUIs) القائمة على MATLAB و Python باستخدام قاعدة البيانات الأكثر شمولاً وحداثة للتنبؤ بسلوك الأعمدة الأنبوبية المزدوجة الجلدية المملوءة بالخرسانة المحورية (CFDST) القصيرة والنحيفة مع مواد عادية وعالية القوة. يتم تدريب واختبار طريقتين للتعلم الآلي (ML)، وهما ANN وتعزيز التدرج الشديد (XGBoost)، باستخدام 1721 مجموعة من البيانات، مع 129 منها تم جمعها من الدراسات التجريبية و 1592 تم إنشاؤها بواسطة محاكاة العناصر المحدودة (FE). يتم تقييم دقة نماذج التعلم الآلي المطورة من خلال مقارنة تنبؤاتها مع النتائج التجريبية ونتائج التعلم الآلي. لإثبات تأثير كل معلمة على النتائج المتوقعة، يتم استخدام طريقة SHapley Additive exPlanations (SHAP). تُستخدم نماذج التعلم الآلي المطورة أيضًا لإجراء دراسات بارامترية لفحص تأثير المعلمات الهندسية والمادية على النتائج المتوقعة. تتم مقارنة دقة نماذج ML والمعادلة القائمة على ANN المقترحة في التنبؤ بالسعة المحورية النهائية لأعمدة CFDST مع دقة ست طرق تصميم بما في ذلك اثنين من أحكام رمز التصميم وأربع معادلات تصميم اقترحها الباحثون. يتم تقديم مثال رقمي لتوضيح إجراء تصميم عمود CFDST باستخدام المعادلة القائمة على ANN المقترحة. تشير النتائج إلى أن أداء نموذج ANN على البيانات غير المرئية أفضل من نموذج XGBoost مع انخفاض متوسط الجذر التربيعي للخطأ التربيعي لمجموعة الاختبار. تظهر النتائج أيضًا أن نماذج ML والمعادلة المقترحة القائمة على ANN متفوقة على نماذج التصميم الأخرى في دقة التنبؤ.Translated Description (French)
Cet article vise à développer une équation unique basée sur un réseau neuronal artificiel (RNA) ainsi que des interfaces utilisateur graphiques (IUG) basées sur Matlab et Python en utilisant la base de données la plus complète et la plus à jour pour prédire le comportement des colonnes courtes et minces tubulaires à double peau remplies de béton (CFDST) chargées axialement avec des matériaux à résistance normale et élevée. Deux méthodes d'apprentissage automatique (ML), à savoir ANN et Extreme gradient boosting (XGBoost), sont entraînées et testées à l'aide de 1721 ensembles de données, dont 129 proviennent d'études expérimentales et 1592 sont générées par des simulations par éléments finis (FE). La précision des modèles ML développés est évaluée en comparant leurs prédictions avec les résultats expérimentaux et FE. Pour démontrer l'effet de chaque paramètre sur les résultats prédits, la méthode SHapley Additive exPlanations (SHAP) est utilisée. Les modèles ML développés sont également utilisés pour mener des études paramétriques afin d'examiner l'effet des paramètres géométriques et matériels sur les résultats prédits. La précision des modèles ML et de l'équation basée sur l'ans proposée pour prédire la capacité axiale ultime des colonnes CFDST est comparée à celle de six méthodes de conception, dont deux dispositions de code de conception et quatre équations de conception proposées par les chercheurs. Un exemple numérique est présenté pour illustrer la procédure de conception de la colonne CFDST à l'aide de l'équation basée sur l'ans proposée. Les résultats indiquent que le modèle ANN est plus performant sur les données invisibles que le modèle XGBoost avec une erreur quadratique moyenne plus faible pour l'ensemble de test. Les résultats montrent également que les modèles ML et l'équation basée sur l'ans proposée sont supérieurs aux autres modèles de conception en termes de précision de prédiction.Translated Description (Spanish)
Este documento tiene como objetivo desarrollar una ecuación única basada en redes neuronales artificiales (ANN), así como interfaces gráficas de usuario (GUI) basadas en MATLAB y Python, utilizando la base de datos más completa y actualizada para predecir el comportamiento de columnas cortas y delgadas tubulares de doble piel rellenas de hormigón con carga axial (CFDST) con materiales de resistencia normal y alta. Dos métodos de aprendizaje automático (ML), que son ANN y Extreme Gradient Boosting (XGBoost), se entrenan y prueban utilizando 1721 conjuntos de datos, con 129 de ellos recopilados de estudios experimentales y 1592 generados por simulaciones de elementos finitos (FE). La precisión de los modelos de ML desarrollados se evalúa mediante la comparación de sus predicciones con los resultados experimentales y de FE. Para demostrar el efecto de cada parámetro en los resultados previstos, se utiliza el método SHapley Additive exPlanations (SHAP). Los modelos de ML desarrollados también se utilizan para realizar estudios paramétricos para examinar el efecto de los parámetros geométricos y materiales en los resultados previstos. La precisión de los modelos de ML y la ecuación propuesta basada en ANN para predecir la capacidad axial final de las columnas CFDST se compara con la de seis métodos de diseño que incluyen dos disposiciones de código de diseño y cuatro ecuaciones de diseño propuestas por los investigadores. Se presenta un ejemplo numérico para ilustrar el procedimiento de diseño de la columna CFDST utilizando la ecuación propuesta basada en Ann. Los resultados indican que el modelo ANN funciona mejor con datos no vistos que el modelo XGBoost con un error cuadrático medio inferior para el conjunto de pruebas. Los resultados también muestran que los modelos de ML y la ecuación propuesta basada en Ann son superiores a los otros modelos de diseño en precisión de predicción.Additional details
Additional titles
- Translated title (Arabic)
- نماذج تنبؤية قائمة على التعلم الآلي لأعمدة أنبوبية مزدوجة مملوءة بالخرسانة
- Translated title (French)
- Modèles prédictifs basés sur l'apprentissage automatique pour les colonnes tubulaires à double peau remplies de béton
- Translated title (Spanish)
- Modelos predictivos basados en el aprendizaje automático para columnas tubulares de doble piel rellenas de hormigón
Identifiers
- Other
- https://openalex.org/W4391707374
- DOI
- 10.1016/j.engstruct.2024.117593
References
- https://openalex.org/W1196079109
- https://openalex.org/W1678356000
- https://openalex.org/W1975112870
- https://openalex.org/W1983732136
- https://openalex.org/W1985479415
- https://openalex.org/W1990582432
- https://openalex.org/W1994277969
- https://openalex.org/W2004528462
- https://openalex.org/W2010596357
- https://openalex.org/W2011266382
- https://openalex.org/W2012620072
- https://openalex.org/W2013990317
- https://openalex.org/W2028016543
- https://openalex.org/W2047297631
- https://openalex.org/W2057030112
- https://openalex.org/W2083018210
- https://openalex.org/W2094854796
- https://openalex.org/W2116418627
- https://openalex.org/W2480097400
- https://openalex.org/W2548623899
- https://openalex.org/W2620729511
- https://openalex.org/W2792100856
- https://openalex.org/W2800360127
- https://openalex.org/W2804715234
- https://openalex.org/W2943390374
- https://openalex.org/W2962862931
- https://openalex.org/W2970410202
- https://openalex.org/W3006100937
- https://openalex.org/W3015362896
- https://openalex.org/W3023394233
- https://openalex.org/W3093412624
- https://openalex.org/W3093895805
- https://openalex.org/W3095437400
- https://openalex.org/W3102476541
- https://openalex.org/W3133841051
- https://openalex.org/W3143397222
- https://openalex.org/W3154560738
- https://openalex.org/W3160449551
- https://openalex.org/W3171400107
- https://openalex.org/W3184054046
- https://openalex.org/W3184673931
- https://openalex.org/W3185551827
- https://openalex.org/W3188247396
- https://openalex.org/W3211449898
- https://openalex.org/W4200554636
- https://openalex.org/W4207073938
- https://openalex.org/W4213248101
- https://openalex.org/W4214509324
- https://openalex.org/W4214761897
- https://openalex.org/W4220860047
- https://openalex.org/W4294903822
- https://openalex.org/W4299285432
- https://openalex.org/W4306253941
- https://openalex.org/W4308219281
- https://openalex.org/W4309304125
- https://openalex.org/W4310856371
- https://openalex.org/W4311816412
- https://openalex.org/W4311906439
- https://openalex.org/W4312053035
- https://openalex.org/W4313654800
- https://openalex.org/W4321180748
- https://openalex.org/W4388599102