Published March 6, 2024
| Version v1
Publication
Open
Comparative Analysis of Shear Strength Prediction Models for Reinforced Concrete Slab–Column Connections
Creators
- 1. University of Engineering and Technology Taxila
- 2. University of Memphis
- 3. CECOS University
- 4. Sultan Qaboos University
Description
This research focuses on a comprehensive comparative analysis of shear strength prediction in slab–column connections, integrating machine learning, design codes, and finite element analysis (FEA). The existing empirical models lack the influencing parameters that decrease their prediction accuracy. In this paper, current design codes of American Concrete Institute 318-19 (ACI 318-19) and Eurocode 2 (EC2), as well as innovative approaches like the compressive force path method and machine learning models are employed to predict the punching shear strength using a comprehensive database of 610 samples. The database consists of seven key parameters including slab depth (ds), column dimension (cs), shear span ratio (av/d), yield strength of longitudinal steel (fy), longitudinal reinforcement ratio (ρl), ultimate load-carrying capacity (Vu), and concrete compressive strength (fc). Compared with the design codes and other machine learning models, the particle swarm optimization-based feedforward neural network (PSOFNN) performed the best predictions. PSOFNN predicted the punching shear of flat slab with maximum accuracy with R2 value of 99.37% and least MSE and MAE values of 0.0275% and 1.214%, respectively. The findings of the study are validated through FEA of slabs to confirm experimental results and machine learning predictions that showed excellent agreement with PSOFNN predictions. The research also provides insight into the application of metaheuristic models along with ANN, revealing that not all metaheuristic models can outperform ANN as usually perceived. The study also highlights superior predictive capabilities of EC2 over ACI 318-19 for punching shear values.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يركز هذا البحث على تحليل مقارن شامل لتنبؤ قوة القص في وصلات عمود البلاطة، ودمج التعلم الآلي، ورموز التصميم، وتحليل العناصر المحدودة (FEA). تفتقر النماذج التجريبية الحالية إلى المعلمات المؤثرة التي تقلل من دقة التنبؤ. في هذه الورقة، يتم استخدام رموز التصميم الحالية لمعهد الخرسانة الأمريكي 318-19 (ACI 318-19) والرمز الأوروبي 2 (EC2)، بالإضافة إلى أساليب مبتكرة مثل طريقة مسار القوة الضاغطة ونماذج التعلم الآلي للتنبؤ بقوة القص اللكم باستخدام قاعدة بيانات شاملة من 610 عينات. تتكون قاعدة البيانات من سبعة معلمات رئيسية بما في ذلك عمق البلاطة (ds)، وبُعد العمود (cs)، ونسبة امتداد القص (av/d)، ومقاومة الخضوع للفولاذ الطولي (fy)، ونسبة التعزيز الطولي (ρl)، والقدرة النهائية على حمل الأحمال (Vu)، ومقاومة انضغاط الخرسانة (fc). بالمقارنة مع رموز التصميم ونماذج التعلم الآلي الأخرى، حققت الشبكة العصبية الأمامية القائمة على سرب الجسيمات (PSOFNN) أفضل التنبؤات. توقعت PSOFNN قص الثقب للبلاطة المسطحة بأقصى قدر من الدقة بقيمة R2 بنسبة 99.37 ٪ وأقل قيم MSE و MAE بنسبة 0.0275 ٪ و 1.214 ٪ على التوالي. يتم التحقق من صحة نتائج الدراسة من خلال FEA من الألواح لتأكيد النتائج التجريبية وتنبؤات التعلم الآلي التي أظهرت توافقًا ممتازًا مع تنبؤات PSOFNN. يوفر البحث أيضًا نظرة ثاقبة على تطبيق نماذج metaheuristic جنبًا إلى جنب مع ANN، مما يكشف أنه لا يمكن لجميع نماذج metaheuristic أن تتفوق على ANN كما هو متصور عادة. تسلط الدراسة الضوء أيضًا على القدرات التنبؤية الفائقة لـ EC2 على ACI 318-19 لقيم القص الثاقبة.Translated Description (French)
Cette recherche se concentre sur une analyse comparative complète de la prédiction de la résistance au cisaillement dans les connexions dalle-colonne, intégrant l'apprentissage automatique, les codes de conception et l'analyse par éléments finis (FEA). Les modèles empiriques existants n'ont pas les paramètres d'influence qui diminuent leur précision de prédiction. Dans cet article, les codes de conception actuels de l'American Concrete Institute 318-19 (ACI 318-19) et de l'Eurocode 2 (EC2), ainsi que des approches innovantes telles que la méthode du chemin de force de compression et les modèles d'apprentissage automatique sont utilisés pour prédire la résistance au cisaillement par poinçonnage à l'aide d'une base de données complète de 610 échantillons. La base de données se compose de sept paramètres clés, y compris la profondeur de la dalle (ds), la dimension de la colonne (cs), le rapport de la portée de cisaillement (av/d), la limite d'élasticité de l'acier longitudinal (fy), le rapport de renforcement longitudinal (ρl), la capacité de charge ultime (Vu) et la résistance à la compression du béton (fc). Comparé aux codes de conception et à d'autres modèles d'apprentissage automatique, le réseau neuronal à anticipation basé sur l'optimisation de l'essaim de particules (PSOFNN) a effectué les meilleures prédictions. PSOFNN a prédit le cisaillement de perforation de la dalle plate avec une précision maximale avec une valeur R2 de 99,37 % et des valeurs MSE et MAE minimales de 0,0275 % et 1,214 %, respectivement. Les résultats de l'étude sont validés par FEA des dalles pour confirmer les résultats expérimentaux et les prédictions d'apprentissage automatique qui ont montré un excellent accord avec les prédictions PSOFNN. La recherche fournit également un aperçu de l'application des modèles métaheuristiques avec ANN, révélant que tous les modèles métaheuristiques ne peuvent pas surpasser ANN comme on le perçoit habituellement. L'étude met également en évidence des capacités prédictives supérieures de EC2 par rapport à ACI 318-19 pour les valeurs de cisaillement de poinçonnage.Translated Description (Spanish)
Esta investigación se centra en un análisis comparativo exhaustivo de la predicción de la resistencia al cizallamiento en las conexiones de losa-columna, integrando el aprendizaje automático, los códigos de diseño y el análisis de elementos finitos (fea). Los modelos empíricos existentes carecen de los parámetros de influencia que disminuyen su precisión de predicción. En este documento, se emplean los códigos de diseño actuales del American Concrete Institute 318-19 (ACI 318-19) y el Eurocódigo 2 (EC2), así como enfoques innovadores como el método de trayectoria de fuerza de compresión y los modelos de aprendizaje automático para predecir la resistencia al cizallamiento de punzonado utilizando una base de datos completa de 610 muestras. La base de datos consta de siete parámetros clave que incluyen la profundidad de la losa (ds), la dimensión de la columna (cs), la relación de corte (av/d), el límite elástico del acero longitudinal (fy), la relación de refuerzo longitudinal (ρl), la capacidad máxima de carga (Vu) y la resistencia a la compresión del concreto (fc). En comparación con los códigos de diseño y otros modelos de aprendizaje automático, la red neuronal feedforward basada en la optimización de enjambres de partículas (PSOFNN) realizó las mejores predicciones. PSOFNN predijo el corte por punzonado de la losa plana con una precisión máxima con un valor R2 de 99.37% y valores mínimos de MSE y MAE de 0.0275% y 1.214%, respectivamente. Los hallazgos del estudio se validan a través de fea de losas para confirmar los resultados experimentales y las predicciones de aprendizaje automático que mostraron una excelente concordancia con las predicciones de PSOFNN. La investigación también proporciona información sobre la aplicación de modelos metaheurísticos junto con ANN, revelando que no todos los modelos metaheurísticos pueden superar a ANN como generalmente se percibe. El estudio también destaca las capacidades predictivas superiores de EC2 sobre ACI 318-19 para perforar los valores de cizallamiento.Files
1784088.pdf.pdf
Files
(15.8 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:a3ace69249a71ea60b89175d64a204d1
|
15.8 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحليل مقارن لنماذج التنبؤ بمقاومة القص لتوصيلات ألواح وعمود الخرسانة المسلحة
- Translated title (French)
- Analyse comparative des modèles de prédiction de la résistance au cisaillement pour les connexions dalle en béton armé-colonne
- Translated title (Spanish)
- Análisis comparativo de modelos de predicción de resistencia al cizallamiento para conexiones de losa de hormigón armado-columna
Identifiers
- Other
- https://openalex.org/W4392506570
- DOI
- 10.1155/2024/1784088
References
- https://openalex.org/W1562559546
- https://openalex.org/W1786686177
- https://openalex.org/W1894309486
- https://openalex.org/W1924314320
- https://openalex.org/W1947627980
- https://openalex.org/W1991799540
- https://openalex.org/W2006586420
- https://openalex.org/W2010910568
- https://openalex.org/W2011895046
- https://openalex.org/W2028070629
- https://openalex.org/W2032587369
- https://openalex.org/W2060712372
- https://openalex.org/W2060734130
- https://openalex.org/W2065611868
- https://openalex.org/W2082731327
- https://openalex.org/W2104017154
- https://openalex.org/W2130211989
- https://openalex.org/W2130580875
- https://openalex.org/W2317422907
- https://openalex.org/W2327080518
- https://openalex.org/W2337892068
- https://openalex.org/W2409159920
- https://openalex.org/W2444060010
- https://openalex.org/W2487681039
- https://openalex.org/W2543580944
- https://openalex.org/W2587345921
- https://openalex.org/W2622838653
- https://openalex.org/W2766858094
- https://openalex.org/W2896910405
- https://openalex.org/W2919921375
- https://openalex.org/W2941931164
- https://openalex.org/W2963103847
- https://openalex.org/W2994818485
- https://openalex.org/W2998942499
- https://openalex.org/W3005497803
- https://openalex.org/W3010501182
- https://openalex.org/W3014541935
- https://openalex.org/W3016531117
- https://openalex.org/W3026081850
- https://openalex.org/W3082305483
- https://openalex.org/W3089792946
- https://openalex.org/W3097049143
- https://openalex.org/W3105346980
- https://openalex.org/W3170101753
- https://openalex.org/W3190658580
- https://openalex.org/W3201720770
- https://openalex.org/W4213066824
- https://openalex.org/W4214694242
- https://openalex.org/W4220682081
- https://openalex.org/W4238512477
- https://openalex.org/W4288460543
- https://openalex.org/W4290090582
- https://openalex.org/W4300687504
- https://openalex.org/W4310802659
- https://openalex.org/W4367550691
- https://openalex.org/W4384133679
- https://openalex.org/W4384822335
- https://openalex.org/W4385235599
- https://openalex.org/W4394652206
- https://openalex.org/W595927778
- https://openalex.org/W608281289