
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用深度神经网络和机器学习回归模型预测各种多边形截面混凝土填充钢(CFST)柱的轴向承载能力
《Scientific Reports》:Prediction of the axial capacity of various polygon-type section concrete-filled steel (CFST) columns utilising deep neural network and machine learning regressor
【字体: 大 中 小 】 时间:2026年05月17日 来源:Scientific Reports 3.9
编辑推荐:
摘要混凝土填充钢管(CFST)的优点使其成为结构应用中的热门选择。对于结构设计和安全性而言,精确估算CFST的轴向承载能力是一个关键因素。然而,现有的设计规范仅涵盖了传统的CFST截面类型,如方形、圆形和矩形截面,而不适用于六边形、八边形等多边形截面。本研究开发了四种基于数据的模
混凝土填充钢管(CFST)的优点使其成为结构应用中的热门选择。对于结构设计和安全性而言,精确估算CFST的轴向承载能力是一个关键因素。然而,现有的设计规范仅涵盖了传统的CFST截面类型,如方形、圆形和矩形截面,而不适用于六边形、八边形等多边形截面。本研究开发了四种基于数据的模型来预测多边形CFST柱的轴向承载能力,这些模型包括优化的多层感知器(MLP)神经网络、支持向量回归器(SVR)、随机森林回归器(RFR)和梯度提升回归器(GBR)。研究使用了来自文献的835个实验和数值测试样本的数据集。所有样本都将通过机器学习模型进行分析,并确定最佳的预测方法。为了进一步评估,ML模型的预测结果将与现有的设计规范(如欧洲规范4、ANSI/AISC 360、中国规范GB50936等)以及文献中提出的公式进行比较。结果表明,与设计规范和文献中的公式相比,深度神经网络(DNN)是最佳的预测工具,且具有普遍适用性(可适用于所有多边形CFST)。最后,本研究还提供了一个基于图形用户界面(GUI)的多边形CFST应用预测工具,以方便工程应用。