色鸟优化器-神经网络,用于近似CFST列在压缩下的容量

科学领域:

• 结构工程 结构工程
• 计算力学 计算力学 计算力学
• 在土木工程中的人工智能.

背景情况:

• 用混凝土填充的钢管柱 (CFSTC) 是重要的结构部件.
• 准确预测它们的轴向压缩能力 (P_u) 对结构完整性至关重要.
• 超启发式算法在增强CFSTC预测模型方面表现有前途.

研究的目的:

• 引入一种新的整合模型来评估CFSTC的轴向压缩能力 (P_u).
• 开发一个人工神经网络 (ANN),由色鸟优化器 (SBO) 优化,用于准确的P_u预测.
• 确定影响P_u的关键参数,并得出一个预测公式.

主要方法:

• 一个人工神经网络 (ANN) 被开发和使用色鸟优化器 (SBO) 进行训练.
• 输入参数包括柱长,混凝土压力强度和钢管特性 (直径,厚度,屈服应力,最终应力).
• 通过回溯搜索算法 (BSA),地优化算法 (EWA),社交蜘蛛算法 (SOSA),salp swarm算法 (SSA) 和风驱优化 (WDO) 优化的ANN与SBO-ANN模型的性能进行了比较.

主要成果:

• SBO-ANN模型表现出卓越的性能,平均绝对百分比误差 (MAPE) 为2.3082%,明显优于其他以元启发式辅助的ANN.
• 主要组件分析确定了钢管产量应力,直径和最终应力是P_u预测中最有影响力的因素.
• 从优化的SBO-ANN模型中成功地得出了一个预测公式.

结论:

• 拟议的SBO-ANN模型提供了一个高度准确和可靠的方法来预测CFSTC的轴向压缩能力.
• 这种推导的预测公式为工程师提供了一个实用的工具,让他们可以自信地估计P_u.
• 这项研究强调了元启发式优化在增强人工智能驱动结构分析方面的有效性.