پيش بيني مقاومت برشي تيرهاي عميق بتن مسلح با استفاده از روش ماشين بردار پشتيبان حداقل مربعات وزن دار

Prediction of shear strength of deep beams of the reinforced concrete using weighted least squares support vector machine method

مقاومت برشي تيرهاي عميق بتن مسلح (RC) وابسته به پارامترهاي مكانيكي و هندسي تير تغيير مي‌نمايد. برآورد دقيق مقاومت برشي در تيرهاي عميق بتن مسلح يكي از اصلي‌ترين موضوعات در طراحي سازه‌هاي مهندسي است. با اين حال، پيش‌بيني مقاومت برشي در اين نوع تيرها از دقت بالايي برخوردار نيست. يكي از روش‌هاي تخمين نسبتا دقيق مقاومت برشي استفاده از هوش مصنوعي مي‌باشد. هوش مصنوعي داراي روش‌هاي مختلفي است كه يكي از اين روش‌ها استفاده از تكنيك هوش مصنوعي (AI) مبتني بر روش ماشين بردار پشتيبان است. در اين مطالعه براي پيش‌بيني ظرفيت برشي تيرهاي عميق بتن مسلح از روش ماشين بردار پشتيبان حداقل مربعات وزن‌دار (WLS-SVM) كه روشي نسبتا جديد و كارامد است، استفاده شده است. براي اين منظور ابتدا يك بانك اطلاعاتي شامل نتايج آزمايشگاهي مربوط به تيرهاي عميق بتن مسلح جمع‌آوري شد. سپس پس از تعيين پارامترهاي ورودي و خروجي با كمك فرآيند آموزشي در روش WLS-SVM و با استفاده از بخشي از داده‌هاي جمع‌آوري شده، مدلي براي پيش‌بيني مقاومت برشي تيرهاي عميق بتن مسلح ايجاد شد. به منظور تعيين دقت روش WLS-SVM، نتايج به دست آمده با نتايج حاصل از ساير روش‌هاي هوش مصنوعي و آيين‌نامه‌هاي مختلف مورد ارزيابي و مقايسه قرار گرفت. بررسي‌هاي آماري نشان داد كه روش WLS-SVM داراي بهترين عملكرد از نظر پارامترهاي ارزيابي آماري (0/9887 = R2 و 0/107=RMSE و 0/478 =MAE و 9/48%=MAPE ) نسبت به ساير روش‌ها هستند. بنابراين اين مطالعه نشان مي‌دهد كه مي‌توان از روش WLS-SVM به عنوان ابزاري كارآمد در طراحي تيرهاي عميق استفاده نمود.

The shear strength of deep reinforced concrete beams depends on the mechanical and geometrical properties of the beam. Accurate estimation of shear strength in deep reinforced concrete beams is one of the major issues in the design of engineering structures. However, some methods proposed to determine the shear strength in deep reinforced concrete beams do not have high accuracy. One method to accurately estimate shear strength is to use artificial intelligence (AI). Artificial intelligence has many different methods, one of which is the use of artificial intelligence-based on the support vector machine method. In this study, the weighted least squares support vector machine (WLS-SVM), which is a relatively new and efficient method for predicting the shear capacity of reinforced concrete beams, has been used. In this study, a database containing experimental results on deep reinforced concrete beams was first collected. Then, after determining the input and output parameters using a training process in WLS-SVM method and using a part of the collected data, a model was developed to predict the shear strength of deep reinforced concrete beams. In order to determine the accuracy of the WLS-SVM method, the results were compared with those obtained by other AI methods and different regulations. Statistical analysis showed that WLS-SVM has the best performance in terms of statistical evaluation parameters (R2 = 0.9887, RMSE = 0.107, MAE = 0.478 and MAPE = 9.48%) compared to the other method.