Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/84469
Title: Surrogate-assisted model methods for maximum compression capacity predictions of concrete-filled stainless-steel tubular columns
Other Titles: ระเบียบวิธีการจำลองแบบใช้ตัวแทนสำหรับการทำนายความสามารถในการรับแรงอัดสูงสุดของเสาท่อสเตนเลสสตีลที่เติมคอนกรีต
Authors: Ly Ith
Advisors: Sawekchai Tangaramvong
Other author: Chulalongkorn University. Faculty of Engineering
Issue Date: 2023
Publisher: Chulalongkorn University
Abstract: This work explores the prediction of axial strength of circular concrete-filled stainless-steel tubular (CFSST) columns, employing advanced machine learning techniques, including Gaussian Process Regression (GPR) and Extreme Gradient Boosting (XGBoost). The dataset comprises over 100 columns from experimental tests, with only a few of them being long or slender, limiting prediction accuracy. To address this, our study introduces a robust numerical modeling approach using Finite Element Method (FEM) to generate additional data points for long columns. The results are then benchmarked against established standards such as American Institute of Steel Construction (AISC) and the Eurocode 4, illustrating the potential of machine learning algorithms to supplant the conventional specifications.
Other Abstract: งานวิจัยฉบับนี้ศึกษาการพยากรณ์ความแข็งแรงตามแนวแกนของท่อเสาเหล็กสแตนเลส ซึ่งมีคอนกรีตเติมอยู่ภายใน (CFSST) โดยใช้เทคนิคการเรียนรู้ของเครื่องคอมพิวเตอร์ (machine learning) ระดับสูง ได้แก่ Gaussian Process Regression (GPR) และ Extreme Gradient Boosting (XGBoost) โดยนำเข้าชุดฐานข้อมูลมากกว่า 100 รายการ ซึ่งมาจากการทดสอบจริง โดยมีชุดข้อมูลเพียงไม่กี่รายการที่ถูกจำแนกเป็นเสายาวหรือเสาที่มีความสูงชะลูด ทำให้เกิดข้อจำกัดทางความแม่นยำในการทำนาย เพื่อแก้ไขปัญหาที่เกิดขึ้น วิทยานิพนธ์ฉบับนี้นำเสนอวิธีการแบบจำลองทางคณิตศาสตร์โดยระเบียบวิธีไฟไนต์เอลิเมนต์ (FEM) เพื่อสร้างจุดข้อมูลเพิ่มเติมสำหรับเสาที่มีความยาวและสูงชะลูด นอกจากนี้ ผลลัพธ์ที่ได้จากแบบจำลองทางคณิตศาสตร์ ถูกนำมาทดสอบกับมาตรฐานที่ได้รับการยอมรับอย่าง AISC (American Institute of Steel Construction) และ Eurocode 4 เพื่อแสดงศักยภาพของอัลกอริทึมการเรียนรู้ของเครื่องที่สามารถเข้าแทนที่ข้อกำหนดแบบดั้งเดิมได้
Description: Thesis (M.Eng.)--Chulalongkorn University, 2023
Degree Name: Master of Engineering
Degree Level: Master's Degree
Degree Discipline: Civil Engineering
URI: https://cuir.car.chula.ac.th/handle/123456789/84469
Type: Thesis
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6472074921.pdf8.08 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.