Predicting the Strength of Eccentrically Compressed Short Circular Concrete Filled Steel Tube Columns


Cite item

Full Text

Abstract

The process of predicting the load-bearing capacity of eccentrically compressed circular concrete filled steel tube (CFST) columns using machine learning algorithms is investigated. The relevance of the work is established by the need to improve the accuracy of engineering calculations in the context of increasingly complex architectural solutions. The purpose of the study is to develop and evaluate the effectiveness of intelligent models for reliable prediction of CFST column strength based on key parameters of the structure and materials. The object of the study was short, eccentrically compressed CFST columns of circular cross-section. The input parameters of the machine learning models were the outer diameter of the column section, tube wall thickness, concrete strength, yield strength of steel and relative eccentricity. The load-bearing capacity of the column was taken as the output parameter. CatBoost and Random Forest Regressor (RFR) algorithms with hyperparameter optimization using the Optuna library were used for forecasting. The quality of the models was assessed using the MAE, MSE, and MAPE metrics. As a result of the study, intelligent models were developed. The CatBoost model demonstrated better accuracy rates (MAE = 67.1; MSE = 86.2; MAPE = 0.07%) compared to RFR (MAE = 72.6; MSE = 89.7; MAPE = 0.15%). The feature importance analysis showed that the outer diameter of the column and the relative eccentricity have the greatest influence on the bearing capacity. Correlation analysis confirmed the high dependence of the output parameter on these factors. The obtained results are recommended for use in calculation modules and supporting engineering systems for design solutions of load-bearing structures.

About the authors

Tatiana N. Kondratieva

Don State Technical University

Author for correspondence.
Email: ktn618@yndex.ru
ORCID iD: 0000-0002-3518-8942
SPIN-code: 7794-2841

Candidate of Technical Sciences, Associate Professor of the Department of Mathematics and Informatics

1 Gagarin Sq., Rostov-on-Don, 344003, Russian Federation

Anton S. Chepurnenko

Don State Technical University

Email: anton_chepurnenk@mail.ru
ORCID iD: 0000-0002-9133-8546
SPIN-code: 7149-7981

Doctor of Technical Sciences, Professor of the Department of Structural Mechanics and Theory of Structures

1 Gagarin Sq., Rostov-on-Don, 344003, Russian Federation

Batyr M. Yazyev

Don State Technical University

Email: ps62@yandex.ru
ORCID iD: 0000-0002-5205-1446
SPIN-code: 5970-5350

Doctor of Technical Sciences, Professor of the Department of Structural Mechanics and Theory of Structures

1 Gagarin Sq., Rostov-on-Don, 344003, Russian Federation

References

  1. Ilanthalir A., Regin J.J., Maheswaran J. Concrete-filled steel tube columns of different cross-sectional shapes under axial compression: A review. IOP Conference Series: Materials Science and Engineering; 2020 Sep 17-18; Tamil Nadu, India. Bristol: IOP Publ.; 2020:012007. https://doi.org/10.1088/1757-899X/983/1/012007 EDN: DMUHMU
  2. Joseph J.R., Henderson J.H. Concrete-filled steel tube truss girders - a state-of-the-art review. Journal of Engineering and Applied Science. 2023;70:49. https://doi.org/10.1186/s44147-023-00220-w EDN: PWRPVD
  3. Arokiaprakash A., Senthil Selvan S. Comprehensive study of compressive behavior of CFST columns with confinements and stiffeners. Journal of Constructional Steel Research. 2023;211:108127. https://doi.org/10.1016/j.jcsr.2023. 108127 EDN: SKHBUQ
  4. Wang C., Chan T.M. Machine learning (ML) based models for predicting the ultimate strength of rectangular concrete-filled steel tube (CFST) columns under eccentric loading. Engineering Structures. 2023;276:115392. https://doi.org/10.1016/j.engstruct.2022.115392 EDN: DIBHQH
  5. Zhang S., Li X., Chen X., Chen J. Behavior of circular-steel-tube-confined square CFST short columns under axial compression. Journal of Building Engineering. 2022;51:104372. https://doi.org/10.1016/j.jobe.2022.104372 EDN: KHGDBW
  6. Teng J.G., Wang J.J., Guan Lin, Zhang J., Feng P. Compressive behavior of concrete-filled steel tubular columns with internal high-strength steel spiral confinement. Advances in Structural Engineering. 2021;24(8):1687-708. https://doi.org/10.1177/1369433220981656 EDN: YFKXMK
  7. Yuan F., Cao L., Li H. Axial compressive behaviour of high-strength steel spiral-confined square concrete-filled steel tubular columns. Journal of Constructional Steel Research. 2022;192:107245. https://doi.org/10.1016/j.jcsr.2022.107245 EDN: AJTUWQ
  8. Hu H.S., Xu L., Guo Z.X., Shahrooz B.M. Behavior of eccentrically loaded square spiral-confined high-strength concrete-filled steel tube columns. Engineering Structures. 2020;216:110743. https://doi.org/10.1016/j.engstruct.2020.110743 EDN: RBSRZD
  9. Kondratieva T.N., Chepurnenko A.S., Poliakova K.A., Rodionov K.A. CatBoost algorithms to predict the load-bearing capacity of centrally compressed short CFST columns of circular cross-section. E3S Web of Conferences. 2024;583:06009. https://doi.org/10.1051/e3sconf/202458306009 EDN: YXISDV
  10. Kondratieva T.N., Vysokovskiy D.V., Rusakova E.V., Khashkhozhev K.A., Poliakova K.A. Modeling the strength of the walls of I-shaped reinforced concrete beams. International Conference on Recent Advances in Architecture and Construction. Cham: Springer Nature Switzerland; 2024. p. 385-392. https://doi.org/10.1007/978-3-031-82938-3_42
  11. Le T.T. Practical machine learning-based prediction model for axial capacity of square CFST columns. Mechanics of Advanced Materials and Structures. 2022;29(12):1782-1992. https://doi.org/10.1080/15376494.2020.1839608 EDN: LUHGDL
  12. Zhou X.G., Hou C., Feng W.Q. Optimized data-driven machine learning models for axial strength prediction of rectangular CFST columns. Structures. 2023;47:760-780. https://doi.org/10.1016/j.istruc.2022.11.030 EDN: RJEFIJ 0
  13. Cakiroglu C., Islam K., Bekdaş G., Isikdag U., Mangalathu S. Explainable machine learning models for predicting the axial compression capacity of concrete filled steel tubular columns. Construction and Building Materials. 2022;356:129227. https://doi.org/10.1016/j.conbuildmat.2022.129227 EDN: RDNJKT
  14. Wang D., Ren Z., Kondo G. Interpretable domain knowledge enhanced machine learning framework on axial capacity prediction of circular CFST columns. Journal Research Article: Computational Engineering, Finance, and Science. 2024. https://doi.org/10.48550/arXiv.2402.04405
  15. Megahed K., Mahmoud N.S., Abd-Rabou S.E.M. Prediction of the axial compression capacity of stub CFST columns using machine learning techniques. Scientific Reports. 2024;14:2885. https://doi.org/10.1038/s41598-024-53352-1 EDN: GANCNR
  16. Faridmehr I., Nehdi M.L. Predicting axial load capacity of CFST columns using machine learning. Structural Concrete. 2022;23:1642-1658. https://doi.org/10.1002/suco.202100641 EDN: BOSJKP
  17. Hakim S.J.S, Noorzaei J., Jaafar M.S., Jameel M., Mohammadhassani M. Application of artificial neural networks to predict compressive strength of high strength concrete. International Journal of Physical Sciences. 2011;6:975-981. https://doi.org/10.5897/IJPS11.023
  18. Luat N.V., Han S.W., Lee K. Genetic algorithm hybridized with eXtreme gradient boosting to predict axial compressive capacity of CCFST columns. Composite Structures. 2021;278:114733. https://doi.org/10.1016/j.compstruct.2021.114733 EDN: KPUGZL
  19. Zarringol M., Thai H., Thai S., Patel V. Application of ANN to the design of CFST columns. Structures. 2020;28:2203-2220. https://doi.org/10.1016/j.istruc.2020.10.048 EDN: CRVHBP
  20. Lee S.C Prediction of concrete strength using artificial neural networks. Engineering Structures. 2003;25(7):849-857. https://doi.org/10.1016/S0141-0296(03)00004-X
  21. Chepurnenko A.S., Kondratieva T.N., Deberdeev T.R., Akopyan V.F., Avakov A.A. Prediction of rheological parameters of polymers using the CatBoost gradient boosting algorithm. Polymer Science, Series D. 2024;17(1):121-128. https://doi.org/10.1134/S199542122370020X EDN: UFJNYY
  22. Lee S., Vo T.P., Thai H.T, Lee J., Patel V. Strength prediction of concrete-filled steel tubular columns using Categorical Gradient Boosting algorithm. Engineering Structures. 2021;238:112109. https://doi.org/10.1016/j.engstruct.2021.112109 EDN: FTLKPF
  23. Ma Lu., Zhou Ch., Lee D., Zhang Ji. Prediction of axial compressive capacity of CFRP-confined concrete-filled steel tubular short columns based on XGBoost algorithm. Engineering Structures. 2022;260:114239. https://doi.org/10.1016/ j.engstruct.2022.114239 EDN: SEMQKN
  24. Hou C., Zhou X. G. Strength prediction of circular CFST columns through advanced machine learning methods. Journal of Building Engineering. 2022;51:104289. https://doi.org/10.1016/j.jobe.2022.104289 EDN: CQXMDK
  25. Vu Q.V., Truong V.H., Thai H.T. Machine learning-based prediction of CFST columns using gradient tree boosting algorithm. Composite Structures. 2021;259:113505. https://doi.org/10.1016/j.compstruct.2020.113505 EDN: HTWBNC
  26. Tran V.L., Thai D.K., Kim S.E. Application of ANN in predicting ACC of SCFST column. Composite Structures. 2019;228:111332. https://doi.org/10.1016/j.compstruct.2019.111332
  27. Du Y., Chen Z., Zhang C., Cao X. Research on axial bearing capacity of rectangular concrete-filled steel tubular columns based on artificial neural networks. Frontiers of Computer Science. 2017;11:863-873. https://doi.org/10.1007/s11704-016-5113-6 EDN: KGWXVD
  28. Zarringol M., Thai H.T., Thai S., Patel V. Application of ANN to the design of CFST columns. Structures. 2020;28:2203-2220. https://doi.org/10.1016/j.istruc.2020.10.048 EDN: CRVHBP
  29. Chepurnenko A.S., Yazyev B.M., Turina V.S., Akopyan V.F. Artificial intelligence models for determining the strength of centrally compressed pipe-concrete columns with square cross-section. Magazine of Civil Engineering. 2024;17(6). https://doi.org/10.34910/MCE.130.8 EDN: HBBADX
  30. Chepurnenko A., Yazyev B., Meskhi B., Beskopylny A., Khashkhozhev K., Chepurnenko V. Simplified 2D finite element model for calculation of the bearing capacity of eccentrically compressed concrete-filled steel tubular columns. Applied Sciences. 2021;11:11645. https://doi.org/10.3390/app112411645 EDN: AKSSMM
  31. Khashkhozhev K.N. Improvement of the design of concrete-filled steel tube columns considering physical nonlinearity [dissertation]. 2023. (In Russ.)
  32. Ileri K. Comparative analysis of CatBoost, LightGBM, XGBoost, RF, and DT methods optimised with PSO to estimate the number of k-barriers for intrusion detection in wireless sensor networks. International Journal of Machine Learning and Cybernetics. 2025:1-20. https://doi.org/1007/s13042-025-02654-5

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».