Resumen

En este estudio, se propuso una técnica híbrida de aprendizaje automático (ML) para predecir la capacidad de carga de columnas CFST elípticas bajo carga axial. El modelo propuesto fue el Sistema de Inferencia Neurodifuso Adaptativo (ANFIS) combinado con el Algoritmo Genético Codificado Real (RCGA), denominado como RCGA-ANFIS. La evaluación del modelo se realizó utilizando el coeficiente de determinación (R²) y el error cuadrático medio (RMSE). Los resultados mostraron que el RCGA-ANFIS (R²=0,974) fue más confiable y efectivo que la técnica convencional de descenso de gradiente (GD) (R²=0,952). La precisión del presente trabajo se encontró superior a los resultados publicados en la literatura (R²=0,776 o 0,768) al predecir la capacidad de carga de columnas CFST elípticas. Finalmente, el análisis de sensibilidad mostró que el espesor del tubo de acero y la longitud del eje menor de la sección trans

• Materias:Modelo de rigidez Desempeño estructural Fallas estructurales Estructuras de membrana
• Subjects:Stiffness model Structural performance Structural failures Membrane structures
• Palabras claves:Aprendizaje automático híbrido; Capacidad de carga; Columnas elípticas de CFST; ANFIS; RCGA; Análisis de sensibilidad
• Keywords:Hybrid machine learning; Bearing capacity; Elliptical CFST columns; ANFIS; RCGA; Sensitivity analysis