Trong nghiên cứu này, mô hình mạng Nơ-Ron lan truyền ngược (BPNN) với việc sử dụng thuật toán Levenberg - Marquardt được sử dụng để dự đoán sức chịu tải tới hạn (Pu) của cột CFST hình chữ nhật. Với 99 dữ liệu thử nghiệm từ các công trình đã công bố, 69 số liệu đã được chọn để huấn luyện và 30 số liệu được sử dụng để kiểm chứng mô hình BPNN. Các thông số chính được nghiên cứu trong bài viết gồm chiều cao, chiều rộng mặt cắt, độ dày của cột thép, chiều dài cột, cường độ của thép, cường độ bê tông đã được đề cập để dự đoán khả năng chịu lực tới hạn của cột CFST. Kết quả cho thấy mô hình ANN dự báo rất tốt với độ chính xác cao và sai số thấp (hệ số tương quan R = ). | Nghiên cứu dự báo sức chịu tải tới hạn của cấu kiện cột ống thép nhồi bê tông có tiết diện hình chữ nhật bằng mạng nơ ron nhân tạo Transport and Communications Science Journal, Vol 71, Issue 2 (02/2020), 154-166 Transport and Communications Science Journal ARTIFICIAL NEURAL NETWORK BASED MODELING OF THE AXIAL CAPACITY OF RECTANGULAR CONCRETE FILLED STEEL TUBES Hai-Bang Ly*, Thuy-Anh Nguyen University of Transport Technology, 54 Trieu Khuc, Thanh Xuan, Hanoi, Vietnam ARTICLE INFO TYPE: Research Article Received: 13/02/2020 Revised: 28/02/2020 Accepted: 28/02/2020 Published online: 29/02/2020 * Corresponding author Email: banglh@; Tel: 0966661185 Abstract. Concrete filled steel tubes (CFST) with many advantages compared with conventional structural members made by steel or reinforced concrete has been widely applied in the field of civil engineering. The axial capacity of CFST, which is considered as the most important mechanical property, depends on many constituting factors such as the mechanical properties of materials or the cross-section of the tubes. In this study, the Artificial Neural Network (ANN) with the Levenberg-Marquardt algorithm is used to predict the axial capacity of CFST with rectangular cross-section. A number of 99 samples, collected from published international studies, is divided into two parts: the training part (69 samples), used to construct the BPNN black-box, and 30 samples in the testing part to evaluate the performance of the BPNN model. The main input parameters used in this study are the height of steel tube, width of steel tube, the thickness of steel tube, length of the column, the yield stress of steel and the compressive strength of concrete. The results show that the ANN algorithm is a good predictor for the problem with low error and high correlation (R=) between the experimental and predicted results derived from the ANN .
