A comparative study of deep learning methods on flexural buckling load prediction of aluminum alloy columns

Abstract

Son yıllarda, Alüminyum alaşımlı sütunlar inşaat alanlarında çok yaygın kullanılmaktadır. Bunun sebebi alüminyum alaşımlarının hafifliği, yüksek korozyon direnci, uzun ömürlülüğü, düşük bakım maliyetleri, geri kazanma imkanı, metalin çok yönlülüğü ve sonsuz değişik şekilde profil elde edebilme olanağı gibi pek çok avantaja sahip olmasıdır. Kolonların kritik burkulma yüklerinin hesaplanması ise buradaki en önemli konudur. Bu problem çeşitli hesaplama teknikleri ve bilinen yaklaşımlar kullanılarak giderilmeye çalışılsa da doğrusal olmayan sonuçları içermektedir. Bu da kritik burkulma yükü tahminini zorlaştırmaktadır. Buna rağmen, Isıl işlem görmüş alüminyum alaşımlarının ısıl işlem görmemiş alüminyum alaşımlarına göre daha yüksek prova gerilimi verim mukavemetine sahip olduğu bilinmektedir. Bu çalışmada, ısıl işlem görmüş alüminyum alaşımlı kolonların derin öğrenme yöntemi kullanılarak burkulma yükü tahmini yapılmış softcomputing teknikleri ve laboratuvar ortamından alınan test sonuçları ile karşılaştırılmıştır. Derin öğrenme yöntemi kullanılırken Sequential Modelinden yararlanılmıştır. Derin öğrenmenin optimizer fonksiyonlarından olan Adam, Adamax, Nadam, Adadelta, Adagrad, RMSProp ve SGD ve kullanılarak ayrı ayrı değerlendirilmiştir. Ayrıca, her bir optimizer için hem MAE hem de MSE Loss fonksiyonları kullanılarak sonuçlar değerlendirilmiştir. Çalışmanın sonucunda, derin öğrenme modelinin kullanıldığı veriseti için değer tahmini yaparken birlikte kullanılan hangi Optimizer ve Loss fonksiyonları ikilisinin daha başarılı olduğu anlaşılmıştır.

In recent years, aluminum alloy columns have been widely used in construction fields. This is due to the light weight of aluminum alloys, high corrosion resistance, long life, low maintenance costs, the possibility of recovery, versatility of the metal and the possibility to obtain endless variety of profiles has many advantages. The calculation of the critical buckling loads of the columns is the most important issue. However, it is known that heat treated aluminum alloys have higher proof stress yield strength than non-heat treated aluminum alloys. In this study, buckling load estimation of heat treated aluminum alloy columns is made by using deep learning method and soft computing techniques and laboratory test results are compared. Sequential Model is used while using deep learning method. Adam, Adamax, Nadam, Adadelta, Adagrad, RMSProp and SGD and the optimizer functions of deep learning are evaluated separately. In addition, the results are evaluated using both MAE and MSE Loss functions for each optimizer. As a result of the study, it is understood that the optimizer and loss functions used together are more successful when estimating value for the dataset using deep learning model.