Análise do comportamento mecânico de pilares mistos tubulares de seção retangular não compacta sujeitos a compressão axial

Abstract

O uso de pilares mistos de aço e concreto tubulares de seção retangular oferece vantagens estruturais significativas quanto à eficiência. Contudo, seções não compactas apresentam desafios quanto à instabilidade local e à diversidade de critérios normativos. Este trabalho investiga o comportamento mecânico e modos de falha quando submetidos à compressão axial. A metodologia compreendeu a revisão bibliográfica dos modos de falhas mais comuns e as normas NBR 8800 (2008 e 2024), AISC 360, EN 1994-1-1, CSA S16 e AS 5100.6, seguida pelo desenvolvimento de um modelo numérico via método dos elementos finitos (MEF) e aplicação de técnicas de aprendizado de máquina (Redes Neurais Artificiais). Para a calibração e validação, utilizou-se um banco de dados experimental com 180 ensaios filtrados de seções não compactas. Adicionalmente, foi conduzido um estudo paramétrico com 11.880 modelos numéricos para ampliar a investigação das variáveis geométricas e materiais. Os resultados indicaram que o modelo numérico calibrado superou previsões normativas, atingindo média de 1,03 (CV igual a 14%) e reduzindo a dispersão dos dados. As resistências analíticas (N_Rk) foram comparadas com as experimentais (N_u) e com os modelos numéricos. Entre os métodos analíticos, a NBR 8800:2008 demonstrou o melhor desempenho geral em média e menor coeficiente de variação, enquanto a AISC 360:22 e a NBR 8800:2024 apresentaram maior conservadorismo para seções de alta esbeltez local. As redes neurais de complexidade intermediária provaram ser ferramentas robustas e ágeis para a previsão da capacidade resistente.

The use of rectangular concrete-filled steel tubular (CFST) columns offers significant structural advantages regarding efficiency. However, non-compact sections present challenges related to local instability and the diversity of regulatory criteria. This work investigates the mechanical behavior and failure modes when subjected to axial compression. The methodology comprised a literature review of the most common failure modes and the standards NBR 8800 (2008 and 2024), AISC 360, EN 1994-1-1, CSA S16, and AS 5100.6, followed by the development of a numerical model via the finite element method (FEM) and the application of machine learning techniques (Artificial Neural Networks). For calibration and validation, an experimental database of 180 filtered tests of non-compact sections was used. Additionally, a parametric study with 11,880 numerical models was conducted to expand the investigation of geometric and material variables. The results indicated that the calibrated numerical model outperformed normative predictions, achieving an average of 1.03 (CV = 14%) and reducing data dispersion. Analytical strengths (N_Rk) were compared with experimental results (N_u) and numerical models. Among the analytical methods, NBR 8800:2008 demonstrated the best overall performance in terms of average and lower coefficient of variation, while AISC 360:22 and NBR 8800:2024 showed greater conservatism for sections with high local slenderness. Intermediate-complexity neural networks proved to be robust and agile tools for predicting load-bearing capacity.