Predicting the effect of stirrups on shear strength of reinforced normal-strength concrete (NSC) and high-strength concrete (HSC) slender beams using artificial intelligence
Notice bibliographique
Résumé
The exact effect that each of the basic shear design parameters exerts on the shear capacity of reinforced concrete (RC) beams without shear reinforcement (V c ) is still unclear. Previous research on this subject often yielded contradictory results, especially for reinforced high-strength concrete (HSC) beams. Furthermore, by simply adding V c and the contribution of stirrups V s to calculate the ultimate shear capacity V u , current shear design practice assumes that the addition of stirrups does not alter the effect of shear design parameters on V c . This paper investigates the validity of such a practice. Data on 656 reinforced concrete beams were used to train an artificial neural network model to predict the shear capacity of reinforced concrete beams and evaluate the performance of several existing shear strength calculation procedures. A parametric study revealed that the effect of shear reinforcement on the shear strength of RC beams decreases at a higher reinforcement ratio. It was also observed that the concrete contribution to shear resistance, V c , in RC beams with shear reinforcement is noticeably larger than that in beams without shear reinforcement, and therefore most current shear design procedures provide conservative predictions for the shear strength of RC beams with shear reinforcement.Key words: analysis, artificial intelligence, beam depth, compressive strength, modeling, shear span, shear strength.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».