Mechanics-Guided Genetic Programming Expression for Shear-Strength Prediction of Squat Reinforced Concrete Walls with Boundary Elements
Notice bibliographique
Résumé
Squat reinforced concrete shear walls with boundary elements (SRCSW-BE) are used in special structures (e.g., nuclear facilities) to resist lateral seismic loads. However, several studies have demonstrated the inaccuracy of the relevant current shear strength prediction expressions (e.g., ASCE/SEI 43-05). Specifically, expressions originally developed based on empirical or experimentally calibrated analytical models (using different datasets) showed discrepancies when their predictions were compared with experimental results from other datasets. This situation is mainly attributed to the complex shear behavior and failure mechanisms of SRCSW-BE in addition to the wide ranges of their interdependent design characteristics. To address this issue, the current study utilizes genetic programming (GP), a form of artificial intelligence, to develop an elegant shear strength prediction expression using a dataset of 254 SRCSW-BE. Guided by mechanics, the key factors governing wall shear strength were first identified, and the GP-based expression was subsequently developed, trained, validated, and tested. The accuracy of the developed GP-based expression was assessed through different performance evaluation measures. The analyses showed that the developed expression can provide better predictions with significantly higher accuracy compared to other shear strength prediction expressions available in relevant design standards and literature. Further robustness assessment also demonstrated the conformity of the GP-based expression with known underlying behavior mechanics of SRCSW-BE, which, along with its elegant form, makes the developed expression adoption-ready by relevant design standards (e.g., ACI 318 and CSA A23.3). Overall, the current study is expected to demonstrate the ability of GP-based approaches in addressing other complex behaviors of structural components/systems and tackling relevant challenges pertaining to the latter’s behavior predictions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».