Novel soft computing hybrid model for predicting shear strength and failure mode of SFRC beams with superior accuracy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The ability of steel fibers to enhance the shear strength and post-cracking behavior of plain concrete stimulated remarkable increase in using steel fiber-reinforced concrete (SFRC) in construction. However, steel fibers increase the complexity of assessing the shear behavior. Developing accurate models to estimate the shear capacity is crucial to satisfying requirements of design codes. While various empirical models have been developed for this purpose, they suffer from multiple shortcomings. Machine learning techniques have recently emerged as a strong contender for mitigating such drawbacks and providing better accuracy. In this study, a novel metaheuristic atom search optimization (ASO) algorithm based on molecular dynamics was coupled with artificial neural networks (ANN) to forecast the shear capacity of SFRC beams and overcome drawbacks of standalone models. Moreover, four classification models (naïve Bayes, support vector machine (SVM), decision tree, and k-nearest neighbor) were used to forecast the failure mode of SFRC beams. Performance assessment of the models revealed that the ASO-ANN model achieved most reliable predictive accuracy for shear strength, while the k-nearest neighbors model was the most accurate for failure mode classification. The ability to predict simultaneously the shear strength and failure mode with superior accuracy opens immense opportunities for the shear design of new SFRC beams and for selecting innovative retrofitting strategies for existing shear deficient structures.
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.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle