Direct Shear Strength Prediction for Precast Concrete Joints Using the Machine Learning Method
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
Precast segmental concrete beams (PSCBs) are being increasingly applied in bridges worldwide benefitting from the advantages of accelerated bridge construction. It is of importance to accurately predict the direct shear strength (DSS) of precast concrete joints (PCJs) for ensuring the safe structural design of PSCBs. However, existing prediction models of PCJs’ DSS are deemed inaccurate and unreliable when numerous parameters are varied in wide ranges. This study aims to establish an accurate and reliable prediction model for PCJs’ DSS using a machine learning algorithm called support vector regression (SVR). A PCJs’ DSS database of 304 test results with 23 input parameters was assembled from the literature. A model training procedure was conducted through stratified train-test split, feature scaling, feature selection, and two-step grid-search hyperparameter tuning. A new correlation matrix–based feature selection method was proposed, and three SVR models with different feature combinations were trained for validating the selection method. The trained SVR models were experimentally validated and compared with six existing mechanical models through two groups of performance indicators. A reasonable interpretation for the SVR model with the selected features in the proposed selection method was done using the combination of partial dependence (PD) and individual conditional expectation (ICE) plots. The results show that the SVR algorithm can be deemed feasible to accurately and reliably predict the DSS of PCJs. The proposed feature selection method is beneficial to the prediction performance of the SVR model. It is impossible for the typical mechanical models to achieve a similar prediction performance of the SVR model. The influence of each input parameter on the DSS of PCJs is recognized and depicted, which can offer useful information for further developing new mechanical models for predicting the DSS of PCJs with higher prediction performance in future research.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle