Applications of Decision Tree and Random Forest as Tree-Based Machine Learning Techniques for Analyzing the Ultimate Strain of Spliced and Non-Spliced Reinforcement Bars
Notice bibliographique
Résumé
The performance of both non-spliced and spliced steel bars significantly affects the overall performance of structural reinforced concrete elements. In this context, the mechanical properties of reinforcement bars (i.e., their ultimate strength and strain) should be determined in order to evaluate their reliability prior to the construction procedure. In this study, the application of Tree-Based machine learning techniques is implemented to analyze the ultimate strain of non-spliced and spliced steel reinforcements. In this regard, a database containing the results of 225 experimental tests was collected based on the research investigations available in peer-reviewed international publications. The database included the mechanical properties of both non-spliced and mechanically spliced bars. For better accuracy, the databases of other splicing methods such as lap and welded-spliced methods were excluded from this research. The database was categorized as two sub-databases: training (85%) and testing (15%) of the developed models. Various effective parameters such as splice technique, steel grade of the bar, diameter of the steel bar, coupler geometry—including length and outer diameter along with the testing temperatures—were defined as the input variables for analyzing the ultimate strain using tree-based approaches including Decision Trees and Random Forest. The predicted outcomes were compared to the actual values and the precision of the prediction models was assessed via performance metrics, along with a Taylor diagram. Based on the reported results, the reliability of the proposed ML-based methods was acceptable (with an R2 ≥ 85%) and they were time-saving and cost-effective compared to more complicated, time-consuming, and expensive experimental examinations. More importantly, the models proposed in this study can be further considered as a part of a comprehensive prediction model for estimating the stress-strain behavior of steel bars.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».