Machine Learning-Based Models for Shear Strength Prediction of UHPFRC Beams
Notice bibliographique
Résumé
Estimating shear strength is a crucial aspect of beam design. The goal of this research is to develop a shear strength calculation technique for ultra-high performance fiber reinforced concrete (UHPFRC) beams. To begin, a shear test database of 200 UHPFRC beam specimens is established. Then, random forest (RF) is used to evaluate the importance of influence factors for the shear strength of UHPFRC beams. Subsequently, three machine learning (ML)-based models, including artificial neural network (ANN), support vector regression (SVR), and eXtreme-gradient boosting (XGBoost), are proposed to compute shear strength. Results demonstrate that the area of longitudinal reinforcement has the greatest influence on the shear capacity of UHPFRC beams, and ten parameters with high importance (e.g., the area of longitudinal reinforcement, the stirrup strength, the cross-section area, the shear span ratio, fiber volume fraction, etc.) are selected as input parameters. The models of ANN, SVR, and XGBoost have close accuracy, and their R2 are 0.8825, 0.9016, and 0.8839, respectively, which are much larger than those of existing theoretical models. In addition, the average ratios of prediction values of ANN, SVR, and XGBoost models to experimental results are 1.08, 1.02, and 1.10, respectively; the coefficients of variation are 0.28, 0.21, and 0.28, respectively. The SVR model has the best accuracy and reliability. The accuracy and reliability of ML-based models are much better than those of existing models for calculating the shear strength of UHPFRC beams.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».