Predicting Crack Width in CFRP-Strengthened RC One-Way Slabs Using Hybrid Grey Wolf Optimizer Neural Network Model
Notice bibliographique
Résumé
This study deploys a hybrid Grey Wolf Optimizer Neural Network Model for predicting the crack width in reinforced concrete slabs strengthened with carbon fiber-reinforced polymers (CFRP). Reinforced concrete (RC) one-way slabs (1800 × 400 × 120 mm in size) were strengthened with CFRP with various lengths (1800, 1100, and 700 mm) and subjected to four-point bending. The experimental results were compared to corresponding values for conventional RC slabs. The observed crack width results were recorded, and subsequently examined against the expression recommended by Eurocode 2. To estimate the crack width of CFRP-reinforced slabs, ANN combined with the Grey Wolf Optimizer algorithm was employed whereby the applied load, CFRP width/length, X/Y crack positions, and stress in steel reinforcement and concrete were defined as the input parameters. Experimental results showed that the larger the length and width of the carbon fiber, the smaller the maximum crack width in the tensile area of the slab at the final load step. On average, the crack width in slabs retrofitted with CFRP laminates increased by around 80% compared to a slab without CFRP. The results confirm that the equation provided by Eurocode 2 provides an unconservative estimation of crack widths for RC slabs strengthened with CFRP laminates. On the other hand, the results also confirm that the proposed informational model could be used as a reliable tool for estimating the crack width in RC slabs. The findings provide valuable insight into the design approaches for RC slabs and rehabilitation strategies for existing deficient RC slabs using CFRP.
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 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) | 0,000 | 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».