Investigating the Bond Strength of FRP Laminates with Concrete Using LIGHT GBM and SHAPASH Analysis
Notice bibliographique
Résumé
The corrosion of steel reinforcement necessitates regular maintenance and repair of a variety of reinforced concrete structures. Retrofitting of beams, joints, columns, and slabs frequently involves the use of fiber-reinforced polymer (FRP) laminates. In order to develop simple prediction models for calculating the interfacial bond strength (IBS) of FRP laminates on a concrete prism containing grooves, this research evaluated the nonlinear capabilities of three ensemble methods—namely, random forest (RF) regression, extreme gradient boosting (XGBoost), and Light Gradient Boosting Machine (LIGHT GBM) models—based on machine learning (ML). In the present study, the IBS was the desired variable, while the model comprised five input parameters: elastic modulus x thickness of FRP (EfTf), width of FRP plate (bf), concrete compressive strength (fc′), width of groove (bg), and depth of groove (hg). The optimal parameters for each ensemble model were selected based on trial-and-error methods. The aforementioned models were trained on 70% of the entire dataset, while the remaining data (i.e., 30%) were used for the validation of the developed models. The evaluation was conducted on the basis of reliable accuracy indices. The minimum value of correlation of determination (R2 = 0.82) was observed for the testing data of the RF regression model. In contrast, the highest (R2 = 0.942) was obtained for LIGHT GBM for the training data. Overall, the three models showed robust performance in terms of correlation and error evaluation; however, the trend of accuracy was obtained as follows: LIGHT GBM > XGBoost > RF regression. Owing to the superior performance of LIGHT GBM, it may be considered a reliable ML prediction technique for computing the bond strength of FRP laminates and concrete prisms. The performance of the models was further supplemented by comparing the slopes of regression lines between the observed and predicted values, along with error analysis (i.e., mean absolute error (MAE), and root-mean-square error (RMSE)), predicted-to-experimental ratio, and Taylor diagrams. Moreover, the SHAPASH analysis revealed that the elastic modulus x thickness of FRP and width of FRP plate are the factors most responsible for IBS in FRP.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 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 ».