Approximating Helical Pile Pullout Resistance Using Metaheuristic-Enabled Fuzzy Hybrids
Notice bibliographique
Résumé
Piles have paramount importance for various structural systems in a wide scope of civil and geotechnical engineering works. Accurately predicting the pullout resistance of piles is critical for the long-term structural resilience of civil infrastructures. In this research, three sophisticated models are employed for precisely predicting the pullout resistance (Pul) of helical piles. Metaheuristic schemes of gray wolf optimization (GWO), differential evolution (DE), and ant colony optimization (ACO) were deployed for tuning an adaptive neuro-fuzzy inference system (ANFIS) in mapping the Pul behavior from three independent factors, namely the embedment ratio, the density class, and the ratio of the shaft base diameter to the shaft diameter. Based on the results, i.e., the Pearson’s correlation coefficient (R = 0.99986 vs. 0.99962 and 0.99981) and root mean square error (RMSE = 7.2802 vs. 12.1223 and 8.5777), the GWO-ANFIS surpassed the DE- and ACO-based ensembles in the training phase. However, smaller errors were obtained for the DE-ANFIS and ACO-ANFIS in predicting the Pul pattern. Overall, the results show that all three models are capable of predicting the Pul for helical piles in both loose and dense soils with superior accuracy. Hence, the combination of ANFIS and the mentioned metaheuristic algorithms is recommended for real-world purposes.
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 | 0,001 |
| 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 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 ».