Prediction of Failure Modes and Minimum Characteristic Value of Transverse Reinforcement of RC Beams Based on Interpretable Machine Learning
Notice bibliographique
Résumé
Shear failure of reinforced concrete (RC) beams is a form of brittle failure and has always been a concern. This study adopted the interpretable machine-learning technique to predict failure modes and identify the boundary value between different failure modes to avoid diagonal splitting failure. An experimental database consisting of 295 RC beams with or without transverse reinforcements was established. Two features were constructed to reflect the design characteristics of RC beams, namely, the shear–span ratio and the characteristic value of transverse reinforcement. The characteristic value of transverse reinforcement has two forms: (i) λsv,ft=ρstpfsv/ft, from the China design code of GB 50010-2010; and (ii) λsv,fc′=ρstpfsv/fc′0.5, from the America design code of ACI 318-19 and Canada design code of CSA A23.3-14. Six machine-learning models were developed to predict failure modes, and gradient boosting decision tree and extreme gradient boosting are recommended after comparing the prediction performance. Then, shapley additive explanations (SHAP) indicates that the characteristic value of transverse reinforcement has the most significant effect on failure mode, follow by the shear–span ratio. The characteristic value of transverse reinforcement is selected as the form of boundary value. On this basis, an accumulated local effects (ALE) plot describes how this feature affects model prediction and gives the boundary value through numerical simulation, that is, the minimum characteristic value of transverse reinforcement. Compared with the three codes, the suggested value for λsv,fc′,min has higher reliability and security for avoiding diagonal splitting failure. Accordingly, the research approach in this case is feasible and effective, and can be recommended to solve similar tasks.
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 | 0,000 | 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 ».