Predicting the drift capacity of precast concrete columns using explainable machine learning approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurately and reliably predicting the drift capacity (DC) of concrete columns is crucial for the seismic design and damage evaluation of structures. Despite precast concrete columns (PCCs) being applied to seismic zone, the method for predicting the DC of PCCs is still scarce owing to its high complexity. This study aims to develop a machine learning-based model for predicting the DC of PCCs using eXtreme Gradient Boosting (XGBoost) algorithm. A DC database of PCCs was assembled from existing literature which involves 177 flexural-dominant specimens with 44 features. A model establishment procedure was carried out to develop XGBoost models, including data cleaning, feature selection, and hyperparameter optimization. The models with and without feature selection were then validated by test results, and the former as the proposed model was further compared with existing empirical formulas and explained by global interpretation, individual interpretation, and feature dependency using SHapley Additive exPlanations (SHAP). Results show that XGBoost algorithm can develop adequate models to predict the DC of PCCs with high accuracy and great reliability. The feature selection method is effective to identify 11 dominant features and delete the rest for the proposed model. The empirical formulas are not suitable to directly predict the DC of PCCs. Global interpretation presents the influence of the 11 dominant features on the DC of PCCs. Feature dependency proves that there are high dependencies between these features. This study firstly develops special models for predicting the DC of PCCs using a machine learning approach, as well as systematically identifies and discusses the effects of various features on the DC of PCCs.
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.
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 | 0,001 |
| 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 découle