Predicting the drift capacity of precast concrete columns using explainable machine learning approach
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».