Machine Learning-Based Flexural Capacity Prediction of Corroded RC Beams with an Efficient and User-Friendly Tool
Notice bibliographique
Résumé
Steel corrosion poses a serious threat to the structural performance of reinforced concrete (RC) structures. Thus, this study evaluates the flexural capacity of RC beams through machine learning (ML)-based techniques with six parameters used as input features: beam width, beam effective depth, concrete compressive strength, reinforcement ratio, reinforcement yield strength, and corrosion level. Four single and ensemble ML models are evaluated; namely, decision tree, support vector machine, adaptive boosting, and gradient boosting. Hyperparameters of each model were optimized using grid search and K-fold cross-validation with root mean squared error used as the performance index. The predictive performance of each model was assessed using four statistical performance metrics. The analysis results demonstrated that the decision tree model exhibited overfitting and limited generalization ability. The adaptive boosting model also had a slight overfitting issue. In addition, the support vector machine reported comparable accuracy to that of adaptive boosting. Conversely, the proposed gradient boosting ensemble model achieved the best performance with strong generalization ability, as indicated by its lowest mean absolute error of 2.78 kN.m, mean absolute percent error of 13.40%, and root mean squared error of 3.56 kN.m, and the highest coefficient of determination of 97.30% on the test dataset. The optimized gradient boosting model has been deployed into a graphical user interface, allowing for practical implementation of the model and enabling fast, efficient, and intelligent prediction of the flexural capacity of corroded RC beams.
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 | 0,001 | 0,001 |
| 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 ».