Determination of Steel Area in Reinforced Concrete Beams Using Data Mining Techniques
Notice bibliographique
Résumé
This study aimed to determine the area of reinforcing steel in rectangular reinforced concrete beams, a critical concern given that a significant proportion of residential structures in Peru do not conform to technical design regulations.Data were collected through a structured form encompassing various design variables, yielding a comprehensive data matrix.The methodology adopted involved Knowledge Discovery in Databases (KDD), executed in several stages: (1) selection, where the InfoGainAttributeEval algorithm was utilized to identify variables influencing the reinforcing steel area; (2) preprocessing, during which anomalous and duplicate data were purged using the Python libraries, Pandas and Numpy; (3) reduction, and (4) data mining.For the latter, Decision Stump, Hoeffding Tree, J48, Logistic Model Trees (LMT), and Random Tree classification algorithms were employed, facilitated by Weka 3.9.4.Accuracy rates of these algorithms were found to be 25, 51.70, 77.97, 78.39, and 88.98% respectively.The Random Tree algorithm, in conjunction with the GP_04 model, provided estimations of the steel area in the beams with a reliability exceeding 88%.The application of this model could enable the optimization of beam design, facilitate cost savings on materials, and enhance structural safety.This research thus presents a significant contribution to the field of structural engineering, particularly in regions where compliance with technical design standards is suboptimal.
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 ».