Experimental and machine learning study on a novel high-performance hybrid steel-grout connector for cross-laminated timber panels under pre-yield cyclic loads
Notice bibliographique
Résumé
This work presents the results from quasi-static cyclic tests on a novel hybrid steel-grout connector for cross-laminated timber (CLT) panels. These test series are part of an experimental, analytical, and numerical research program to develop reliable and resilient connections for hybrid CLT mass timber structural assemblies. Each designated connector arrangement’s cyclic loading step path has been anchored to the yield point; this latter was obtained as the average of the seven replicates of monotonic tests. From the cyclic test results, mechanical characteristics, namely, the secant stiffness and the residual slip, have been evaluated and discussed. Furthermore, machine learning (ML) models based on deep neural networks have been developed to predict the mechanical characteristics of connectors in the function of the mechanical and geometrical properties of each material used. The developed ML models proved to be able to predict the connector’s stiffness and residual slip and were used to infer the effects of experimental variables on these performance parameters. It was shown that the steel rod and grout diameters are the most influencing parameters regarding the secant stiffness of connectors. As for the residual slip, it was found that the grout diameter and the steel rod strength class are the most influencing parameters. Furthermore, it was observed that a grout-to-rod diameter ratio of about 3.6 enables maximization of the secant stiffness while minimizing the residual slip. Lastly, polynomial equations were developed and found to be able to predict the secant stiffness and residual slip of connectors with a coefficient of determination of 0.99 and 0.98, respectively.
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 ».