XGBoost algorithm based estimation of near surface mounted FRP rod-to-concrete bond strength and failure mode
Notice bibliographique
Résumé
Using fiber-reinforced polymer (FRP) in reinforced concrete (RC) structures can mitigate the colossal repair costs due to reinforcing steel corrosion. Hence, FRP rod/bar is gaining wider applications in diverse RC structures as a partial or full replacement for steel rebar. The FRP rod-to-concrete interfacial bond is pivotal in transferring stresses from concrete to FRP rods. This study develops a novel prediction model to estimate the near surface mounted FRP rod-to-concrete bond strength as well as the failure type using five machine learning (ML) algorithms, namely, linear regression, decision tree, gradient boosting tree, random forest, and extreme gradient boosting (XGB). The performance of the developed models was compared with that of four bond strength design guidelines and one analytical model. A database comprising 416 experimental datasets was constructed and used for model training and validation. Based on statistical performance metrics, the precision of the XGB algorithm was superior to that of the other ML models, design guidelines, and analytical model. Feature importance analysis based on the SHapley Additive exPlanations theory and partial dependence plot was performed. The results show that the bond length had the most significant influence on the bond strength, followed by the tensile strength of the FRP composite, diameter of the FRP rod, compressive strength of concrete, and elastic modulus of the FRP composite. A graphical user interface was developed and offers a user friendly, free access, and simple tool for estimating the bond strength and failure type of FRP rods in concrete.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».