Ensemble Learning Models for Prediction of Punching Shear Strength in RC Slab-Column Connections
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In reinforced concrete (RC) structures, accurate prediction of the punching shear strength (PSS) of slab-column connections is imperative for ensuring safety. The existing equations in the literature show variability in defining parameters influencing PSS. They neglect potential variable interactions and rely on a limited dataset. This study aims to develop an accurate and reliable model to predict the PSS of slab-column connections. An extensive dataset, including 616 experimental results, was collected from earlier studies. Six robust ensemble machine learning techniques—random forest, gradient boosting, extreme gradient boosting, adaptive boosting, gradient boosting with categorical feature support, and light gradient boosting machines—are employed to predict the PSS. The findings indicate that gradient boosting stands out as the most accurate method compared to other prediction models and existing equations in the literature, achieving a coefficient of determination of 0.986. Moreover, this study utilizes techniques to explain machine learning predictions. A feature importance analysis is conducted, wherein it is observed that the reinforcement ratio and compressive strength of concrete demonstrate the highest influence on the PSS output. SHapley Additive exPlanation is conducted to represent the influence of variables on PSS. A graphical user interface for PSS prediction was developed for users’ convenience. Doi: 10.28991/CEJ-SP2024-010-01 Full Text: PDF
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.
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 | 0,001 |
| 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 découle