Hybrid intelligence framework for optimizing shear capacity of lightweight FRP-reinforced concrete beams
Notice bibliographique
Résumé
This study rigorously assesses the shear capacity of Fiber Reinforced Polymer (FRP) reinforced concrete (RC) beams as a lightweight material alternative, scrutinizing the efficacy of the Eurocode and ACI design codes. Leveraging a dataset of 260 experimental FRP-RC beam cases, two distinct Artificial Neural Network (ANN) models were developed using the Levenberg-Marquardt algorithm. Beams with and without stirrups were considered, with parameters including beam width (), depth (), length (), concrete compressive strength (), FRP modulus of elasticity (, ) and FRP reinforcement ratios (, ). Multi-objective optimization was deployed to integrate Genetic Algorithms (GA) and fmincon to optimize beam parameters for maximizing the shear capacity, . Sensitivity analysis allowed to quantify the influence of each parameter, revealing that and significantly affect , with sensitivity scores of 0.39 and 0.35, respectively. The optimization process, highlighted by a 3D scatter plot, dynamically illustrated trade-offs among key design parameters (, , ), giving insights into the complex interplay in FRP beam design. The hybrid intelligence models reached superior predictive accuracy over traditional codes, achieving values of 0.89. Notably, for beams without stirrups, model predictions closely matched experimental data, with lower average ratio (1.02) compared to Eurocode (1.65) and ACI (1.58). Principal Component Analysis (PCA) unraveled complex variable relationships, enhancing the understanding of the structural behavior of FRP-RC beams. Integrating artificial intelligence, advanced optimization techniques, and rigorous statistical analyses coins a comprehensive framework for the structural analysis of FRP-RC beams, offering enhanced accuracy and insightful perspectives for future design optimization.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».