An interpretable machine learning approach for predicting the capacity and failure mode of reinforced concrete columns
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
During seismic events, reinforced concrete (RC) columns play a crucial role in maintaining buildings’ structural integrity. This motivated engineers and practitioners to search for key parameters that influence the load-carrying capacity and failure mechanisms of such columns. However, the complexity and nonlinearity of seismic effects along with the intricate nature of RC columns as a composite system challenge the capabilities of analytical and empirical approaches to accurately capture the response of RC columns. Subsequently, the present study utilizes Machine Learning (ML) techniques to identify the failure modes and predict the corresponding capacities of RC columns based on both their geometrical and material properties. Decision trees and different ensemble methods were employed to predict both the columns’ failure mode and ultimate capacity. A multivariate dataset consisting of 486 cyclically loaded rectangular and circular columns was used to develop and validate the models. In addition, different embedded variable selection techniques were employed to evaluate the significance of input parameters in predicting the performance of columns. Moreover, partial dependence plots and accumulated local effects were employed to uncover the interrelationships between the input features and the modelled outputs. The developed models yielded an average accuracy of 90% and 95% for predicting the failure mode and ultimate capacity of RC columns, respectively. Given such high accuracy, it can be inferred that, ML techniques have the potential to provide efficient and reliable prediction tools to support seismic design and assessment decisions - mitigating seismic risks and empowering resilience planning in the face of extreme events.
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 | 0,001 |
| 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 découle