Data-driven framework with graphical user interface for predicting flexural behavior of FRCM strengthened RC beams
Notice bibliographique
Résumé
In this study, the flexural capacity of reinforced concrete (RC) beams strengthened with fiber-reinforced cementitious matrices (FRCM) was computed using machine learning (ML) algorithms including: (i) adaptive neuro-fuzzy inference system (ANFIS), (ii) artificial neural network (ANN), and (iii) extreme gradient boosting (XGBoost). A total of 198 pertinent experimental datasets were compiled and included six types of FRCM composites (PBO, carbon, glass, basalt , coated carbon, and combined glass and carbon). The considered input parameters comprise the beam cross-sectional details, area of tensile and compressive steel reinforcement, mechanical properties of FRCM composite, and concrete compressive strength . To assess the reliability of ML models, four existing analytical models and one established standard guideline were used for comparison. Moreover, six statistical metrics were employed, along with an overfitting analysis, to determine the best-fitting model. Graphical fitting of the optimal model was depicted using the Taylor diagram, violin plot, as well as multi-panel histogram plot. Based on both graphical and statistical metrics, the XGBoost model attained the highest precision compared to all analytical and ML-based models. The correlation coefficient and MAPE of the XGBoost model were 0.9977% and 2.98%, respectively. To interpret the influence of individual parameters on the flexural strength of the FRCM-strengthened RC beams, a feature importance plot based on SHAP explanatory theory was deployed. Ultimately, a user-friendly graphical interface was developed and made accessible to aid practicing engineers in estimating the flexural strength of FRCM-strengthened RC beams, offering an effective alternative to complex design procedures.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».