Application of machine learning for predicting adhesive damage used for joining structural steel with GFRP under hygrothermal effect
Notice bibliographique
Résumé
Adhesively bonded composite-steel structures are widely used in civil engineering due to their excellent mechanical properties, particularly for strengthening and repairing damaged steel structures. This study investigates the adhesive damage behavior of Araldite 2015 used to join cracked S235JR steel structures. Finite element analysis (FEM) and machine learning (ML) techniques were employed to predict adhesive damage. Two types of composites, graphite and boron, were used, and the adhesive was aged in deionized water over a period of 7.5 months. Damage was evaluated at four intervals: before immersion, and after 1, 3, and 7.5 months, under different applied loads of F = 100 MPa, F = 200 MPa, and F = 300 MPa, at a constant temperature of 25°C. The damage ratio (Dr) was calculated using SolidWorks based on damage zone theory. Three regression models, linear regression, polynomial regression, and support vector regression (SVR) were employed to predict adhesive damage. The results demonstrate that the adhesive maintained its integrity under prolonged immersion and high loads, even after 7.5 months of exposure and at a load of 300 MPa. Among the ML models, SVR provided the most accurate predictions, achieving a determination coefficient of R 2 = 0.999 and outperforming other models across all evaluation metrics (MAE, MSE, RMSE).
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) | 0,000 | 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 | 0,000 |
| 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 ».