Machine-Learning-Based Analysis of Internal Forces in Reinforced Concrete Conical and Cylindrical Tanks Under Hydrostatic Pressure Considering Material Nonlinearity
Notice bibliographique
Résumé
Reinforced concrete (RC) tanks are essential for storing liquids and bulk materials across various industries. However, simplified analytical methods fall short in providing an accurate analysis, while traditional methods, such as finite element modeling, can be computationally intensive and time-consuming, especially when dealing with nonlinear material properties and complex geometries, like conical and cylindrical shapes. This highlights the need for a more efficient and simplified analysis approach. Accordingly, the present paper introduces a machine learning (ML) framework as an effective predictive tool for RC conical and cylindrical tanks under hydrostatic pressure. Data from 320 RC conical and cylindrical water tanks, previously analyzed using finite element modeling, were used to train and test various ML models, considering geometrical and material nonlinearities. Four machine learning models—decision trees, random forests, gradient boosting, and extreme gradient boosting—were utilized to predict critical internal forces, including the maximum ring tension force, maximum meridional moment, and maximum meridional axial force. The accuracy of each model was evaluated using different statistical measures. To improve model interpretability and identify key predictors, feature importance techniques were employed to rank the significance of each input variable to the predictions. Furthermore, Accumulated Local Effects (ALE) plots were utilized to visualize the relationships between model inputs and outputs, providing a clearer understanding of the inner workings of the ML models. The combined use of feature importance and ALE plots enhances model transparency by illustrating how specific features contribute to the predictions, thereby supporting the informed application of ML in the structural design and analysis of RC tanks. Ultimately, the framework presented in this study aims to promote the practical application of machine learning in structural engineering, contributing to simpler, more efficient, and accurate analysis and design processes for RC water tanks.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 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 ».