A machine learning approach for predicting a full load-deflection behaviour of strengthened beams using fabric-reinforced cementitious matrix (FRCM)
Notice bibliographique
Résumé
Machine learning (ML) methods in structural engineering are typically applied to predict single values, such as failure load. This study presents an advanced application of ML by predicting five critical points on the load-deflection curve of fabric-reinforced cementitious matrix (FRCM)-strengthened rectangular beams. Three separate ML models were developed, each tailored to predict specific key points on the curve. The ML models consider variables such as mechanical and geometric properties of a beam, steel reinforcement, and the FRCM properties such as nominal thickness, number of layers, type of fabric and presence of anchorage. Based on these models, a user-friendly application was developed. In the second part of this study, validated Finite Element (FE) models examine the robustness of ML models on unseen data. The accuracy of the load-deflection curves is evaluated using three parameters: load capacity, stiffness, and absorbed energy. Results indicate that the proposed ML-based models effectively capture the entire response of FRCM-strengthened beams, achieving RMSE of 15 kN, 6 kN/mm, and 2kN-m for load capacity, stiffness, and absorbed energy, respectively. • Three ML models accurately predict the load-deflection behavior of FRCM-strengthened beams. • ML-based predictions are faster than FE methods with comparable accuracy. • Increasing FRCM layers improves strength until debonding dominates at higher layers. • Engineers can quickly assess strengthening designs without extensive testing or FEM. • Load capacity, stiffness, and absorbed energy predictions align well with experiments.
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 ».