Machine learning-based prediction of crack width and bond-dependent coefficient (kb) in GFRP-reinforced concrete beams
Notice bibliographique
Résumé
Glass fiber reinforced polymer (GFRP)-reinforced concrete (RC) flexural elements are typically designed to fulfill the serviceability criteria, including deflection and crack width. Crack width control in RC structures enhances durability, increases service life, and improves aesthetic appearance. The design provisions of ACI 440.11-22 and CSA S806-12 incorporate a bond-dependent coefficient, k b , into equations controlling crack width to account for the bond between GFRP bars and concrete. The primary objective of this research is to apply eight machine learning (ML) models, including extreme gradient boosting (XGBoost), light gradient boosting machine (LightGBM), adaptive boosting (AdaBoost), gradient boosting (GB), random forest (RF), K nearest neighbors (KNN), Ridge, and Lasso, to enhance crack width prediction accuracy in GFRP-RC beams. The study also considers the importance of the k b coefficient in estimating the crack width and investigates the key factors that primarily impact its value. The results indicated that existing design provisions generally overestimate crack width, whereas ML models demonstrate a noticeably closer alignment with experimental data. Additionally, AdaBoost stands out as the most accurate predictor of crack width. SHapley Additive exPlanations (SHAP) analysis highlights that GFRP bar strain, bar spacing, and concrete cover significantly impact the k b coefficient.
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 ».