Genetic programming‐based model for estimating maximum pull load of fiber‐reinforced polymer‐to‐concrete bond interfaces with graphical user interface implementation
Notice bibliographique
Résumé
Abstract This study presents a novel, interpretable machine learning framework for predicting the maximum pull load of fiber‐reinforced polymer (FRP) bonded to concrete substrates. A comprehensive test database comprising 983 datasets was gathered from relevant existing studies. The datasets include key input parameters such as concrete compressive strength, bond length, width of FRP sheet, width of concrete block, FRP thickness, and elastic modulus of FRP sheets, with the maximum pull load as the output parameter. Utilizing this curated database, a symbolic regression model based on genetic programming (GP) was developed to uncover the nonlinear relationships among critical variables including axial stiffness of FRP, bond length, and concrete compressive strength. The model's predictive performance was evaluated using standard regression metrics, achieving mean absolute error (MAE) and root mean square error (RMSE) values below 5 kN, mean absolute percentage error (MAPE) slightly above 10%, and coefficient of determination ( R 2 ) exceeding 0.90 on both training and testing datasets. These results confirm the model's accuracy and generalizability. Unlike black‐box models, symbolic regression offers an explicit mathematical expression, ensuring transparency and interpretability for engineering applications. To facilitate practical deployment, a user‐friendly graphical user interface (GUI) named MaxPLoad‐FRP‐Concrete‐GPaided‐PredictionModel was developed, enabling practitioners to input key design parameters and obtain immediate, interpretable predictions. This tool serves as a valuable decision‐support system in the structural design and quality control for FRP‐strengthened concrete structures.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».