Data‐driven assessment and design of axially loaded <scp>FRP</scp> ‐reinforced concrete columns
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Fiber‐reinforced polymer (FRP) bars are increasingly used in construction due to their high strength‐to‐weight ratio and resistance to corrosion. Despite these advantages, existing design codes for FRP‐reinforced concrete columns (FRP‐RCC) lack comprehensive equations that adequately account for factors such as slenderness, eccentricity, and the contribution of FRP bars to axial capacity. This study addresses these gaps by proposing an artificial neural network (ANN) model to accurately predict the axial capacity of short, slender, concentric, and eccentric FRP‐RCCs. A comprehensive database of 490 column samples from the literature was utilized to analyze the factors influencing FRP‐RCC behavior, develop the ANN model, and validate its performance. The database also enabled a detailed evaluation of current design codes, existing ANN models, and other design equations, comparing their predictive capabilities to the proposed ANN. The results demonstrate the effectiveness of the proposed ANN model, achieving an R 2 value of 0.93 during training and testing and 0.97 during verification with an independent dataset. These findings underscore the model's robustness and practical applicability in engineering design. Furthermore, comparative analysis revealed that the proposed ANN consistently outperforms existing design equations and available ANN models, highlighting its superior predictive accuracy and potential as a reliable tool for designing FRP‐reinforced 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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle