Sustainable rehabilitation of corroded RC culverts using ECC and interpretable machine learning
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
Culverts are vital for managing subsurface water flow beneath transport infrastructure, especially in areas with poor drainage and low bearing capacity. Precast reinforced concrete (RC) box culverts are widely used for their structural efficiency and constructability; however, prolonged exposure to moisture and corrosive environments leads to significant deterioration, particularly reinforcement corrosion. This study introduces a novel strengthening strategy using Engineered Cementitious Composites (ECC), applied beneath the top slab—the most corrosion-prone zone. A series of 200 nonlinear finite element (FE) simulations were conducted to evaluate culvert performance across varying corrosion thicknesses and ECC configurations. Subsequently, six machine learning (ML) models XGBoost, AdaBoost, RF, SGD, kNN, and GEP were trained to predict ultimate load capacity using key geometric and material parameters. Explainable AI (XAI) techniques SHAP and Partial Dependence Plot (PDP) analyses were employed to interpret the ML outputs, revealing parameter sensitivities and physical relevance. Results showed that ECC effectively restores load capacity (up to 41 % increase) of corroded culverts and improves deformation behavior. Among the models, XGBoost yielded the highest predictive accuracy, while SHAP analysis confirmed culvert width, corrosion thickness, and ECC strength as dominant features. This integrated FEM-ML-XAI approach offers a data-driven, interpretable, and material-efficient solution for rehabilitating corroded culverts. This study contributes a novel combination of advanced materials and explainable AI, offering actionable insights for the sustainable and intelligent rehabilitation of deteriorated culverts in corrosion-prone environments.
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) | 0,000 | 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 découle