Safety prediction of bearing capacity of rectangular concrete four-pile caps using XGBoost-PSO regression
Notice bibliographique
Résumé
Abstract The design of the reinforced concrete structures using machine-learning techniques corresponds to the symmetrical distribution of the results, where the application of a safety coefficient includes sliding for all values (lower and upper bands). This paper presents a practical and comprehensive implementation of machine learning based on the Extreme gradient boosting model for the safety prediction of the bearing capacity of four concrete pile caps. To target the upper band only for the safety factor, the suggested model seeks to accurately under-predict the strength capacity to accommodate safety issues in pile caps design using a customized asymmetric loss function optimized by the particle swarm optimization algorithm. For the development of the Extreme gradient boosting regression model, a widely used dataset consisting of 107 four-pile cap tests is used for training and testing the model. Using five-fold cross-validation for model performance evaluation and the grid search method to tune the hyper-parameters, the developed Extreme gradient boosting regressor outperforms several recently reported mechanical models and different design codes (Concrete Reinforcing Steel Institute Design 2002; American Concrete Institute 318-05, and Canadian Standards Association A23.3). The results exhibited very acceptable performance metrics (coefficient of variation = 4.2 and a mean ratio of the bearing capacity values (test sample/model) equal to 1.09). The obtained results prove the ability of the proposed model to accurately and safely predict the bearing capacity, which allows it to be incorporated into any design software engineering for complete safety calculation.
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 | 0,001 | 0,001 |
| 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 ».