GUI-based hybrid ML model for predicting ultimate strength of FRP-confined UHPC with CTGAN-augmented data
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
Fiber-reinforced polymer (FRP)-confined ultra-high-performance concrete (UHPC) is a promising form for advanced structural applications because of its superior mechanical performance and resilience. Meanwhile, consistent prediction models for the ultimate strength of FRP-confined UHPC stays limited, specifically due to the scarcity of sufficient experimental data. Hence, the current study proposes innovative machine learning (ML)-based framework that combines a conditional tabular generative adversarial network (CTGAN) with Optuna, a cutting-edge hyperparameter optimization algorithm, to address limitations of datasets and improve model generality. A processed experimental data consisting of 145 FRP-confined UHPC samples was assembled from the literature and utilized to train the model. Using the augmented dataset, a stacked hybrid ML model integrating multiple algorithms with ridge regression as the meta -learner was developed. The proposed model demonstrated superior predictive performance compared to individual ML models, achieving a correlation coefficient of 0.984 along with consistently low performance error metric. SHAP analysis shown that feature hierarchies between original and augmented datasets were strongly correlated, confirming that CTGAN preserved the input–output relationships. Furthermore, the leave-one-study-out validation demonstrated robust cross-study generalization, with CTGAN-generated data achieving error levels comparable to experimental datasets. Finally, a user-friendly graphical user interface (GUI) was developed for structural design applications.
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 | 0,001 | 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