Artificial Neural Network (ANN) model for predicting blast-induced tunnel response in Steel Fiber Reinforced Concrete (SFRC) structures
Notice bibliographique
Résumé
This study presents an Artificial Neural Network (ANN)-based predictive framework for evaluating the blast-induced response of Steel Fiber Reinforced Concrete (SFRC) tunnel structures. As underground infrastructure is increasingly exposed to dynamic and extreme loading conditions, particularly from accidental or intentional explosions, accurate and efficient prediction tools are essential. In this research, a comprehensive dataset comprising 299 data points was developed, including approximately 120 experimental results from published blast and structural tests, and 179 high-fidelity numerical simulations. This combined dataset ensured both physical reliability and broad coverage of loading scenarios. The model incorporates nine critical input parameters: Peak Overpressure (MPa), Impulse (kPa·ms), Tunnel Diameter (m), Wall Thickness (m), Compressive Strength (MPa), Tensile Strength (MPa), Fiber Volume Fraction (%), Soil Stiffness (MPa/m), and Standoff Distance (m). The target output variable is the tunnel's Maximum Displacement (mm) under blast loading. A three-hidden-layer ANN architecture was optimized through rigorous hyperparameter tuning. The best-performing model, with 16 neurons in each hidden layer, achieved high predictive accuracy, with R² values of 0.983 (training), 0.956 (validation), and 0.948 (testing). Error metrics including RMSE (2.12–3.14 mm), MAE (1.92–3.52 mm), and MAPE (1.95 %–3.12 %) further confirmed the model’s robustness. Validation against experimental data from literature demonstrated excellent agreement, verifying the model's practical applicability. Additionally, sensitivity analysis identified Peak Overpressure and Standoff Distance as the most influential factors affecting displacement. The proposed ANN framework offers a computationally efficient and accurate tool for assessing SFRC tunnel performance under blast loading, supporting the design of safer and more resilient underground 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 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 | 0,002 |
| 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 ».