Development of Machine Learning Algorithms to Predict the Ultimate Axial Capacity of Fire Damaged Circular Columns Repaired with CFRP Composites
Notice bibliographique
Résumé
This paper presents a study that extends the application of carbon fiber reinforced polymer (CFRP) composite confinement technology to strengthen circular concrete columns damaged by fire. This study utilized data from 125 column specimens sourced from the literature. It examined ten parameters: column diameter, height, initial compressive strength of concrete, initial tensile strength of steel, longitudinal reinforcement ratio, fire temperature, exposure time, number of CFRP layers, CFRP thickness, and CFRP tensile modulus, which were used as inputs for the model. The objective was to predict the ultimate axial strength of fire-damaged circular columns repaired with CFRP composites. This study employs both multiple regression analysis and a deep neural network (DNN) to predict the structural behavior of reinforced concrete (RC) columns and accurately forecast their repaired axial capacity. The proposed deep neural network (DNN) model demonstrated a robust agreement with experimental investigations, boasting an overall correlation factor (R) of 0.99852. Deep neural networks outperformed multiple regression analysis in predicting axial strength, with predictions closely matching experimental results from previous studies. The work also presents a parametric study to examine the effect of different input parameters on the axial strength of RC columns. Parametric analysis indicates that the repaired axial strength increases with higher concrete initial compressive strength, greater CFRP thickness and tensile modulus, and more CFRP layers, whereas it decreases with higher fire temperatures, longer exposure durations, and larger column diameters.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».