view in publisher's site

A machine learning-based time-dependent shear strength model for corroded reinforced concrete beams

Shear strength of corroded reinforced concrete (CRC) beams is a key concern in the design and/or retrofit processes for an RC structure during its life-cycle. In this paper, we developed a machine learning (ML)-based approach for predicting the residual shear strength of CRC beams at different service times. To achieve this goal, we collected 158 shear tests of CRC beams and adopted one of the most representative ensemble ML algorithms, i.e., the gradient boosting regression tree (GBRT), to establish a predictive model for the shear strength. Six dimensionless variables indicating geometric dimensions, material properties, reinforcing details and the corrosion extent of the beam are set as the inputs while the shear strength is set as the output. 70% data are used as training set and the remaining 30% is used to evaluate the model performance. The results indicate that the model produces excellent predictions with an average R2 over 0.9. Moreover, five empirical shear strength models for CRC beam are also used for verifying the proposed GBRT model, which demonstrates that the proposed model has a distinct superior performance. Finally, a mechanical model is used to calculate the corrosion extent of reinforcements and thus a time-dependent shear strength prediction approach for CRC beams is developed based on the ML-based model. The proposed time-dependent prediction model is capable to provide the shear strength of CRC beams with any given service time.

یک مدل مقاومت برشی وابسته به زمان مبتنی بر یادگیری ماشین برای تیره‌ای بتن مسلح خورده‌شده

مقاومت برشی تیره‌ای بتن مسلح خورده‌شده (CRC)یک نگرانی کلیدی در طراحی و / یا فرآیندهای مقاوم‌سازی برای یک سازه RC در طول چرخه عمر آن است. در این مقاله، ما یک روش مبتنی بر یادگیری ماشین (ML)را برای پیش‌بینی مقاومت برشی باقی مانده تیره‌ای CRC در زمان‌های سرویس مختلف توسعه دادیم. برای رسیدن به این هدف، ما ۱۵۸ تست برشی تیره‌ای CRC را جمع‌آوری کردیم و یکی از بهترین الگوریتم های ML جمعی، یعنی، درخت رگرسیون تقویت گرادیان (GBRT)را برای ایجاد یک مدل پیش‌بینی برای مقاومت برشی انتخاب کردیم. شش متغیر بدون بعد نشان‌دهنده ابعاد هندسی، خواص مواد، جزئیات تقویت و میزان خوردگی تیر به عنوان ورودی در نظر گرفته شده‌اند در حالی که مقاومت برشی به عنوان خروجی در نظر گرفته شده‌است. ۷۰ % داده‌ها به عنوان مجموعه آموزشی و ۳۰ % مابقی برای ارزیابی عملکرد مدل مورد استفاده قرار گرفته‌است. علاوه بر این، پنج مدل مقاومت برشی تجربی برای تیر CRC نیز برای تایید مدل GBRT پیشنهادی مورد استفاده قرار می‌گیرند، که نشان می‌دهد مدل پیشنهادی عملکرد بهتری دارد. در نهایت، یک مدل مکانیکی برای محاسبه میزان خوردگی آرماتورها استفاده می‌شود و بنابراین یک روش پیش‌بینی مقاومت برشی وابسته به زمان برای تیره‌ای CRC براساس مدل مبتنی بر ML توسعه داده می‌شود. مدل پیش‌بینی وابسته به زمان پیشنهادی قادر به ارائه مقاومت برشی تیره‌ای CRC با هر زمان سرویس داده‌شده می‌باشد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Mechanics of Materials
  • ترجمه مقاله Mechanics of Materials
  • مقاله مکانیک مواد
  • ترجمه مقاله مکانیک مواد
  • مقاله Civil and Structural Engineering
  • ترجمه مقاله Civil and Structural Engineering
  • مقاله مهندسی عمران و طراحی ساختار
  • ترجمه مقاله مهندسی عمران و طراحی ساختار
  • مقاله Architecture
  • ترجمه مقاله Architecture
  • مقاله معماری
  • ترجمه مقاله معماری
  • مقاله Building and Construction
  • ترجمه مقاله Building and Construction
  • مقاله ساختمان‌سازی و ساخت و ساز
  • ترجمه مقاله ساختمان‌سازی و ساخت و ساز
  • مقاله Safety, Risk, Reliability and Quality
  • ترجمه مقاله Safety, Risk, Reliability and Quality
  • مقاله ایمنی، ریسک، قابلیت اعتماد و کیفیت
  • ترجمه مقاله ایمنی، ریسک، قابلیت اعتماد و کیفیت
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.