Published November 14, 2023
| Version v1
Publication
Open
Data-driven prediction of the shear capacity of ETS-FRP-strengthened beams in the hybrid 2PKT–ML approach
- 1. Chulalongkorn University
- 2. Van Lang University
- 3. Ho Chi Minh City University of Technology
- 4. Vietnam National University Ho Chi Minh City
Description
Abstract A new approach that combines analytical two-parameter kinematic theory (2PKT) with machine learning (ML) models for estimating the shear capacity of embedded through-section (ETS)-strengthened reinforced concrete (RC) beams is proposed. The 2PKT was first developed to validate its representativeness and confidence against the available experimental data of ETS-retrofitted RC beams. Given the deficiency of the test data, the developed 2PKT was utilized to generate a large data pool with 2643 samples. The aim was to optimize the ML algorithms, namely, the random forest, extreme gradient boosting (XGBoost), light gradient boosting machine, and artificial neural network (ANN) algorithm. The optimized ANN model exhibited the highest accuracy in predicting the total shear strength of ETS-strengthened beams and ETS shear contribution. In terms of predicting the total shear strength of ETS-strengthened beams, the ANN model achieved R 2 values of 0.99, 0.98, and 0.96 for the training, validation, and testing data, respectively. By contrast, the ANN model could predict ETS shear contribution with high accuracy, with R 2 values of 0.99, 0.99, and 0.97 for the training, validation, and testing data, respectively. Then, the effects of all design variables on the shear capacity of the ETS-strengthened beams were investigated using the hybrid 2PKT–ML. The obtained trends could well appraise the reasonability of the proposed approach.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يُقترح نهج جديد يجمع بين النظرية الحركية التحليلية ذات المعلمتين (2PKT) ونماذج التعلم الآلي (ML) لتقدير قدرة القص لعوارض الخرسانة المسلحة المعززة المضمنة (ETS). تم تطوير 2PKT لأول مرة للتحقق من تمثيلها وثقتها مقابل البيانات التجريبية المتاحة لعوارض RC المعدلة ETS. نظرًا لنقص بيانات الاختبار، تم استخدام 2PKT المطور لإنشاء مجموعة بيانات كبيرة تضم 2643 عينة. كان الهدف هو تحسين خوارزميات التعلم الآلي، أي الغابة العشوائية، وتعزيز التدرج الشديد (XGBoost)، وآلة تعزيز التدرج الضوئي، وخوارزمية الشبكة العصبية الاصطناعية (ANN). أظهر نموذج ANN المحسن أعلى دقة في التنبؤ بمجموع قوة القص للحزم المعززة بـ ETS ومساهمة القص ETS. من حيث التنبؤ بمقاومة القص الإجمالية للحزم المعززة بـ ETS، حقق نموذج ANN قيم R 2 من 0.99 و 0.98 و 0.96 لبيانات التدريب والتحقق من الصحة والاختبار، على التوالي. على النقيض من ذلك، يمكن أن يتنبأ نموذج ANN بمساهمة القص ETS بدقة عالية، مع قيم R 2 من 0.99 و 0.99 و 0.97 لبيانات التدريب والتحقق من الصحة والاختبار، على التوالي. بعد ذلك، تم التحقيق في تأثيرات جميع متغيرات التصميم على سعة القص للعوارض المعززة بـ ETS باستخدام 2PKT - ML الهجين. يمكن للاتجاهات التي تم الحصول عليها أن تقيم معقولية النهج المقترح.Translated Description (French)
Résumé Une nouvelle approche qui combine la théorie cinématique analytique à deux paramètres (2PKT) avec des modèles d'apprentissage automatique (ML) pour estimer la capacité de cisaillement des poutres en béton armé (RC)renforcées par des sections traversantes intégrées (ETS) est proposée. Le 2PKT a d'abord été développé pour valider sa représentativité et sa confiance par rapport aux données expérimentales disponibles des faisceaux RC rééquipés de l'ETS. Compte tenu de la déficience des données de test, le 2PKT développé a été utilisé pour générer un grand pool de données avec 2643 échantillons. L'objectif était d'optimiser les algorithmes ML, à savoir la forêt aléatoire, l'amplification de gradient extrême (XGBoost), la machine d'amplification de gradient de lumière et l'algorithme de réseau neuronal artificiel (ANN). Le modèle ANN optimisé a montré la plus grande précision dans la prédiction de la résistance totale au cisaillement des poutres renforcées par l'ETS et de la contribution au cisaillement de l'ETS. En termes de prédiction de la résistance totale au cisaillement des poutres renforcées par ETS, le modèle ANN a atteint des valeurs R 2 de 0,99, 0,98 et 0,96 pour les données d'entraînement, de validation et de test, respectivement. En revanche, le modèle ANN pourrait prédire la contribution du cisaillement ETS avec une grande précision, avec des valeurs R 2 de 0,99, 0,99 et 0,97 pour les données de formation, de validation et de test, respectivement. Ensuite, les effets de toutes les variables de conception sur la capacité de cisaillement des poutres renforcées par ETS ont été étudiés à l'aide du 2PKT-ML hybride. Les tendances obtenues pourraient bien évaluer le caractère raisonnable de l'approche proposée.Translated Description (Spanish)
Resumen Se propone un nuevo enfoque que combina la teoría cinemática analítica de dos parámetros (2PKT) con modelos de aprendizaje automático (ML) para estimar la capacidad de corte de vigas de hormigón armado (RC)reforzadas con ETS. El 2PKT se desarrolló por primera vez para validar su representatividad y confianza frente a los datos experimentales disponibles de vigas RC reacondicionadas con ETS. Dada la deficiencia de los datos de prueba, el 2PKT desarrollado se utilizó para generar un gran conjunto de datos con 2643 muestras. El objetivo era optimizar los algoritmos de ML, a saber, el bosque aleatorio, el aumento de gradiente extremo (XGBoost), la máquina de aumento de gradiente de luz y el algoritmo de red neuronal artificial (ANN). El modelo ANN optimizado exhibió la mayor precisión en la predicción de la resistencia total al cizallamiento de las vigas reforzadas con ETS y la contribución al cizallamiento de ETS. En términos de predecir la resistencia total al corte de las vigas reforzadas con ETS, el modelo ANN alcanzó valores de R 2 de 0,99, 0,98 y 0,96 para los datos de entrenamiento, validación y prueba, respectivamente. Por el contrario, el modelo ANN podría predecir la contribución de cizallamiento de ETS con alta precisión, con valores de R 2 de 0,99, 0,99 y 0,97 para los datos de entrenamiento, validación y prueba, respectivamente. Luego, se investigaron los efectos de todas las variables de diseño sobre la capacidad de corte de las vigas reforzadas con ETS utilizando el híbrido 2PKT–ML. Las tendencias obtenidas bien podrían evaluar la razonabilidad del enfoque propuesto.Files
s41598-023-47064-1.pdf.pdf
Files
(9.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:c18b2f414dcc219c96d8fba9a2ad97e7
|
9.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ القائم على البيانات لسعة القص للحزم المعززة بـ ETS - FRP في نهج 2PKT - ML الهجين
- Translated title (French)
- Prévision basée sur les données de la capacité de cisaillement des poutres renforcées ETS-FRP dans l'approche hybride 2PKT-ML
- Translated title (Spanish)
- Predicción basada en datos de la capacidad de corte de vigas reforzadas con ETS-FRP en el enfoque híbrido 2PKT-ML
Identifiers
- Other
- https://openalex.org/W4388658227
- DOI
- 10.1038/s41598-023-47064-1
References
- https://openalex.org/W1437335841
- https://openalex.org/W1519926657
- https://openalex.org/W1868132100
- https://openalex.org/W1990232900
- https://openalex.org/W1995893441
- https://openalex.org/W2006029589
- https://openalex.org/W2029824102
- https://openalex.org/W2033533299
- https://openalex.org/W2056166859
- https://openalex.org/W2062848325
- https://openalex.org/W2076788634
- https://openalex.org/W2140613023
- https://openalex.org/W2183484933
- https://openalex.org/W2227036489
- https://openalex.org/W2515821618
- https://openalex.org/W2517458903
- https://openalex.org/W2594042255
- https://openalex.org/W2782306129
- https://openalex.org/W2788697198
- https://openalex.org/W2889467236
- https://openalex.org/W2891514193
- https://openalex.org/W2900587464
- https://openalex.org/W2911964244
- https://openalex.org/W2916056898
- https://openalex.org/W2926922812
- https://openalex.org/W2944807873
- https://openalex.org/W2946625446
- https://openalex.org/W2946909065
- https://openalex.org/W2965412179
- https://openalex.org/W2969451770
- https://openalex.org/W2982856675
- https://openalex.org/W2990179760
- https://openalex.org/W2990293880
- https://openalex.org/W2993954761
- https://openalex.org/W2999671903
- https://openalex.org/W2999936873
- https://openalex.org/W3007765294
- https://openalex.org/W3030280300
- https://openalex.org/W3034036008
- https://openalex.org/W3042860268
- https://openalex.org/W3042996236
- https://openalex.org/W3044654751
- https://openalex.org/W3087786830
- https://openalex.org/W3093573942
- https://openalex.org/W3095264589
- https://openalex.org/W3102476541
- https://openalex.org/W3107262792
- https://openalex.org/W3124047358
- https://openalex.org/W3131046868
- https://openalex.org/W3163921251
- https://openalex.org/W3179009462
- https://openalex.org/W3183409749
- https://openalex.org/W3185256938
- https://openalex.org/W3198610489
- https://openalex.org/W3207942183
- https://openalex.org/W3212264118
- https://openalex.org/W4200505552
- https://openalex.org/W4207073938
- https://openalex.org/W4210543791
- https://openalex.org/W4220823187
- https://openalex.org/W4224044742
- https://openalex.org/W4224234384
- https://openalex.org/W4226488103
- https://openalex.org/W4248083651
- https://openalex.org/W4281696387
- https://openalex.org/W4283011261
- https://openalex.org/W4283323150
- https://openalex.org/W4284680168
- https://openalex.org/W4293688456
- https://openalex.org/W4295778093
- https://openalex.org/W4297498229
- https://openalex.org/W4304172376
- https://openalex.org/W4304892322
- https://openalex.org/W4306790314
- https://openalex.org/W4310222554
- https://openalex.org/W4312179720
- https://openalex.org/W4318617110
- https://openalex.org/W4319336242
- https://openalex.org/W4321117002
- https://openalex.org/W4323050760
- https://openalex.org/W4383822056
- https://openalex.org/W4386925647