Maschinelles Lernen-basierte Vorhersage der Druckfestigkeit in runden mit FRP umhüllten Betonsäulen

Diese Forschung zielt darauf ab, die Druckfestigkeit von mit FRP umhüllten Säulen mithilfe von Modellen des maschinellen Lernens zu bewerten. Durch die systematische Organisation von Codes und Modellen, die von verschiedenen Forschern vorgeschlagen wurden, wurden signifikante Indikatoren identifiziert, die die Druckfestigkeit beeinflussen. Eine umfassende Datenbank mit 366 Proben, einschließlich sowohl CFRP als auch GFRP, wurde erstellt. Basierend auf dieser Datenbank wurde ein Modell des maschinellen Lernens entwickelt, um die Druckfestigkeit genau vorherzusagen. Eine gründliche Bewertung wurde durchgeführt, um die von Codes und Forschern vorgeschlagenen Modelle zu vergleichen. Darüber hinaus wurde eine detaillierte Analyse der Parameter unter Verwendung des XGBoost-Modells durchgeführt. Die Ergebnisse heben die Bedeutung sowohl von codespezifischen als auch von forscherspezifischen Modellen hervor, um unser Verständnis der Druckfestigkeit zu verbessern. Allerdings zeigen bestimmte Modelle Tendenzen zu konservativen oder überschätzten Vorhersagen, was auf die Notwendigkeit einer weiteren Genauigkeitserhöhung hinweist. Unter den betrachteten Modellen wies das XGBoost-Modell die höchste Anpassungsgüte (0,97) und den niedrigsten Variationskoeffizienten (8 %) auf, was es zu einer geeigneten Wahl für die Untersuchung der Druckfestigkeit macht. Bedeutende Parameter, die die Druckfestigkeit erheblich beeinflussen, sind die FRP-Dicke, das elastische Modул und die Betonfestigkeit.