Development of Design-Oriented Bond Strength Equations for FRP Bars Embedded in Concrete Exposed to Elevated Temperatures Using Explainable Machine Learning
Deze studie ontwikkelt een hybride WOA–ETR machine learning-model om de hechststerkte van FRP-staven in beton onder verhoogde temperaturen nauwkeurig te voorspellen, maakt gebruik van SHAP-analyse om de belangrijkste beïnvloedende factoren te identificeren, en afgeleide robuuste, fysiek interpreteerbare ontwerngelijkheden op basis van deze inzichten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Beton is de ruggengraat van de moderne infrastructuur, maar de stalen staven die erin verborgen zitten kunnen na verloop van tijd roesten en verzwakken, vooral in barre, zoute of vochtige omgevingen. Om dit op te lossen, hebben ingenieurs zich gericht op vezelversterkte polymeerstaven, een type wapening gemaakt van sterke vezels die zijn ingesloten in een kunsthars. Deze staven roesten niet, zijn lichter dan staal en geleiden geen elektriciteit, waardoor ze ideaal zijn voor bruggen en gebouwen in corrosieve omstandigheden. Deze op kunststof gebaseerde staven hebben echter een kritieke zwakte: ze zijn gevoelig voor hitte. Wanneer ze worden blootgesteld aan hoge temperaturen, kan de hars die de vezels bij elkaar houdt, zachter worden en degraderen, net zoals de was van een kaars zijn vorm verliest in de zon. Dit verzachten verzwakt de cruciale grip, of hechting, tussen de staaf en het omliggende beton. Als deze hechting faalt, kan de structuur zijn sterkte verliezen, toch is het voorspellen van precies hoeveel grip er nog overblijft na een brand of hitteblootstelling een moeilijke puzzel gebleven voor ingenieurs.
Een team van onderzoekers zette zich in om dit puzzelstuk op te lossen door traditionele technische gegevens te combineren met geavanceerd computergestuurd leren. Ze verzamelden een enorme collectie van 132 echte experimenten waarbij deze polymeerstaven uit betonblokken werden getrokken nadat ze waren verhit tot verschillende temperaturen, variërend van kamertemperatuur tot 600 graden Celsius. Het doel was om een betrouwbare manier te vinden om te voorspellen hoe sterk de hechting zou zijn onder deze omstandigheden. In plaats van te vertrouwen op eenvoudige formules die vaak de complexiteit van de situatie missen, gebruikten de onderzoekers een geavanceerd computermodel. Ze trainden dit model met een techniek genaamd extra trees regressie, die veel beslissingsbomen bouwt om patronen in de gegevens te vinden, en verfijnden het vervolgens met een whale optimization algorithm. Deze tweede stap werkt als een slimme zoekmachine die de instellingen van het model voortdurend aanpast om de meest nauwkeurige manier te vinden om de resultaten te voorspellen, wat de manier nabootst waarop bultrugwalvissen gecoördineerd jagen.
Het computermodel bleek opmerkelijk nauwkeurig en voorspelde de hechtsterkte correct in 94,2 procent van de testgevallen. Belangrijker nog, de onderzoekers wilden niet alleen een "black box" die antwoorden gaf zonder uitleg. Ze gebruikten speciale instrumenten om in het model te kijken en te begrijpen welke factoren het belangrijkst waren. Ze ontdekten dat de temperatuur waaraan de staaf werd blootgesteld de meest cruciale factor was, gevolgd door de textuur van het oppervlak van de staaf en hoeveel beton de staaf bedekte. Terwijl traditionele technische wijsheid vaak de nadruk legt op de sterkte van het beton zelf, toonde deze studie aan dat voor deze specifieke staven bij hoge hitte, de temperatuur en de oppervlaktetextuur van de staaf veel doorslaggevender waren. Het model onthulde ook dat de lengte van de staaf die in het beton is ingebed, de manier waarop de hechting zich gedraagt op verschillende manieren veranderde, wat suggereert dat één enkele formule niet elke situatie kan beschrijven.
Om deze bevindingen bruikbaar te maken voor het echte ontwerp, vertaalden de onderzoekers de inzichten van de computer naar duidelijke, praktische vergelijkingen. Ze realiseerden zich dat omdat de hechting anders reageert afhankelijk van hoe lang de staaf in het beton is begraven, ze de gegevens in drie groepen moesten splitsen: korte, medium en lange inbeddingslengtes. Voor de kortste staven deelden ze de gegevens verder in op basis van de oppervlaktetextuur van de staaf, zoals of deze met zand was gecoat of geribbeld was. Door aparte vergelijkingen te creëren voor elk van deze specifieke scenario's, produceerden ze formules die bijna onbevooroordeeld waren, wat betekent dat de voorspelde waarden bijna exact gelijk waren aan de werkelijke experimentele resultaten. Deze nieuwe vergelijkingen bieden ingenieurs een transparant en betrouwbaar instrument om veiligere constructies te ontwerpen die bestand zijn tegen hoge temperaturen, waarmee de kloof tussen complexe machine learning en praktische bouwveiligheid wordt overbrugd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.