机器学习模型用于矩形钢筋混凝土柱剪切强度预测和破坏模式识别

摘要整理

矩形钢筋混凝土（RC）柱的剪切强度测定和破坏模式识别是结构设计和性能评估的关键步骤。然而，现行设计规范和指南对RC柱破坏类型的控制因素缺乏明确的详细规程。本研究采用多种机器学习（ML）模型预测矩形RC柱的剪切强度并识别其破坏模式。开发了6种ML模型，包括多元自适应回归样条（MARS）、朴素贝叶斯（NB）、K近邻算法（KNN）、决策树（DT）、支持向量机（SVM）和人工神经网络（ANN），用于计算剪切强度和分类矩形RC柱的破坏模式。研究收集了文献中541组实验数据样本用于模型开发。结果表明，ANN和KNN模型在预测矩形RC柱剪切强度方面优于其他ML模型，R²值均大于0.99。此外，KNN模型在识别矩形RC柱破坏模式方面达到最高准确率，大多数情况下准确率为100%。基于ANN和KNN模型的优异性能，研究还开发了图形用户界面（GUI），可快速预测矩形RC柱的剪切强度和破坏模式。

相关论文