Comparaison de divers algorithmes d'apprentissage automatique utilisés pour prédire la résistance à la compression des fibres d'acier

Rapports scientifiques volume 13, Numéro d'article : 3646 (2023) Citer cet article

2121 Accès

5 citations

11 Altmétrique

Détails des métriques

L'ajout de fibres d'acier industrielles crochetées (ISF) au béton augmente sa résistance à la traction et à la flexion. Cependant, la compréhension de l'influence de l'ISF sur le comportement en résistance à la compression (CS) du béton est encore remise en question par la société scientifique. L'article présenté vise à utiliser des algorithmes d'apprentissage automatique (ML) et d'apprentissage profond (DL) pour prédire le CS du béton renforcé de fibres d'acier (SFRC) intégrant l'ISF accroché sur la base des données collectées dans la littérature ouverte. En conséquence, 176 ensembles de données sont collectés à partir de différentes revues et articles de conférence. Sur la base de l'analyse de sensibilité initiale, les paramètres les plus influents tels que le rapport eau/ciment (E/C) et la teneur en granulats fins (FA) ont tendance à diminuer le CS du SFRC. Pendant ce temps, le CS du SFRC pourrait être amélioré en augmentant la quantité de superplastifiant (SP), de cendres volantes et de ciment (C). Les facteurs les moins contributifs comprennent la taille maximale des agrégats (Dmax) et le rapport longueur/diamètre des ISF accrochés (L/DISF). Plusieurs paramètres statistiques sont également utilisés comme mesures pour évaluer les performances des modèles mis en œuvre, tels que le coefficient de détermination (R2), l'erreur absolue moyenne (MAE) et la moyenne de l'erreur quadratique (MSE). Parmi les différents algorithmes ML, le réseau neuronal convolutif (CNN) avec R2 = 0,928, RMSE = 5,043 et MAE = 3,833 montre une précision plus élevée. D'autre part, l'algorithme K-plus proche voisin (KNN) avec R2 = 0,881, RMSE = 6,477 et MAE = 4,648 entraîne les performances les plus faibles.

Le ML est une technique informatique destinée à simuler l’intelligence humaine et à accélérer le processus informatique grâce à un apprentissage et une évolution continus. Les techniques de ML ont été mises en œuvre efficacement dans plusieurs secteurs, notamment les équipements médicaux et biomédicaux, le divertissement, la finance et les applications d'ingénierie. Le ML peut être utilisé en génie civil dans divers domaines tels que le développement des infrastructures, la surveillance de l'état des structures et la prévision des propriétés mécaniques des matériaux. Plus précisément, de nombreuses études ont été menées pour prédire les propriétés du béton1,2,3,4,5,6,7

L’un des inconvénients du béton en tant que matériau fragile est sa faible résistance à la traction et sa faible capacité de déformation. Par conséquent, divers types de fibres sont ajoutés pour augmenter la capacité de charge en traction du béton. Pour générer du béton fibré (FRC), les fibres utilisées sont généralement courtes, discontinues et dispersées de manière aléatoire dans la matrice de béton8. Jusqu'à présent, les fibres étaient principalement utilisées pour améliorer le comportement des éléments structurels à des fins d'entretien. Cependant, l'ajout d'ISF dans le béton et la production du SFRC peuvent également fournir une capacité de résistance supplémentaire ou servir de renforcement principal des éléments structurels. De nos jours, pour la production de structures en béton préfabriquées et in situ, le SFRC est de plus en plus accepté comme (a) le renforcement secondaire pour des scénarios de charges temporaires, l'arrêt des fissures de retrait, la limitation des microfissures se produisant pendant le transport ou l'installation d'éléments préfabriqués (comme le revêtement de tunnel). segments), (b) substitution partielle du renforcement conventionnel, c'est-à-dire les systèmes de renforcement hybrides, et (c) remplacement total du renforcement typique dans les éléments exposés à la compression, par exemple les structures à coque mince, les dalles appuyées au sol, les fondations, et revêtements de tunnel9. Incontestablement, l’un des obstacles empêchant l’utilisation de fibres dans des applications structurelles a été la difficulté de calculer les propriétés FRC (en particulier le comportement CS) qui devraient être incluses dans les techniques de conception actuelles10.

En conséquence, de nombreuses études expérimentales ont été menées pour étudier le CS du SFRC. Han et al.11 ont rapporté que la longueur de l'ISF (LISF) a un effet insignifiant sur le CS du SFRC. Setti et al.12 ont également introduit l'ISF avec différentes fractions volumiques (VISF) dans le béton et ont signalé l'amélioration du CS du SFRC en augmentant la teneur en ISF. Zhu et al.13 ont remarqué une augmentation linéaire du CS en augmentant le VISF de 0 à 2,0 %. Malgré l'amélioration du CS des bétons à résistance normale incorporant l'ISF, aucun changement significatif du CS n'est obtenu pour les mélanges de béton à haute performance en augmentant le VISF14,15. Cela met en évidence le rôle d'autres composants du mélange (comme le rapport E/C, la taille des granulats et la teneur en ciment) sur le comportement CS du SFRC. Par conséquent, en raison de la difficulté de la prédiction CS par analyse de régression linéaire ou non linéaire, des modèles basés sur les données sont mis en pratique pour une prédiction CS précise du SFRC.