Resumen

La energía de fractura siempre se utiliza para representar el rendimiento de fractura de estructuras/vigas de concreto, lo cual es crucial para la aplicación del concreto. Sin embargo, debido a la naturaleza del material de concreto y la complejidad del proceso de fractura, es difícil determinar con precisión la energía de fractura del concreto y predecir el comportamiento de fractura de diferentes estructuras de concreto. En este estudio, se probaron enfoques de inteligencia artificial para buscar una forma factible de resolver estos problemas de predicción. En primer lugar, se seleccionaron la regresión de crestas (RR), el árbol de clasificación y regresión (CART) y el árbol de regresión de aumento de gradiente (GBRT) para construir los modelos predictivos. Luego, se ajustaron los hiperparámetros con el algoritmo de optimización de enjambre de partículas (PSO); se compararon las actuaciones de estos tres modelos óptimos con el conjunto de datos de prueba. Los errores cuadráticos medios (MSEs) de

• Materias:Elementos finitos Análisis de estabilidad Energía histerética Seguridad en la ingeniería civil Tensión-deformación
• Subjects:Finite elements Stability analysis Hysteretic energy Safety in civil engineering Stress-strain
• Palabras claves:Energía de fractura; Estructuras de concreto; Inteligencia artificial; Modelos predictivos; Regresión de crestas; árbol de regresión de aumento de gradiente
• Keywords:Fracture energy; Concrete structures; Artificial intelligence; Predictive models; Ridge regression; Gradient boosting regression tree