Machine learning-based predictive modeling of fire resistance of FRP-strengthened concrete beams. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis-Wijdane-Kachach-eprint.pdf Restricted to Repository staff only until 8 June 2027. Download (2MB)

Arabic Abstract

عد التنبؤ الدقيق بمقاومة الحريق للجوائز الخرسانية المسلحة والمقواة بألياف البوليمر المقوى (FRP) أمرًا بالغ الأهمية في هندسة الحريق المعتمدة على الأداء. ومع ذلك، فإن الاختبارات التجريبية غالبًا ما تكون مكلفة وأقل موثوقية. في هذه الدراسة، تم اقتراح إطار عمل قائم على التعلم الآلي القابل للتفسير للتنبؤ بمقاومة الحريق للجوائز الخرسانية المسلحة المقواة بـ FRP باستخدام عوامل مهمة مثل الخصائص الهندسية وخصائص المواد وظروف التحميل. تم تقييم ثلاث خوارزميات من التعلم الجماعي: خوارزميات قائمة على التجميع (Random Forest و Extra Trees)، وخوارزمية قائمة على التعزيز (XGBoost)، حيث يقلل التجميع من تباين النموذج، بينما يعمل التعزيز على تحسين الدقة من خلال .تصحيح أخطاء التنبؤ، كما تم تحسينه من خلال ضبط (K-Fold)تم التحقق من أداء النماذج باستخدام أسلوب التحقق المتقاط المعاملات الفائقة باستخدام البحث العشوائي، والتحسين البايزي، والخوارزمية الجينية. وقد تم اختيار هذه التقنيات لكفاءتها في استكشاف فضاء المعاملات الفائقة وتحقيق توازن مناسب بين الاستكشاف والاستغلال .في المشكلات غير الخطية المعقدة تم تحقيق أفضل أداء باستخدام خوارزمية XGBoost بعد تحسينها باستخدام Optuna،حيث بلغت قيمة معامل التحديد (R²) 0.7938 وخطأ الجذر التربيعي المتوسط (RMSE) 24.26 دقيقة. كما تم التحقق من صحة النموذج المقترح باستخدام مجموعة بيانات تجريبية جديدة بالكامل، حيث حقق قيمة R² بلغت 0.8987(R²) وقيمة RMSE منخفضة بلغت 15.15 دقيقة ولزيادة الشفافية وقابلية التفسير الهندسي، تم استخدام تقنيات التعلم الآلي القابل للتفسير لتحليل أهمية لمتغيرات. وأظهرت النتائج أن المعلمات المتعلقة بالعزل، وخاصة سماكة العزل، لها تأثير كبير في التحكم بمقاومة الحريق. ويوفر الإطار المقترح أداة موثوقة وقابلة للتفسير للتنبؤ بمقاومة الحريق في .هندسة الحريق الإنشائية

English Abstract

The accurate prediction of fire resistance of FRP-strengthened reinforced concrete beams is critical to performance-based fire engineering. However, experimental testing is often costly and less reliable. In this study, an explainable machine learning framework is proposed to predict the fire resistance of FRP-strengthened RC beams using key factors such as geometry, material properties, and loading conditions. Three ensemble learning algorithms were evaluated: bagging-based algorithms (Random Forest and Extra Trees), and a boosting-based algorithm (XGBoost). While bagging reduces the variance of the model, boosting improves accuracy by correcting prediction errors. Model performance was validated through K-Fold cross-validation and was further improved through the optimization of hyperparameters using random search, Bayesian optimization, and a genetic algorithm. These optimization techniques were chosen for efficient exploration of the hyperparameter space and for improving model performance through an appropriate balance between exploration and exploitation for complex nonlinear problems. The best performance was achieved by XGBoost optimized with Optuna, yielding an R² of 0.7938 and RMSE of 22.20 minutes. The proposed model was further validated using an independent experimental dataset, achieving a high R² of 0.8987, RMSE of 15.15 minutes, and MAPE of 10.96%. To increase transparency and engineering interpretability, explainable ML methods were used for the analysis of feature importance. The results verified that insulation-related parameters, especially insulation thickness, along with beam geometry, are significant in controlling fire resistance. The proposed framework provides a reliable and interpretable tool for predicting fire resistance in structural fire engineering.

Item Type:	Thesis (Masters)
Subjects:	Civil Engineering > Structural Engineering
Department:	College of Design and Built Environment > Civil and Environmental Engineering
Thesis Advisor:	Asad Hanif,
Thesis Committee Members:	Faisal Mukhtar,
Depositing User:	WIJDANE KACHACH
Date Deposited:	09 Jun 2026 06:04
Last Modified:	09 Jun 2026 06:04
URI:	https://eprints.kfupm.edu.sa/id/eprint/144528