Bestehende Berechnungsmodelle für Spitzenparameter der Spannungs-Dehnungs-Kurve bei eindimensionaler Druckbelastung von Beton, der durch korrodierte Bügel bewehrt ist, weisen allgemein eine unzureichende Generalisierungsfähigkeit über Datensätze hinweg auf, was deren Anwendung in der Praxis erheblich einschränkt. Basierend auf axialen Druckversuchsdaten von 112 Betonstützen mit kreisförmigem Querschnitt, die mit korrodierten Bügeln bewehrt sind, wurden sechs Algorithmen zur Vorhersage der Spitzenspannung und Spitzenverformung der Spannungs-Dehnungs-Kurve eingesetzt: Support Vector Regression (SVR), künstliche neuronale Netze (ANN), Extreme Gradient Boosting (XGBoost), K-Nearest Neighbors (KNN), CATboost und Random Forest (RF). Zusätzlich wurde eine erklärbare Analyse mit der SHAP-Methode durchgeführt. Die Ergebnisse zeigen, dass SVR die beste Leistung bei der Vorhersage der Spitzenspannung und Spitzenverformung erbrachte, mit Bestimmtheitskoeffizienten (R²) von 0,940 bzw. 0,938 im Testsatz. Die SHAP-Analyse zeigte, dass unter Berücksichtigung der Reduktion der Nettoquerschnittsfläche und der Streckgrenze der Bewehrung durch Korrosion die Korrosion von Längsbewehrung und Bügeln weiterhin einen nicht zu vernachlässigenden zusätzlichen Einfluss auf das axiale mechanische Verhalten von Beton mit korrodierten Bügeln ausübt. Im Vergleich zu bestehenden empirischen Modellen übertrafen die entwickelten Modelle die traditionellen in der Genauigkeit der Vorhersage von Spitzenparametern und zeigten eine gute Generalisierungsfähigkeit.

korrodierte Bügel;Stahlbeton;maschinelles Lernen;einachsige Druckbeanspruchung;Spitzenparameter;Konstitutivmodell