Over the past few decades, it has been observed a remarkable progression in the development of computer aid models in the field of civil engineering. Machine learning models provide a reliable and robust alternative modeling design for solving complex engineering issues. The current study introduced three versions of newly explored ensemble machine learning models [extreme gradient boosting (XGBoost), multivariate adaptive regression spline (MARS) and random forest (RF)] for fiber-reinforced polymer (FRP) composite strain prediction. An experimental dataset were collected from the literature with total number of 729 experiments. The dataset is presented the FRP strain and its influential parameters including material geometry, strength properties, strain properties, FRP properties, and confinement properties. Five different input combination were built for the prediction process of the FRP composite strain. The current research results were validated against the well-established literature review empirical formulations and the machine learning models. In general, the modeling results confirmed the capacity of the proposed new ML models in predicting the strain enhancement ratio. The fifth input combination incorporated all the predators attained the best modeling accuracy results. However, the developed MARS model could achieve acceptable and superior prediction results using only strain properties parameters. Overall, the research finding confirmed the significant of the proposed ensemble ML as reliable alternative computer aid model for solving strain enhancement ratio problem.

在过去的几十年中，已经观察到在土木工程领域中计算机辅助模型的发展取得了显着进展。机器学习模型为解决复杂的工程问题提供了可靠而健壮的替代建模设计。当前的研究介绍了三个版本的新探索的集成机器学习模型[极端梯度增强（XGBoost），多元自适应回归样条（MARS）和随机森林（RF）]，用于预测纤维增强聚合物（FRP）复合应变。从文献中收集了总共729个实验的实验数据集。数据集显示了FRP应变及其影响参数，包括材料几何形状，强度特性，应变特性，FRP特性和约束特性。为FRP复合应变的预测过程建立了五个不同的输入组合。当前的研究结果已针对成熟的文献综述经验公式和机器学习模型进行了验证。通常，建模结果证实了所提出的新ML模型在预测应变增强率方面的能力。第五种输入组合结合了所有捕食者，获得了最佳的建模精度结果。但是，仅使用应变特性参数，已开发的MARS模型可以实现可接受且优越的预测结果。总体而言，研究发现证实了所提出的集成学习机作为解决应变增强比问题的可靠替代计算机辅助模型的意义。当前的研究结果已针对成熟的文献综述经验公式和机器学习模型进行了验证。通常，建模结果证实了所提出的新ML模型在预测应变增强率方面的能力。第五种输入组合结合了所有捕食者，获得了最佳的建模精度结果。但是，仅使用应变特性参数，已开发的MARS模型可以实现可接受且优越的预测结果。总体而言，研究发现证实了所提出的集成学习机作为解决应变增加率问题的可靠替代计算机辅助模型的意义。当前的研究结果已针对成熟的文献综述经验公式和机器学习模型进行了验证。通常，建模结果证实了所提出的新ML模型在预测应变增强率方面的能力。第五种输入组合结合了所有捕食者，获得了最佳的建模精度结果。但是，仅使用应变特性参数，已开发的MARS模型可以实现可接受且优越的预测结果。总体而言，研究发现证实了所提出的集成学习机作为解决应变增强比问题的可靠替代计算机辅助模型的意义。建模结果证实了所提出的新的ML模型在预测应变增强率方面的能力。第五种输入组合结合了所有捕食者，获得了最佳的建模精度结果。但是，仅使用应变特性参数，已开发的MARS模型可以实现可接受且优越的预测结果。总体而言，研究发现证实了所提出的集成学习机作为解决应变增强比问题的可靠替代计算机辅助模型的意义。建模结果证实了所提出的新的ML模型在预测应变增强率方面的能力。第五种输入组合结合了所有捕食者，获得了最佳的建模精度结果。但是，仅使用应变特性参数，已开发的MARS模型可以实现可接受且优越的预测结果。总体而言，研究发现证实了所提出的集成学习机作为解决应变增强比问题的可靠替代计算机辅助模型的意义。