Сортамент гладкой арматуры: Сортамент арматуры A1 и A3 (A500C) соответствующий ГОСТ 5781, таблица сортамента

Содержание

Вес арматуры А1 — сортамент по ГОСТ 5781-82

Арматура А1 – вид сортового проката с круглым поперечным сечением и гладкой поверхностью. Производится в соответствии с требованиями ГОСТа 5781-82 по технологии горячей прокатки. Основные области применения – изготовление арматурных каркасов, монтажных петель для железобетонных конструкций, штукатурных сеток, вольеров, ограждений, для устройства несъемной опалубки, армирования штукатурных слоев и стяжек пола.

Характеристики

При производстве этой продукции используется Ст3 различных степеней раскисления – кипящая, полуспокойная, спокойная. Изделия из полностью раскисленной стали (спокойной) применяются в ответственных конструкциях, предназначенных для восприятия высоких нагрузок. Прокат может выполняться термически упрочненным (Т) или упрочненным вытяжкой (В).

Основные физические характеристики:

  • предел текучести – 235 Н/мм2;
  • временное сопротивление разрыву – 373 Н/мм2;
  • относительное удлинение – не менее 25%.

Эксплуатационные свойства стальной арматуры А1 (А240):



  • Хорошая свариваемость, благодаря изготовлению из низкоуглеродистой стали.
  • Экологичность. Эта продукция имеет сертификаты безопасности о ее соответствии требованиям нормативной документации.
  • Возможность изгибания под углом, необходимым для создания конструкции.
  • Невысокая стойкость к воздействию коррозии. Повышается окрашиванием, цинкованием, алюмоцинкованием.
  • Меньшая стоимость, по сравнению с арматурой периодического профиля.

Сортамент арматуры А1


Согласно нормативной документации, продукция выпускается в диапазоне диаметров 6-40 мм. В продажу поступает бухтами – диаметром до 10 мм – или прутами длиной 6-12 мм. Вес изделий можно определить по формуле M = ρ* l*(π*d2)/4, в которой:

M – масса изделия, кг;

ρ – средняя плотность стали, принимаемая равной 7850 кг/м3;

π – 3,14;

d – диаметр поперечного сечения, м;

l – длина, м.

Еще один вариант вычисления массы партии арматуры – с использованием таблицы, по которой определяют массу 1 м, а затем эту величину умножают на общий метраж партии.

Таблица весов 1 м арматуры А1










Диаметр, мм

Площадь поперечного сечения, см2

Масса 1 м, кг

Кол-во метров в тонне

Диаметр, мм

Площадь поперечного сечения, см2

Масса 1 м, кг

Кол-во метров в тонне

6

0,283

0,222

4505

20

3,14

2,47

405

8

0,503

0,395

2532

22

3,8

2,98

336

10

0,785

0,617

1620

25

4,91

3,85

260

12

1,131

0,888

1126

28

6,16

4,83

207

14

1,54

1,21

826

32

8,04

6,31

158

16

2,01

1,58

633

36

10,18

7,99

125

18

2,54

2,0

500

40

12,57

9,87

101

Сортамент арматуры, таблицы классы, виды и размеры арматурного проката

Арматура (арматурный прокат, сталь горячекатаная для армирования железобетонных конструкций) — вид сортового металлопроката, имеющего в поперечном сечении круглую форму. Как правило, арматурный прокат используется в строительстве для увеличения прочности, усиления железобетонных конструкций.

Сортовой прокат — вид металлопроката не пустотелого сечения.


Металлобаза «Аксвил» продает оптом и в розницу:

• АРМАТУРУ РИФЛЕНУЮ А3 • АРМАТУРУ ГЛАДКУЮ А1 • АРМАТУРУ КОМПОЗИТНУЮ

Первый поставщик арматуры. Низкие оптовые и розничные цены. Консультация по выбору. Оформление заказа на сайте и в офисе. Нарезка в размер. Доставка по Беларуси, в том числе, и в выходные дни.

 

Арматура изготавливается из низкоуглеродистой, а также закаленных сортов стали. В зависимости от марки стали, диаметра и жесткости прутка определяются технические и эксплуатационные характеристики готовых железобетонных изделий и конструкций.

В зависимости от назначения арматура подразделяется на:

  • анкерную;
  • монтажную;
  • конструктивную;
  • рабочую.

Кроме того, учитываются условия, в которых она применяется, это:

  • есть напряжения;
  • нет напряжений.

А также потребность усиления в конкретном направлении конструкции:

  • продольное расположение стержней арматуры;
  • поперечное расположение стержней арматуры.

В строительстве арматурный прокат играет роль каркаса или сетки, которые связывают железобетонную конструкцию и равномерно распределяют возникающие в ней нагрузки. Это позволяет значительно увеличить расчетный вес (силу внешнего воздействия), который может выдержать конструкция.

В монолитном строительстве применяются сетки (для плоских) и каркасы (для объемных) конструкций, которые сварены из прутков по определенной конфигурации.

Основным показателем является диаметр (сечение) арматурного прута и ее класс. Соответственно, употребляются следующие выражения:

  • арматура 10 — арматурный прокат с сечением 10 мм;
  • арматура 12 — арматурный прокат с сечением 12 мм.

Классы арматурного проката

Арматура А1 (арматура АI; арматура А240)

Арматура A1 представляет собой гладкий пруток и используется при производстве ЖБИ, монолитных конструкций и свариваемых несущих конструкциях. Производится по ГОСТ 5781 из марок стали СтЗкп, СтЗпс и СтЗсп. Диаметр профиля арматуры А1 может быть от 6 до 40 мм включительно. Арматура диаметром до 12 мм производится как в стержнях, так и мотках, а с диаметром более 12 мм производится только в стержнях.

Арматура А2 (арматура АII; арматура А300)

Сортамент арматуры этого класса производится с выступами, которые идут по винтовым линиям и заходят с двух сторон одинаково. Производится по ГОСТ 5781 из марок стали Ст5сп, Ст5пс и 18Г2С. Диаметр профиля арматуры А2 может быть от 10 до 80 мм. Так же, как и арматура А1 с диаметром до 12 мм, может производится в мотках.

Арматура А3 (арматура АIII; арматура А400)

Сортамент арматуры этого вида так же производится с ребрами, но заходящими с каждого края в другую сторону. Производится также по ГОСТ 5781 из марок стали 25Г2С и 35ГС диаметром от 6 до 40 мм. В мотках производится вся арматура до диаметра 10 мм. Диаметры выше изготавливаются только в стержнях.

Арматура А4 (арматура АIV; арматура А600)

Арматура А5 (арматура АV; арматура А800)

Арматура А6 (арматура АVI; арматура А1000)

Представленные классы арматуры в повседневной жизни встречаются достаточно редко. Они похожи на арматуру А3, но с более редким повторением ребер. Производятся также по стандарту ГОСТ 5781 из марок стали 80С, 20хГ2Ц.

  • Арматура А4, сталь 23х2Г2Т, диаметр от 10 до 32 мм.
  • Арматура А5, сталь 22х2Г2АЮ, 22х2Г2Р и 22х2Г2СР, диаметр от 10 до 32 мм.
  • Арматура А6, диаметр от 10 до 22 мм.

Эти классы арматуры выпускаются только в стержнях.

Качественные характеристики А600 или А4 позволяют эффективно использовать прокат при изготовлении ЖБИ, конструкций, на которые будут постоянно воздействовать динамические нагрузки, строительстве промышленного и гражданского форматов.

Стандарт 5781 регламентирует производство сортамента арматуры класса А800 (А5) из низколегированной конструкционной стали для производства сварных компонентов конструкций. Используется материал в предварительно напряженных ЖБИ и продукции обычного качества. Этот материал не распространен в гражданском строительстве по ряду причин. Во-первых, эксплуатационные характеристики проката многократно превышают любые требования нормативов в строительной сфере. Во-вторых, в сравнении с аналогами этот класс арматуры значительно дороже. По этой причине изделия попросту не смогут реализовать свой потенциал в проектах гражданского формата.

Аналогичным образом, в гражданском строительстве А6 или А1000 не применяется. Показатели сортамента арматуры такого типа на столько высоки, что применять ее имеет смысл только при создании высокопрочных сооружений, вплоть до возведения структур в ядерной энергетике или дамб. По аналогии с предыдущим классом арматуры, А1000 изготавливается на заказ. Профили А5 и А6 отличаются наличием укрупненных ребер серповидной или кольцевой формы. Благодаря этому факту они способны надежно фиксироваться в залитых ЖБИ.

Таблица 1. Размеры, диаметр и вес арматуры по ГОСТ 5781

Номер профиля

Площадь поперечного сечения стержня, см2

Масса 1 м профиля

d, для арматуры

d1, для арматуры

класса А2

остальных классов

класса А2

остальных классов

60,2830,2225,756,75
80,5030,3957,59
107850,6179,38,711,311,9
121,1310,8881110,613,513,8
141,541,211312,515,516,5
162,011,581514,21819,2
182,5421710,22021,2
203,142,471918,22223,2
223,82,982120,32425,3
254,913,852423,32728,3
286,164,8326,525. 930,531,9
328,016,3130,529,834,536,2
3610,187,9934,533,739,540,7
4012,579,8738,537,643,544,6
451512,484349
5019,6315,414854
5523,7618,655359
6028,2722,196864
7038,4830,216874
8050,2739,4677,583,5

 

Арматура А500С

Это горячекатаная арматура, производится в соответствии с ГОСТ Р 52544.

Диаметр арматуры А500С от 6 до 40 мм.

Так как в начале марки стоит буква А, это значит, что сортамент арматуры является усиленным термическим и механическим путем. Буква С обозначает высокую свариваемость изделия, которая расширяет возможности ее применения.

Используется материал для укрепления простейших ЖБИ и некоторых несущих компонентов зданий.

По методике применения выделяют:

  • рабочую;
  • монтажную;
  • распределительную продукцию.

Весь сортамент арматуры может принадлежать к данным типам, которые определяют роль класса арматуры в конструкции:

  • рабочая обычно выполняется из толстых прутков, которые принимают на себя основную часть нагружающего воздействия;
  • распределительные компоненты связываются с первыми в единое целое и необходимы для равномерной передачи нагружающих воздействий по всем пруткам конструкции;
  • монтажные устройства призваны обеспечить надежное связывание элементов друг с другом, цементным раствором и прочими ЖБИ в конструкции.
Таблица 2. Размеры и вес арматуры по ГОСТ 5781

Номинальный диаметр, мм

Диаметр стержня, d, мм*

Внешний диаметр арматуры, d1, мм*

Масса 1 м, кг

40,099
50,154
65,870,222
87,79,30,395
109,511,50,161
1211,313,70,888
1413,315,91,208
1615,2181,578
1817,120,11,998
2019,122,32,466
2221,124,52,964
2524,127,73,853
2827314,834
3230,735,16,131
3634,539,57,99
4038,443,89,865
* — значение для проката класса А500С.

 

Арматура B500C

Холоднокатаная арматура, производимая также в соответствии со стандартом ГОСТ Р 52544.

Диаметр арматуры от 4 до 12 мм. Может производится как с трех-, так и четырехсторонними серповидными выступами.

Выступает более качественным аналогом сортамента арматуры классов Вр-1, А400 и А500С. Ее основными направлениями использования является укрепление ЖБИ в составе конструкций или отдельных компонентов, которые впоследствии будут эксплуатироваться на открытом воздухе. В помещениях отапливаемого и неотапливаемого формата. Рассчитаны конструкции на статические и многократно повторяющиеся переменные нагружающие воздействия.

Производится данный тип арматуры по методике волочения.

В сравнении с Вр-1 строительная арматура В500С имеет повышенные анкерующие характеристики, то есть лучше закрепляется в растворе, что исключает ее смещения в процессе эксплуатации. В сравнении с остальными двумя указанными классами арматуры материал обеспечивает экономию до 16-20 процентов по насыщению ЖБИ металлом.

Арматура А400С

Это горячекатаная арматура, производимая по СТО АСЧМ 7-93 с пределом текучести не менее 400 Н/мм2.

Диаметр арматуры А400С от 6 до 40 мм.

В данном случае сортамент арматуры относится к числу термически и механически упрочненного, в соответствии с литерами, указанными в маркировке. По форме прутки отличаются наличием поперечных выступов и продольных, причем первые не соединяются со вторыми. Продольных ребер два. В качестве материала при производстве применяют низколегированные марки стали.

Арматура А600С

Арматурный прокат A600C изготавливается также как арматур класса и А400С и А500С, дополнительно в сталь вводится ванадий, ниобий и молибден, которые значительно улучшают коррозийную стойкость проката. Параллельно материал приобретает улучшенную гибкость и прочность.

Цена арматуры этого типа выше аналогов, но, за счет повышенных эксплуатационных характеристик, уменьшаются объемы использованного арматурного проката при строительстве проекта. Распространение материал получил в следующих сферах деятельности: строительство инженерных сооружений, монолитных домов, крупных промкомплексов, в том числе и на прибрежных территориях. Особенности продукции обеспечивают эффективную эксплуатацию сортамента арматуры в агрессивных средах и при повышенных нагрузках, вплоть до сейсмически активных регионов.

Таблица 3. Характеристики арматуры А400С и А600С по СТО АСЧМ 7-93

Номинальный диаметр, мм

Площадь поперечного сечения стержня, см2

Масса 1 м, кг

628,30,222
850,30,395
1078,30,617
121130,888
141541,21
162011,58
182542
203142,47
223802,98
254913,85
286164,83
328046,31
3610187,99
4012569,86

Возможно приобретения мерных и немерных длин арматурного проката.

Мерная арматура

Производитель обеспечивает порезку прутков на компоненты в пределах 6 или 12 метров с небольшими отклонениями, допускаемыми государственным стандартом. В партии такого типа может содержаться незначительный процент немерных отрезков, длина которых составляет 3—12 метров.

Немерная арматура

Немерная партия включает значительно большее количество таких компонентов. Этот фактор положительно сказывается на цене всего сортамента арматуры, но при монтаже такой прокат потребуется крепить внахлест, что увеличит расход.

Сводная таблица сортамента, характеристик и классов арматуры

 

Смотрите также:

таблица, классификация по ГОСТ и особенности изделий

Прокат арматурный – незаменимый элемент строительства жилых домов, общественных и промышленных зданий, масштабных сооружений. При разработке проекта для любого инженера или архитектора незаменимым инструментом становится таблица сечений арматуры по ГОСТ 5781-82.

Особенности и классификация

Общеизвестно, что для упрочнения бетонных, каменных, кирпичных и даже стеклянных конструкций применяется технология армирования. То есть внутри устройства формируется каркас, который частично либо полностью принимает на себя деформирующие нагрузки. В качестве основы используются металлические стержни круглого сечения или арматура. Производится из нескольких видов стали (в соответствии с ГОСТ 52544-2006, СТО АСЧМ 7-93, ТУ 14-1-5254-94 и другими) в диаметре от 4 до 80 мм с поверхностью гладкого или периодического профиля.

Изделия из стали классифицируются по двум основным параметрам – прочности и механическим свойствам. Исходя из этого выделяют следующие классы арматуры:

1. А1 (А240) – монтажная, чаще всего используется в железобетонных конструкциях в качестве распределительного и связующего элемента. Характерный признак – гладкая поверхность, применяется для железобетонных изделий.

2. А2 (А300) – рабочий арматурный прокат. Имеет рифленый профиль, относится к силовым элементам, которые несут основную нагрузку. Область использования – малоэтажное строительство, ремонт, монолитные сооружения.

3. А3 (А400, А500) – горячекатаные пруты с периодической поверхностью. Это наиболее востребованная продукция, так как выпускается практически во всех диаметрах и применяется как в производстве ЖБИ, так и при возведении жилых, коммерческих и промышленных строений, обустройстве дорожного и тротуарного полотна.

4. А4 (А600) – вид рабочей арматуры, используемой в напряженных конструкциях. Из-за ограничений продукция из стали выпускается в диаметре 10-32 мм.

5. А5 (А800) – стержни повышенной прочности для тяжелых и крупногабаритных конструкций (причалы, метрополитен, ГЭС).

6. А6 (А1000) – арматура рабочего типа из термически упрочненной стали. Характеризуется высокой степенью сопротивляемости к деформациям, востребована в многоэтажном строительстве.

Помимо основной маркировки существует дополнительная, информирующая об особых механических свойствах стальных изделий. Так, литера «С» обозначает, что их можно соединять методом сварки. Добавленная к шифру буква «К» означает, что поверхность арматуры устойчива к коррозии.

На площадки прокат поставляется бухтами по 11,7 или прутами 6-12 м. Как правило, заводы и дилеры отпускают продукцию тоннами, а для пересчета в погонные метры продавцы используют сводные таблицы теоретического веса по ГОСТ Р-52544-2006.

Сортамент строительной арматуры

Как и любое другое производство, изготовление арматуры унифицировано. Поэтому разработанные государственные стандарты содержат единые нормативы по всем характеристикам, включая диаметр, вес, сечение стержней. Эти параметры объединяются достаточно емким термином – сортамент или сортимент. В переводе с французского assortir – подбирать, сортировать. То есть это состав продукции по размерам, профилю или другим характерным признакам.

Для изделий из металла в ГОСТ 5781-82 указана унифицированная таблица массогабаритных размеров, однако на практике у заводов не всегда получается соответствовать этим показателям. Вышеуказанным стандартом допускаются отклонения, но не более 9%.

Арматура А1 (А240): вес, гладкая, диаметры

Содержание   

Арматура А1 в международной классификации имеет более современное обозначение – А240. Прокат производится горячекатаным способом, а упаковка и складирование может производиться в мотках и прутках. Обязательно соответствие всем требованиям ГОСТ 5781-82, отвечающим за данную арматуру.

Стержни арматуры А240

Выпускается арматура А1 исключительно гладкая. Отклонения диаметра профиля, а также геометрия проката стержней прописаны в ГОСТ 2590—2006. Кроме того, по длине прута допускается выпуск мерных и немерных изделий.

Основные технические характеристики

Арматура класса А1 – это гладкие пруты, имеющие круглое сечение, и на которые не нанесены какие-либо штрихи или выступы. На оси стержня зачастую наносят продольные ребра, улучшающие взаимодействие и сцепку с бетоном.

Технические характеристики предполагают изготовление преимущественно из углеродистой стали (ст 3пс/сп), реже – из низколегированной (добавляются особые элементы, как хром, марганец). Учитывая химический состав, можно наблюдать существенное отличие А240 от арматуры А400 – А240 допускается использовать в агрессивных средах, например в контакте с хлором или природным газом.

Читайте также: какие плюсы и какие минусы имеются у стеклопластиковой арматуры?

Такая арматура может быть термически упрочненной (наносится маркировка буквой Т) и упрочненной вытяжкой (маркировка В) Подробнее о маркировках классов арматуры можно почитать отдельно. Вес изделия и его размеры прямо пропорционально зависят от диаметра прутка.

Касательно диаметра, то он может составлять от 6 мм до 40 мм. Итоговая длина стержня варьируется от 6 метров до 12. Вид поставки арматуры напрямую зависит от диаметра стержня. Изделия до 10 мм сворачиваются в мотки и поставляются бухтами. Диаметр превышающий 10 мм – означает, что такая арматура будет упакована прутками.

Хранение арматуры А1 в бухтах

Допускается присутствие в партии определенного количества прутков немерной длины. В каждой партии их объем не должен превышать 15% от общего веса партии, а сами прутки не должны быть короче 2500 мм.

По договоренности возможна поставка 100% прутков исключительно мерной длины. Арматурные стержни класса А1 немерной длины не должны быть больше максимума в 12 метров. Вес мотков обычно определяется договоренностью производителя с заказчиком. Но в большинстве случаев он не превышает 1,3 тонны. Это позволяет использовать бухты в ограниченных пространствах, с возможностью поднятия кран-балкой малой грузоподъемности.
к меню ↑

О применении арматуры А1 (видео)


к меню ↑

Область применения арматуры А1

Наибольшее распространение арматура А240 получила в изготовлении петлевых элементов, которые служат для крепления и сцепки железобетонных конструкций друг с другом. Также петлевая арматура может применяться как обвязка для основного пакета из арматуры, например, А400. Основной пакет в таком случае выполняет армирующие функции, а обвязка из арматуры А240 связывает прутки А400 друг с другом.

Читайте также: что такое фонтанная арматура, и где и зачем она применяется?

Такой арматурный прокат может использоваться при строительстве зданий и изготовлении изделий разных типов. Арматуру А1 успешно применяют при строительстве как жилых, так и промышленных зданий. Кроме этого, из А240 могут быть изготовлены тканые сетки с ячейками нестандартных размеров. Подобные конструкции используются при армировании тонкостенных железобетонных форм.

Сетка из арматуры А1

В целом, в строительстве арматура А1 может использоваться для следующих целей:

  • армирования ж/б конструкций;
  • производства арматурных сеток, сварных каркасов;
  • армирования пола, а также стен в многоэтажных и промышленных зданиях;
  • изготовления декоративных металлических конструкций (заборы, лестницы, бордюры, решетки).

За счет особенностей своего профиля, гладкая арматура А1 может применяться в тонких механизмах машин. Это обусловило её широкое применение в машиностроении, в том числе:

  • изготовление мелких деталей: рессоры, отдельные элементы механизмов, различные пружины;
  • производство отдельных конструкционных элементов: болты, гаечные соединения, заклепки;
  • крепежи и метизы.

к меню ↑

data-ad-client=»ca-pub-8514915293567855″
data-ad-slot=»1955705077″>

Таблица сортамента

Нижеприведенная таблица учитывает наиболее распространенные диаметры арматуры А1. Однако таблица содержит лишь теоретические расчеты, опирающиеся на справочные величины. При расчете фактического веса нужно учитывать состояние и настройки прокатного стана.

Таблица допускает отклонения фактического веса по ГОСТ и ТУ от теоретического на 3-9%. Приведенные данные действительны только для изделий, поставляемых в прутках.

Диаметр арматуры, мм.Тип сталиВес погонного метра, кг.Количество метров в тонне
Арматура А1 10Сталь 3сп/пс0,6171620
Арматура А1 12Сталь 3сп/пс0,8881126
Арматура А1 14Сталь 3сп/пс1,21826
Арматура А1 16Сталь 3сп/пс1,58633
Арматура А1 18Сталь 3сп/пс2500
Арматура А1 20Сталь 3сп/пс2,47404

к меню ↑

Нюансы использования арматуры А1

Арматура А240, как любой металлический прокат, поставляется партиями. Максимальный вес одной партии – до 70 тонн. Это соответствует норме загрузки стандартного железнодорожного вагона. На каждую партию продукции должен быть выдан сертификат качества согласно с ГОСТ 7566-94, подтверждающий надлежащий уровень качества выпущенной продукции.

Упаковка происходит пачками, вес одной в среднем варьируется от 4,5 до 8 тонн. Каждую пачку при этом необходимо перевязать в трёх местах. Для осуществления этого применяют стальную ленту, также можно использовать катанку для упаковки. Для обеспечения механизированной погрузки и выгрузки пачек при помощи крановых механизмов, на связках закрепляют два хомута, служащих для закрепления строп.

Перевязанная пачка арматуры

По обоим концам пачки должны быть прикреплены бирки, на которых расположена информация о производителе, описание типа и размера профиля, название проката, номер партии и данной плавки и непосредственно вес пачки.

При заказе арматуры стоит обратить внимание на марку стали, из которой она изготовлена, так как это главный критерий присвоения конкретного класса. Качество стали напрямую влияет на предел прочности арматуры и, соответственно, на надежность конструкции, в которой используется арматура А1.

Читайте также: подробное описание арматуры класса А500С.

Взаимодействие стальных изделий с бетоном нужно рассчитывать по следующим показателям:

  • свежесть смеси;
  • качество смеси;
  • усадка;
  • прочность.

Арматура может взаимодействовать с бетоном по таким направлениям как: трение, обжатие, сцепление и адгезия. Обжимается смесью арматура после окончания её усадки. Кроме того, гладкая арматура имеет отличные показатели свариваемости, что дает возможность использовать её при производстве металлоконструкций, в которых необходимо сваривать стержни. Для таких целей преимущественно используют электросварку.
к меню ↑

Ключевые различия между арматурой А1 и А3

Из-за большого разнообразия предлагаемых на рынке видов арматуры, потребитель нередко начинает путаться в том, для чего предназначены разные виды и какие у них различия. Наиболее это коснулось изделий класса А1 и А3, как самых популярных и распространенных в строительстве. Они различаются практически во всем – начиная от внешнего вида, и заканчивая непосредственными задачами применения арматуры.

Сравнение арматуры А1 и А3

Во-первых, это поверхность профиля арматуры. У класса А1 она может быть только гладкой, что связано с областью применения такой арматуры – составные элементы сеток и сварных каркасов. Гладкость профиля обеспечивает определенные технические характеристики, как например улучшенная свариваемость при помощи электросварки. Но есть и недостатки – низкий показатель сцепления с бетоном.

Разница же с А3 состоит в том, что эта арматура поставляет преимущественно периодическим рифленым профилем, с наличием выступов и продольных ребер. Эти особенности позволяют улучшить сцепление металлических элементов с бетоном. Именно поэтому А3 предпочитают использовать в качестве основного армирующего компонента железобетонного изделия.

Во-вторых, это прочность. Из-за использования в изготовлении А3 легирующих элементов вроде хрома, титана, кремния, такая сталь автоматически переходит в разряд высоколегированных и становится намного прочнее обычных сталей. Это хорошее подспорье для постройки массивных сооружений как мосты и эстакады. Арматура А1 тоже имеет неплохую прочность, но всё же по этому показателю значительно уступает А3.

В-третьих, это универсальность. Арматура А1, благодаря своей устойчивости к большинству химических сред, сохраняет все важные свойства даже в экстремальных условиях. Потому то именно А1 применяют при строительстве нефтеобрабатывающих мощностей на крайнем севере. Арматура А3 не обладает необходимыми защитными характеристиками и в таких условиях может деформироваться и потрескаться.

Статьи по теме:

 
 

Портал об арматуре » Виды » Где лучше применить арматуру А1?

Гладкая арматура

Сортовой длинномерный прокат, разновидностью которого является арматура гладкая, широко применяется в различных областях строительства. Арматурная сталь используется для производства всех видов железобетона: монолитного и сборного. Материал успешно применяют в машиностроении, автомобилестроении и других промышленных отраслях. Бывает с гладкой и профилированной поверхностью. Вырабатывается из разных марок стали, от химического состава которой зависят физико-механические свойства конечного продукта.

Кроме того, на свойства арматуры влияет способ производства. Материал полученный в результате проката в горячем состоянии называют горячекатаным, в обычном виде – холоднотянутым. Холодным способом обычно производят проволоку диаметром до 6 мм.

Арматура с диаметром до 8 мм включительно поставляется потребителям в мотках. При размере сечения 10 мм и более – прутками длиной 6-12 м или мерной величины по индивидуальным запросам. Касательно гладкого проката, то возможна его поставка мотками или в бухтах при сечении до 12 мм.

Технические характеристики круглой арматуры

Главный нормативный документ, требованиям которого должна соответствовать арматура периодического профиля и гладкая,- это ГОСТ 5781-82 «Сталь горячекатаная для армирования железобетонных конструкций. Технические условия». Согласно нормативу арматурная сталь делится на классы: A-I, A-II, A-III, A-IV, A-V, A-VI. Маркировка A-I принадлежит круглой арматуре, все остальные марки относятся к стали, имеющей поверхность с профилем в виде «винта»(A-II) или «елочки»(от A-III). Хотя в отдельных случаях, по специальному запросу заказчика, производитель может изготовить профильные марки стали с гладкой поверхностью.

Для производства арматуры применяется углеродистая и низколегированная сталь, марки которой указаны в следующей таблице (цитата из ГОСТа):

В скобках указана аббревиатура материала по международной системе классификации, в которой цифра – это обозначение величины предела текучести в кгс/мм2, увеличенное в 10 раз.

Действующим стандартом предусмотрены не только технические свойства стали, но также сортамент гладкой арматуры. По следующей таблице масса одного погонного метра стержня дает возможность подсчитать потребность в материале для конкретной цели.

Размер сечения, ммВес, кг/м.п.Вместимость одной тонны, м
60.2224504.50
80.3952531.65
100.6171620.75
120.8881126.13
141.210826.45
161.580632.91
182.000500.00
202.470404.86
222.980335.57
253.850259.74
284.830207.04
326.310158.48

Преимущества и недостатки круглого проката

Если говорить о достоинствах, то для изготовления арматуры гладкого профиля используется углеродистая сталь под марками Ст3сп, Ст3пс и Ст3кп, которая придает готовой продукции уникальные качества. Арматура класса A-I наделена:

  • высокой пластичностью;
  • хорошо гнется;
  • отлично поддается сварке, резке и другим способам металлобработки;
  • имеет относительно небольшой вес;
  • стоимость гладкой стали гораздо ниже рифленки.

Ровную, гладкую поверхность стержней и изделий из них удобно избавлять от пыли, грязи, следов ржавчины и окалины, в отличие от рифленой арматуры. Впоследствии конструкцию не составит труда обработать антикоррозийными составами и покрасить в подходящий цвет. Этими свойствами часто пользуются декораторы при оформлении помещений.

Однако сталь класса A-I имеет низкий показатель сцепления с бетонной смесью, поэтому при формовке отдельных железобетонных изделий требует дополнительной анкеровки.

Помимо этого круглая арматура плохо сопротивляется растяжению, отчего использование ее в качестве рабочего элемента не рекомендуется. Разве что, только при изготовлении неответственных и ненагружаемых конструкций.

Данные характеристики вряд ли можно считать недостатками материала. Скорее это его особенности, которые ограничивают сферу использования гладкого проката.

Применение гладкой арматуры

Трудно найти сферу строительного производства, где бы не использовались стержни круглой горячекатаной стали. Для формирования основного скелета ее используют при изготовлении тротуарных плиток, бетонных порожков, невысоких столбов и малогабаритных стоек. То есть тех изделий, которые воспринимают сжимающие нагрузки, с малыми растягивающими воздействиями. Технические характеристики арматурной стали с гладкой поверхностью позволяют применять ее для:

  • армирования швов при выполнении кирпичной и блочной кладки, улучшая прочность и устойчивость конструкции;
  • производства арматурных сеток, используемых в качестве самостоятельного изделия, либо для создания пространственного каркаса вкупе со стержнями периодического профиля;
  • изготовления монтажных петель, вживляемых практически во все сборные железобетонные изделия;
  • армирования стяжки полового или кровельного пирога;
  • изготовления гвоздей, всевозможных метизов: болтов, шурупов, гаек, шпилек и других.

Гладкая арматура применяется для создания контура заземления при устройстве громоотводов и конструкций, защищающих постройки и людей от поражений электрическим током. Ее используют для сооружения заборов, ворот, калиток вместе с другими видами металлических и кованых изделий. Из гладкой арматуры дизайнеры создают различные предметы декора с целью оформления интерьеров помещений. А также применяют при изготовлении садовых украшений, скульптур, предметов уличной мебели.

правильный выбор как гарантия надежности

ПОДЕЛИТЕСЬ
В СОЦСЕТЯХ

Производство армированной стали, как и выпуск товаров других отраслей промышленности, унифицированное. Для определения качества изделий используют специально разработанные Госстандартом требования к продукции по разным параметрам. В данном виде производства установлены нормативы для диаметра, веса и сечения прутьев. Все эти характеристики объединены одним термином – сортамент арматуры. Более детально о комплексе требований расскажет данная статья.

Арматура имеет установленные стандарты для сечения, веса и диаметра

Сфера применения, особенности арматуры: диаметр, классы, маркировка, соответствие ГОСТу

Арматура – важный компонент в общем перечне строительных материалов. Характеризуется широким спектром применения на различных этапах возведения зданий. Без нее не обходится ни одна железобетонная конструкция, служащая усилением и опорой как в фундаменте небольшого дома, так и в строительстве масштабного железнодорожного моста или путепровода. Технологию армирования используют даже для упрочнения конструкций из стекла.

Арматуру применяют в строительстве на различных этапах возведения конструкций

Еще на начальном этапе разработки проектно-сметной документации каждый уважающий себя инженер и архитектор имеет под рукой специальную таблицу соотношений веса и метража арматуры, а также сечений арматурных прутьев в соответствии с установленными государственными нормативами. Основной среди них – ГОСТ 5781-82. Также продукция должна соответствовать ГОСТ 52544-2006, СТО АСЧМ 7-93, ТУ 14-1-5254-94. Нормы регламентируют требования к конкретному виду армированной продукции. Их совокупность соответствует термину – сортамент арматуры.

Арматура представляет собой круглые металлические стержни с гладкой или рифленой поверхностью. Производят их из нескольких видов стали. Диаметр прутьев колеблется от 4 до 80 мм. Сортамент продукции подразделяют на классы А1 – А6.

Диаметр, то есть размер сечения стержня арматуры или проволоки, – это главный показатель, лежащий в основе сортамента продукции. Отсюда и соответствующие термины: арматура 8 мм или вес 1 м арматуры 12. Данные изделия классифицируют и по другим свойствам, включая прочность, износостойкость, удельный вес и другие характеристики, которые рассмотрим далее.

Классы арматуры: сортамент продукции по прочности и механическим параметрам

Слово сортамент (или сортимент), на французском языке звучит как assortir и обозначает «выбирать», т. е. разбирать по сортам в соответствии с типичными характеристиками. К таким параметрам принадлежат:

Арматура различается по разным параметрам, таким как габариты, профиль и материал для изготовления

  • материал, используемый для изготовления продукции;
  • габариты арматуры, такие как размер, диаметр, тип поверхности;
  • профиль.

Полезный совет! Упаковывание продукции осуществляется согласно ее классификации по диаметру. Арматурный металлопрокат до 10 мм отпускают в бухтах, а свыше этого параметра фасуют прутьями определенной длины.

Арматуру используют в строительных работах в виде стержней, сетки, проволоки или каркаса. Исходя из предназначения, ее разделяют на конструктивную, анкерную, монтажную или рабочую. При этом учитывается наличие или отсутствие натяжения, а также необходимость усилить конструкцию на определенном участке. Усиление может быть продольным или поперечным.

Маркируют и классифицируют арматуру и по другим характерным признакам, но в первую очередь во внимание берут диаметр арматуры, а также степень прочности, гибкости и механические характеристики. Условным обозначением в маркировке сортамента служат заглавные буквы А (реже В) с определенным индексом, который указывает на соответствие арматуры отдельному классу. Основные и наиболее популярные классы арматуры в строительстве рассмотрим в данной статье.

Арматура делится на несколько классов, каждый из которых имеет собственную характеристику

Таблица сортамента арматуры: обозначения и характеристики различных классов

В строительной терминологии и маркировке иногда путаются даже профессионалы. Разные виды материалов, в том числе и арматура, имеют свою классификацию, которая дает возможность максимально упростить и унифицировать многие процессы.

Сориентироваться в классификации и маркировке поможет специальная таблица арматурных классов. Она имеет довольно простую и понятную структуру, состоит из нескольких колонок, где первая – это основная маркировка, а далее – соответствующие характеристики:

  • масса;
  • размер сечения или диаметр;
  • сопротивляемость нагрузкам;
  • встраиваемость в напряженные железобетонные конструкции;
  • относительная величина удлинения после разрыва;
  • длина прута;
  • марка стали.

Арматура класса А240 имеет гладкую поверхность, поперечное сечения от 6 до 40 мм

Таблица может содержать и более расширенную информацию, например, позволяющую рассчитать вес погонного метра арматуры или, наоборот, вычислить, сколько метров в тонне арматуры 12 мм. Для начинающих строителей подойдет упрощенный вариант, обладающий минимумом справочной информации.

Класс арматуры включает в себя несколько цифровых и буквенных обозначений, определяющих ее прочность, размер и назначение. При этом, согласно таблице сортамента арматуры, ГОСТ 5781 82 регламентирует старую и новую маркировку. К старой относят изделия, принадлежащие к классам от AI до АVI. Соответственно, новую обозначают таким образом: А240, А300, А400, А500, А600, 800 и А1000.

Арматура класса А240С имеет гладкую внешнюю структуру, а продукция с маркировкой А300С, А400С, А500С, а также А600, А600К, А800, А800К и А1000 – рифленую поверхность.

Полезный совет! Существует определенная шифровка арматуры, имеющая такой вид: арматура А-400-С Ø12. Где буква А обозначает маркировку материала, число 400 — класс арматуры, 12 – диаметр стержня.

Арматуру класса А300 используют для строительства малоэтажных домов

Расшифровка таблицы арматуры с характеристикой каждого класса

Каждый класс арматуры имеет собственную характеристику, при этом многие данные могут совпадать у разных видов или кардинально различаться. Основные их параметры приведены ниже.

АI или А240 – арматура, представляющая собой гладкоствольный стержень с поперечным сечением от 6 до 40 мм. Ее применяют в изготовлении железобетонных изделий, для возведения монолитных и опорных конструкций. Арматуру любого диаметра производят в прутьях, фасуют в упаковки. Допускается производство продукции сечением до 12 мм в бухтах.

АII или А300 – это профиль с рифленой поверхностью и диаметром от 10 до 80 мм. Принадлежит к материалам, удерживающим сильное давление. Они служат как основа несущей конструкции, которая испытывает основную нагрузку. Используют в возведении малоэтажек, монолитных зданий и во время ремонтов.

АIII или А400, А500 – арматурные стержни, имеющие периодический профиль с сечением от 6 до 40 мм. Самый популярный класс арматуры широкого применения как в жилищном строительстве, так и в промышленном или коммерческом. Также используют в производстве ЖБИ, при строительстве автодорог и тротуаров. Изделия с диаметром до 10 мм выпускают в мотках, свыше данного размера – в стержнях.

а – стержневая гладкая класса А240; б – стержневая периодического профиля класса А300; в – класса А400 и выше; г – проволочная класса В600

АIV или А600 – стержни диаметром 10-32 мм. Их применяют в сооружении напряженных элементов. Изделия сходны с продукцией класса АІІІ, но имеют меньшую частоту ребер.

АV или А800 – редко встречающийся сортамент арматуры, обладающий высокой степенью прочности. Используют в строительстве особо крупных и сверхтяжелых объектов, таких как мосты, причалы, метро, ГЭС.

А6 (А1000) – производится из термостойкой стали. Имеет повышенный уровень сопротивляемости к разным видам деформации. Применяется в многоэтажном строительстве.

Арматура А500С: ГОСТ, ключевые параметры и характеристики

Так как третья категория является наиболее распространенной, то какой класс арматуры (А400 или А500) выбрать – решать проектировщикам, которые учитывают все нюансы строительных работ. Говоря о структурных особенностях этого вида, следует обратить внимание на ГОСТ арматуры А500. Он регламентирует производство круглого профиля, имеющего два ребра вдоль стержня и параллельные ряды выступов серповидной формы поперек. При этом они не пересекаются с парными ребрами вдоль тела стержня.

Арматура класса А500 самая универсальная, ее выпускают в мотках и стержнями

Профиль обладает высокими пластичными и прочностными характеристиками в процессе прокатки. Стержни А500 арматуры имеют минимальную длину 6 м, а максимальную – 25 м. Оптимальная протяженность прутьев – 12 м. Согласно таблице сортамента арматура А500С производится из высококачественной маркированной стали Ст3СП, Ст3ПС и Ст3ГПС. Материал обладает отличной свариваемостью, но это не единственное его достоинство.

Полезный совет! Соединять элементы арматуры А500С можно с использованием электродуговых сварочных аппаратов. На такое преимущество и указывает буква С в маркировке профиля. Качество сварки уменьшает минимальное наличие легирующих элементов.

Положительные свойства такой арматуры заключаются в следующем:

  • повышенной степени прочности и гибкости, отсутствии слабых мест, которые могут повлечь разрушение арматуры;
  • сравнительно небольшой себестоимости производства и, как следствие, доступной стоимости арматуры за тонну;
  • удельный вес арматуры А500 подразумевает значительную экономию объемов стали в процессе изготовления.

Класс А500 применяют не только в жилищном строительстве, но также в коммерческом и промышленном

Требования ГОСТа: арматура В500, особенности ее изготовления

Арматуру А500С с успехом используют в сжатых элементах. При этом качество бетонирования повышается благодаря сокращению количества металлоконструкций в колоннах. Профили можно использовать в проектах, где указаны сечения классов АІ и АІІІ. Аналогом же универсальной арматуры А500С может выступать арматура В500.

Арматура B500С по химическим и технологическим характеристикам сырья и строения соответствует европейским стандартам. Главное преимущество – гибкость. Высокая степень пластичности арматурных конструкций препятствует разрушениям построек. Арматурную продукцию данного класса в Российской Федерации производят согласно ГОСТ Р 52554. Она предназначена для возведения сооружений из облегченного и утяжеленного бетона.

Такие строения эксплуатируют в агрессивных средах. Арматуру используют как в виде самостоятельных стержней, так и в каркасах и сварных изделиях. B500С по характеристикам является эффективным заменителем арматур с маркировкой A400, A400C, A240. Арматура B500С имеет такие основные параметры:

Арматура класса В500 соответствует всем европейским стандартам

  • выпускается в соответствии со стандартами Евросоюза, что дает возможность использования на европейском оборудовании;
  • не скручивается благодаря отсутствию лампасов;
  • удлиняется на 1,4%, выдерживая нагрузку свыше 3%;
  • характеризуется отличной свариваемостью.

Что касается ценовой политики, то она различная и зависит от характеристик арматуры и объема требуемой продукции.

Статья по теме:

Арматура: вес и длина, соотношение и расчеты в строительных работах

Примеры и необходимость проведения расчетов, опорные таблицы. Соотношение длины, веса и диаметра стрежней. Применение онлайн-калькулятора.

Сортамент арматуры: дополнительные варианты маркировки

Для определения более конкретных характеристик арматуры создана специальная дополнительная маркировочная система. Например, аббревиатура А5К обозначает, что это профили класса А5, а буква К свидетельствует о наличии дополнительной защиты от коррозии. Для этого материал обрабатывают спецсредствами, которые обеспечивают его долговечность.

Наличие буквы С в маркировке говорит о том, что арматуру можно сваривать. Необходимо учитывать, что не все изделия, относящиеся к разным классам, можно сваривать между собой, тем более при отсутствии метки С в обозначении.

Если в маркировке есть буква К, это значит, что у арматуры имеется дополнительная защита от коррозии

Говоря о сортаменте арматуры, следует упомянуть о таком термине, как запорная (или трубопроводная) арматура. Такие виды профилей применяют в сантехнических работах. Соответственно, как отдельный подвид материала, данная арматура имеет свои классы и маркировку. При этом главный параметр выбора – герметичность. Этот критерий указывает на качество отработки узла в трубопроводе, без чего собрать его невозможно. Показатель герметичности указывают в характеристиках на упаковке материала.

Полезный совет! Соединять между собой арматурные стержни с разной маркировкой и при отсутствии в обозначении буквы С лучше с использованием специальных муфт и проволоки.

Как определить площадь арматуры: таблица расчетов

Площадь сечения арматуры – один из важнейших параметров, обуславливающих прочность. Чем выше предполагаемая нагрузка, тем должна быть больше площадь. Чтобы узнать эти данные, нужно обратиться к продавцу-консультанту или прочитать паспорт изделия. Если же изделие приобретается со вторых рук, то придется сделать расчет самостоятельно. Для этого необходимо следовать таким указаниям:

  1. Измерить диаметр. Поможет штангенциркуль. Необходимо учесть, что результат может быть некруглой единицей, поэтому его округляют, руководствуясь математическими правилами.
  2. Определить площадь сечения арматуры по его диаметру, используя специальную таблицу. С ее помощью можно вычислить, сколько весит 1 метр арматуры и сколько метров в тонне арматуры.

Таблица сортамента арматуры, вес 1 метра и диаметр.

Поперечное сечение, площадь, см²Диаметр арматуры, ммМасса погонного метра арматуры, гСколько арматуры в тонне, м
0,28362224505
0,50383952532
0,785106171620
1,131128881126
1,54141210826
2,01161580633
2,64182000500
3,14202470405
3,8222980336
4,91253850260
6,16284830207
8,04326310158
10,18367990125
12,58409870101
15,48451248080

 

Благодаря таблице можно с легкостью определить и другие данные, например, сколько метров в тонне арматуры 12 мм. Ищем в графе диаметра показатель 12 и находим соответствующую величину в графе длины. Этот параметр равен 1126 м.

Самостоятельный расчет площади арматуры, онлайн-калькулятор

При отсутствии таблицы нужно самостоятельно измерить диаметр. Допустим, он равен 6 мм, этот показатель делим на 2, чтобы узнать радиус. Получаем результат – 3 мм, возводим его в квадрат – 9 мм. Полученное число необходимо умножить на постоянную величину площади круга Пи, равную 3,14. Результат расчетов – 28,26 мм² или 0,2826 см². Этот показатель самостоятельного вычисления соответствует данным, содержащимся в таблице.

Такой способ определения площади сечения идеально точен, если стержни арматуры гладкие. Для прутьев с рифленой поверхностью расчеты выглядят несколько сложнее. Такие изделия имеют площадь большего размера и обладают высшей степенью сцепления с бетонным раствором, что делает их незаменимыми в сооружении железобетонных каркасов. Процесс расчета включает следующие этапы:

Если нет таблицы сортамента, то для расчета площади арматуры можно воспользоваться онлайн-калькулятором

  1. Вычисление общего показателя диаметра. Для этого делаются два замера – на ребристой поверхности и в узкой углубленной части. Чтобы результат был более точным, измерения лучше провести дополнительно в нескольких разных местах.
  2. Определение среднего арифметического путем сложения показателей и деления полученной суммы на 2.
  3. После вычисления диаметра площадь сечения арматуры определяется описанным выше способом, по формуле: S=π*r², где S – площадь; π – постоянная величина 3,14; r – радиус.

Полезный совет! Если таблицы нет в наличии, то вес определяют, применяя специальные расчеты.

Компьютерные программы и интернет-технологии значительно упрощают процесс вычисления площади сечения арматуры. Калькулятор-онлайн позволяет сделать это за считаные минуты. Достаточно ввести показатели в нужные ячейки, чтобы моментально получить готовый результат.

Чтобы рассчитать площадь арматуры самостоятельно необходимо воспользоваться формулой: S=π*r²

Сколько весит метр арматуры и сколько метров арматуры в тонне: примеры расчетов

Навыки в вычислении диаметра стержней понадобятся также при расчетах веса арматуры. Такие знания необходимы при составлении проектов и строительных смет. Точное определение массы арматуры поможет сэкономить на покупке материалов. Важно отметить тот факт, что крупные производители реализуют арматуру ценой за 1 тонну, а не за метр. Однако стоимость продукции в таком случае обойдется в несколько раз дешевле.

В качестве примера можно рассмотреть, как рассчитать массу необходимого материала для постройки железобетонного фундамента общей длиной 100 м. Диаметр арматуры – 10 мм. Необходимые данные ищем в таблице, они соответствуют 617 г. Это число умножаем на 100 и получаем 61 кг 700 г. Вес 1 метра арматуры можно рассчитать и другими способами (всего их три):

  • по нормативной таблице;
  • с использованием данных об удельном весе арматуры;
  • с помощью калькулятора веса арматуры.

Благодаря точным расчетам необходимого веса арматуры можно сэкономить на покупке материала

Необходимое количество прутьев по нормативному весу вычисляют с использованием приведенной выше таблицы веса в соотношении с погонным метром. Это наиболее простой вариант расчета (если не считать онлайн-калькулятора).

Например, для стройки предполагается использовать 2300 м арматуры 14. Вес 1 метра прутьев составляет 1,21 кг. Производим расчеты: 2300*1,21=2783 кг. Таким образом, для выполнения данного объема работ потребуется 2 т 783 кг стальных прутьев. Аналогично вычисляется количество стержней в одной тонне соответствующего диаметра. Данные берутся из таблицы.

Цена арматуры за тонну и за метр: составляющие стоимости

На формирование цены любого изделия влияет несколько факторов. Это касается и арматуры. Различную стоимость имеют гладкие и рифленые стержни, ведь производство последних предполагает более трудоемкий и длительный процесс. Чем сложнее технология, тем выше и цена готового изделия.

Стоимость арматуры зависит от ее вида, прочности, пластичности и качества

На формирование стоимости также оказывают влияние прочность и пластичность материала. Для повышения этих показателей в сплав добавляют кремний или хром, а для гибкости – марганец. Текучесть стали тоже имеет значение.

Помимо этого, формирование цены зависит от качеств, указанных в маркировке. Например, дополнительно придется заплатить за арматуру с меткой Т, обозначающей термоупрочнение, или К, что свидетельствует об устойчивости к коррозии.

Полезный совет! Важный показатель стоимости – объем продукции. Арматура, приобретаемая в большом количестве (тоннами), стоит намного дешевле.

Чем больший объем приобретаемой продукции, тем выгодней цена

Производители действуют по такому принципу: чем выше продажи, тем лучше. Именно поэтому объем приобретаемой продукции существенно влияет на ее стоимость. Соответственно, цена арматуры за 1 метр будет намного выше, чем товар, приобретенный в тоннах.

На тот факт, сколько стоит метр арматуры, влияет и сезонность проведения работ, так как любая стройка зависит от погодных условий. Поэтому в осенне-зимний период цена на арматуру, как и на другие виды строительных материалов, значительно падает. Именно этот период считается наиболее оптимальным для приобретения товара, но при этом следует побеспокоиться о соответствующем его хранении.

Арматура является важным материалом в современном капитальном строительстве. Это вид металлопроката имеет ряд серьезных качественных характеристик и эксплуатационных требований, регламентированных ГОСТом. Они отображаются в специальных таблицах и нормативах, именуемых сортамент арматуры. Знание его основных показателей и умение проводить правильные расчеты помогут не только приобрести качественный товар, но и значительно сократить затраты на его покупку.

Сортамент арматуры таблица — Бетонные и железобетонные работы

Главная » Бетонные и железобетонные работы

Автор Admin На чтение 2 мин. Просмотров 119 Опубликовано

Номинальный диаметр, ммПлощадь поперечного сечения, см2Масса1 м
теоретическая, кгдопускаемое отклонение, проц.
60,2830,222+10
70,3850,302?9
80,5030,395
100,7850,617+5,5
121,1310,888?7
141,541,21+4
162,011,58?6
182,642+3,5
203,142,47?5,5
223,802,98+3
254,913,85?5
286,164,83+3
328,046,31?5
3610,187,99
4012,589,87
4515,9012,48
5019,6315,41+2
5523,7618,65?4
6028,2722,19
7038,4830,21
8050,2739,46

Арматурная проволока

Номинальный диаметр, ммРасчетная площадь поперечного сечения,мм2Теоретическая масса I м, кг, классовНоминальный диаметр, ммРасчетная площадь поперечного сечения, мм2Теоретическая масса I м, кг, классов В ? II, Bp-II
В-I, B-II, Bp-IIBp-I
37,060,0560,052628,30,222
412,560,0990,092738,50,302
519,630,1540,144850,30,395

Арматурные канаты

КлассДиаметр, ммРасчетная площадь поперечного сечения, см2Расчетная масса1 м, кг при шаге свивки
условныйНоминальный, Д
10Д16Д
К-74,54,650,1270,1020,100
66,200,2270,1810,173
7,57,750,3540,2830,279
99,300,5100,4070,402
1212,400,9060,7240,714
1512,501,4161,1321,116

 

КлассНоминальный диаметр, ммРасчетная площадь поперечного сечения, см2Теоретическая масса1 м, кг
К-19141,2871,020
К-2*7181,0191,801
К-2*7251,8121,428
К3*7100,3810,299
К3*7130,6780,583
КЗ*716,51,0620,825
К3*7201,5271,209
КЗ* 1916,51,0310,795
КЗ* 19221,8091,419

 

 

Вид арматуры и документы, регламентирующие качествоКлассДиаметры арматуры, в мм

3

4

4,5

5

6

7

7,5

8

9

10

12

14

15

16

18

20

22

25

28

32

36

40

Стержневая горячекатаная гладкая, ГОСТ 5781-75A-I

+

+

+

+

+

+

+

+

Стержневая горячекатаная периодического профиля,ГОСТ 5781-75A-II

+

+

+

+

+

+

+

+

+

+

A-III, Ат-Ш

+

+

+

+

+

+

+

+

+

+

+

+

+

+

A-IIIb

ГОСТ 5.1459-72 *A-IV, ?т-IVc

+

+

+

+

+

Стержневая термически упрочненная периодического профиля ГОСТ 10884-81A-IV

A-V, ?т-V

+

+

+

+

+

+

A-V, ?т-VI

+

+

+

+

+

Обыкновенная арматурная проволока гладкая, ГОСТ 6727-80B-I

То же, периодического профиля ГОСТ 6727-80Bp-I

+

+

+

Высокопрочная арматурная проволока гладкая,ГОСТ 7348-81B-II

+

+

+

То же, периодического профиля ГОСТ 7348-81Bp-II
Арматурные канаты ГОСТ13840-68 *К-7

+

+

+

+

Арматурные канаты ГОСТ 13840-68*К-19

Условные обозначения: + рекомендуемые к использованию диаметры и классы арматурной эффективной стали, — — исключенные из сортамента диаметры и классы арматурной стали; 0 — сортамент.

Примечания: 1. Диаметры арматуры приняты согласно сортаменту по соответствующим ГОСТ или ТУ с учетом указаний по области применения различных классов стали; исключенные из сортамента диаметры и классы арматурной стали; 0 — сортамент сталей -по пп. 2.18—2—25 СНиП П-21-75. 2. Сталь класса A-IIIb диаметрами более20 мм, арматурных упрочняемая вытяжкой на предприятиях стройиндустрии, допускается к применению в качестве напрягаемой арматуры при отсутствии арматурной стали более высоких классов. 3. При изготовлении конструкций допускается замена проволоки класса Bp-I на имеющуюся в наличии проволоку класса В-1.

Сталь, применяемая для арматуры, не должна иметь на поверхности загрязнений и ржавчины.

НАЗНАЧЕНИЕ И ВИДЫ АРМАТИВНОЙ СТАЛИ

НАЗНАЧЕНИЕ И ВИДЫ АРМАТИВНОЙ СТАЛИ

Железобетон был разработан по принципу действия стали и бетона.
вместе в сопротивлении силе. Бетон крепок на сжатие, но слаб на сжатие.
напряжение. Предел прочности на разрыв обычно составляет около 10 процентов от
прочность на сжатие. По этой причине бетон хорошо подходит для колонн и столбов.
которые являются элементами сжатия в конструкции. Но когда он используется для напряжения
элементы, такие как балки, фермы, фундаментные стены или перекрытия, бетон должны быть
усилены для достижения необходимой прочности на растяжение.

Сталь — лучший материал для армирования бетона, потому что свойства
расширение как для стали, так и для бетона считается приблизительным] y
одно и тоже; то есть в нормальных условиях они будут расширяться и сжиматься при
почти равная ставка.

ПРИМЕЧАНИЕ: При очень высоких температурах сталь расширяется быстрее, чем бетон, и
два материала разделятся.

Еще одна причина, по которой сталь хорошо работает в качестве арматуры для бетона, заключается в том, что она
хорошо сцепляется с бетоном.Эта сила связи пропорциональна контакту
поверхность стали к бетону. Другими словами, чем больше поверхность
сталь, подверженная адгезии к бетону, тем сильнее адгезия. Деформированный
арматурный стержень держится лучше, чем простой, круглый или квадратный, потому что он
большая несущая поверхность. Фактически, когда гладкие стержни одинакового диаметра
вместо деформированных стержней необходимо использовать примерно на 40% больше стержней.

Чем грубее поверхность стали, тем лучше она сцепляется с бетоном.Таким образом
сталь с легким прочным слоем ржавчины превосходит чистую сталь; тем не мение,
уступает сталь с рыхлой или чешуйчатой ​​ржавчиной. Рыхлая или чешуйчатая ржавчина удаляется
из стали, натерев ее мешковиной или подобным материалом. Это действие
оставляет на стали только прочный слой ржавчины, который прилипает к бетону.

ПРИМЕЧАНИЕ: Арматурная сталь должна быть прочной на растяжение и в то же время быть
достаточно пластичный, чтобы его можно было формовать или гнуть в холодном состоянии.

Арматурная сталь может использоваться в виде стержней или стержней, которые либо
простой или деформированный или в форме просечно-вытяжного металла, проволоки, проволочной сетки или листа
металл.Каждый тип полезен для разных целей, и инженеры проектируют
структуры с учетом этих целей.

Прутки плоские круглые в поперечном сечении. Они используются в бетоне для специальных
цели, такие как дюбели в деформационных швах, где стержни должны скользить по металлу
или бумажный рукав, для деформационных швов на дорогах и взлетно-посадочных полосах, а также для колонн
спирали. Из арматуры стержневого типа они используются реже всего, потому что они
предлагают только гладкие ровные поверхности для склеивания с бетоном.

Деформированные стержни отличаются от простых стержней тем, что имеют
углубления на них или выступы на них, или и то, и другое в правильном порядке. В
скрученный стержень, например, получают путем холодного скручивания плоского квадратного стержня. В
спиральные выступы вдоль поверхности деформированного стержня увеличивают его прочность сцепления
с бетоном. Другие используемые формы — это круглые и квадратные гофрированные стержни. Эти
стержни имеют выступы по поверхности, которые выходят в
окружает бетон и предотвращает скольжение.Другой тип формируется с
продольные ребра выступают из поверхности для предотвращения скручивания. Рисунок 7-1
показывает несколько доступных типов деформированных стержней. В Соединенных Штатах,
почти исключительно используются деформированные стержни; тогда как в Европе и деформированные, и
используются простые бруски.

Рисунок 7-1.-Различные типы деформированных стержней.

В настоящее время используются арматурные стержни одиннадцати стандартных размеров.Табл. 7-1 списки
номер стержня, площадь в квадратных дюймах, вес и номинальный диаметр 11
стандартные размеры. Все стержни с 3 по 11, 14 и 18 являются деформированными стержнями. Таблица
7-2 указаны номер стержня, площадь в квадратных дюймах и миллиметрах, вес в
фунтов на фут, а также килограммов на метр, а номинальный диаметр 8
стандартные метрические размеры. Арматуру можно было приобрести на различных зарубежных площадках.
локально и может быть метрическим. Таблица 7-3 дана для сравнения.Помни это
Номера стержней основаны на ближайшем числе в одну восьмую дюйма, включенном в
номинальный диаметр прутка. Чтобы измерить арматурный стержень, вы должны измерить
круглая / квадратная часть без деформации. Приподнятая часть
Деформация не измеряется при измерении диаметра арматуры.

Таблица 7-1.-США. Стандартные арматурные стержни

Таблица 7-2.-Метрические арматурные стержни

Таблица 7-3.-Сравнение обычной и метрической арматуры США

Арматурные стержни

Арматурный пруток горячекатаный из различных сталей в нескольких различных
классы прочности. Большинство арматурных стержней прокатывают из новых стальных заготовок, но
некоторые катятся с использованных осей железнодорожных вагонов или железнодорожных рельсов, которые были
нарезать рулонными формами. Доступен широкий ассортимент сильных сторон.

Американское общество испытаний материалов (ASTM) установило стандарт
брендирование деформированных арматурных стержней.Есть две общие системы бара
брендинг. Обе системы служат основной цели определения размера маркера,
тип стали и марка каждого стержня. В обеих системах идентификационный знак, обозначающий
тип используемой стали маркируется на каждом стержне путем гравировки последнего использованного рулона
изготовить стержни так, чтобы между деформациями оставались выпуклые символы. В
фирменный знак производителя, обозначающий стан, на котором прокатывается пруток,
обычно одна буква или, в некоторых случаях, символ.Размер полосы соответствует
марка производителя, за которой следует символ, обозначающий новую стальную заготовку.
(-N-), прокат из рельсовой стали (-I-) или прокат из осевой стали (-A-). Рисунок 7-2 показывает
двухуровневая система оценок.

На арматурных стержнях более низкой прочности нанесены только три отметки: начальная
с указанием производителя прокатного стана, размера прутка и типа стали. Высокая прочность
арматурные стержни используют либо систему непрерывных линий, либо систему счисления для
показать оценки.В линейной системе одна непрерывная линия наматывается на
Бар на 60 000 фунтов на квадратный дюйм и две непрерывные линии свернуты в бар на 75 000 фунтов на квадратный дюйм.
Линии должны проходить по крайней мере пять пространств деформации, как показано на рисунке 7-2. В
В системе счисления цифра «60» вставляется в полосу после типа стали
метка для обозначения бара 60 000 фунтов на квадратный дюйм, а цифра 75 превращается в бар на 75 000 фунтов на квадратный дюйм.

Арматура из просечно-вытяжного металла и проволочной сетки

Просечно-вытяжная сетка используется также для армирования бетона.Расширенный
металл получают путем частичного разрезания стального листа, как показано на рисунке A
7-3. Листовая сталь подвергалась параллельной резке

Рисунок 7-2.-Американские стандартные марки арматурных стержней.

линий, а затем вытянуты или растянуты, образуя ромбовидную форму между ними.
параллельный срез. Другой тип — квадратный, а не ромбовидный, как показано на
вид B, рисунок 7-3. При оштукатуривании обычно используют просечно-вытяжной металл.
операций и строительства из легкого армированного бетона, например тротуаров и
маленький

Рисунок 7-3.-Расширенная или ромбовидная стальная арматура.

бетонных опор, которые не должны нести значительного веса, например
колодки трансформатора и кондиционера.

Сварная проволочная ткань

Сварная проволочная сетка состоит из ряда проволок, расположенных справа.
под углом друг к другу и электрически сварены на всех пересечениях. Сварная проволока
ткань, именуемая WWF в рамках NCF. имеет различное применение в усиленных
бетонная конструкция.В строительстве чаще всего используется для пола.
плиты на хорошо утрамбованном грунте. Более тяжелая ткань, поставляемая в основном в плоских листах,
часто используется в стенах и для первичного армирования несущих перекрытий.
плиты. Дополнительные примеры его использования включают дорожное покрытие и тротуар для взлетно-посадочной полосы, короб
водопропускные трубы и небольшие облицовки каналов.

Четыре числа используются для обозначения стиля проволочной сетки; например, 6 по
6-8 на 8 (иногда пишут 6x6x8x8 или 6×6-W2.1xW2.1) .Первое число (в этом
случай, 6) указывает продольный интервал провода в дюймах; второй
число (в данном случае 6) обозначает расстояние провода поперек в дюймах;
последние две цифры (8 на 8) указывают размер провода на Washburn и
Датчик Моэна. Совсем недавно последние два числа представляют собой число W, которое указывает
размер сечения провода в сотых долях дюйма. (Видеть
таблица 7-4.) WWF в настоящее время доступен в системе запасов ВМФ с использованием
четырехзначная система, 6 на 6-8 на 8, на момент написания, но если закуплено через
из гражданских источников используется система W.

Таблица 7-4-Стандартные размеры сварной проволочной сетки

Легкая ткань может поставляться в рулонах или плоских листах. Ткань из
Проволока тяжелее W4 всегда должна поставляться в виде плоских листов. Где WWF должен
быть равномерно плоской при размещении, ткань, поставляемая в рулонах, не должна быть
из проволоки тяжелее W 2.9. Производители отделывают рулонную ткань в
только полные рулоны. Стандартные рулоны будут содержать от 700 до 1500 квадратных футов.
ткани, определяемой тканью и местом производства.Удельный вес
WWF обозначается в фунтах на сотку квадратных футов ткани (таблица
7-4). Пять футов, шесть футов, семь футов и семь футов шесть дюймов — это
стандартная ширина доступна для рулонов, в то время как стандартная ширина и длина панели
семь футов на двадцать футов и семь футов шесть дюймов на двадцать футов.

Арматура для листового металла

Армирование листовым металлом используется в основном в плитах перекрытий, а также в лестницах и крышах.
строительство.Он состоит из отожженного стального листа, загнутого в пазы или
гофры глубиной около одной шестнадцатой дюйма (1,59 мм) с отверстиями, пробитыми на
регулярные намерения.

Напряжение в стали

Стальные стержни прочны на растяжение. Структурный сорт способен безопасно
выдерживает давление до 18 000 фунтов на квадратный дюйм, а для промежуточной, твердой и рельсовой стали — 20 000 фунтов на квадратный дюйм
Это БЕЗОПАСНЫЙ или РАБОЧИЙ СТРЕСС; РАЗРЫВ СТРЕСС примерно в три раза больше.

Когда стержень из мягкой стали протягивается в испытательной машине, он очень сильно растягивается.
небольшое количество при каждом приращении нагрузки.При более легких нагрузках эта растяжка
прямо пропорциональна величине нагрузки (рис. 7-4, вид A). Сумма
слишком мал, чтобы быть видимым, и его можно измерить только чувствительными датчиками.

При некотором натяжении (известном как ТОЧКА УХОДА), например, 33000 фунтов на квадратный дюйм для мягкой стали,
штанга начинает опускаться вниз (рис. 7-4, вид B) и продолжает растягиваться
ощутимо без дополнительной нагрузки.

Рисунок 7-4.-Напряжение в стальных стержнях.

Затем, когда кажется, что планка треснет, как резинка, она восстанавливает прочность.
(за счет наклепа).Требуется дополнительное усилие (рис. 7-4, вид C), чтобы
производить дополнительное растяжение и окончательное разрушение (известное как ПРЕДЕЛЬНАЯ ПРОЧНОСТЬ) при
около 55000 фунтов на квадратный дюйм для мягкой стали.

% PDF-1.3
%
2 0 obj
>
эндобдж

8 0 объект
[
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 778 778
250 333 555 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 722 778 722 722 778 611 778 778 778 500 778 778 944 722 778
778 778 722 556 778 778 778 778 778 778 778 778 778 778 778 778
778 500 556 444 556 444 333 778 556 278 778 778 278 833 556 500
778 778 444 389 333 778 500 722 778 500 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
250 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
]
эндобдж

11 0 объект
[
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0750750
278 278 355 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 пробы
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
750 750 750 750 750 750 750 750 750 750 750 750 750 833 750 750
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
750 556 750 750 556 750 750 750 750 750 750 750 750 750 750 750 750
750 750 333 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 пробы
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
278 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750 750
]
эндобдж

14 0 объект
[
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 778 778
250 333 408 778 778 778 778 778 333 333 778 778 250 333 250 278
500 500 500 500 500 500 500 500 500 500 278 778 778 778 778 778
921 722 667 667 722 611 556 722 722 333 389 722 611 889 722 722
556 778 667 556 611 722 722 944 778 778 778 778 778 778 778 778
778 444 500 444 500 444 333 500 500 278 278 500 278 778 500 500
500 778 333 389 278 500 500 722 500 500 778 778 778 778 778 778
778 778 778 778 444 778 778 778 778 778 778 778 778 778 778 778
778 333 333 444 444 778 500 778 778 778 778 778 778 778 778 778
250 778 778 778 778 778 778 778 778 778 778 778 778 333 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
778 778 778 778 778 778 778 778 778 778 778 778 778 778 778 778
]
эндобдж

17 0 объект
[
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1000 1000
293 343 489 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 685 1000 667 1000 1000 581 1000 1000 483 1000 1000 1000 893 1000 1000
1000 1000 726633 612 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 599 1000 527 629 594 382 629 640 302 1000 603 302 954 640 617
629 1000 434 515 416 640 579 890 604 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
293 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
]
эндобдж

20 0 объект
[
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1000 1000
313 332 401 1000 1000 977 1000 1000 383 383 1000 1000 303 363 303 382
546 546 546 546 546 546 546 546 546 546 354 354 728 1000 728 1000
1000 600 589 601 678 561 521 667 675 373417 1000 498 771 667 708
551 1000 621 557 584 656 597 902 1000 576 559 383 1000 383 1000 1000
1000 525 553 461 553 526 318 553 558 229 282 498 229 840 558 543
553 553 360 446 334 558 498 742 495 498 444 1000 1000 480 1000 1000
1000 1000 1000 1000 1000 817 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 211211 1000 1000 1000 1000 909 1000 1000 1000 1000 1000 1000 1000 1000 1000
313 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 363 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000
]
эндобдж

22 0 объект
>
поток
x ڍ X ے ۸} S
S% q ׷ g ؎ڙ Tv k ^} N7 @ Rɩ $ @ 7NOda {# Ӱ̢2oz0͂L 塊 0t ؘ v] i) mp ׵ UoF, n2 $ `1v1u >> G []: wFaKe (Hlm 牑 ERQ & YgAZġF 쑱 Skh5?} OLkL = # bӍ ~ սˊ Bx] * NXbSCÔaW} VJ8

Деформационная способность железобетонных колонн с гладкой арматурой

  • Acun B, Sucuoğlu H (2011) Пределы производительности для железобетонных колонн при тяжелых циклах смещения.ACI Structu J 107 (3): 364–371

    Google Scholar

  • Арани К.К., Марефат М.С., Амроллахи-Биаки А., Ханмохаммади М. (2013) Экспериментальная сейсмическая оценка старых бетонных колонн, армированных простыми стержнями. Struct Des Tall Spec Build 22: 267–290. https://doi.org/10.1002/tal.686

    Артикул

    Google Scholar

  • Арани К.К., Ди Людовико М., Марефат М.С. и др. (2014) Оценка бокового отклика железобетонных колонн старого типа с гладкими стержнями.ACI Struct J 111: 827–838. https://doi.org/10.14359/51686734

    Google Scholar

  • ASCE (2017) Сейсмическая оценка и модернизация существующих зданий. Стандарт ASCE / SEI 41-17

  • Бискинис Д., Фардис М. (2009) Деформации бетонных элементов при податливости и предельных значениях при монотонной или циклической нагрузке (включая отремонтированные и модифицированные элементы). № отчета SEE, 1

  • Bournas DA, Lontou PV, Papanicolaou CG, Triantafillou TC (2007) Текстильно-армированный строительный раствор в сравнении с заключением армированного волокном полимера в железобетонных колоннах.ACI Struct J 104: 704–748. https://doi.org/10.14359/18956

    Google Scholar

  • Бусиас С., Спатис А.Л., Фардис М.Н. (2007) Сейсмическое переоснащение колонн гладкими стержнями, соединенными внахлест, через FRP или бетонные оболочки. J Earthq Eng 11: 653–674. https://doi.org/10.1080/13632460601125714

    Артикул

    Google Scholar

  • Campione G, Cavaleri L, Di Trapani F et al (2016) Области двухосной деформации и пластичности для инженерных прямоугольных поперечных сечений RC: параметрическое исследование, подчеркивающее положительную роль осевой нагрузки, геометрии и материалов.Eng Struct 107: 116–134. https://doi.org/10.1016/j.engstruct.2015.10.030

    Артикул

    Google Scholar

  • CEN (2005) Европейский стандарт EN 1998-3: 2005. Еврокод 8: проектирование сейсмостойких конструкций — часть 3: оценка и модернизация зданий. Включение исправления, март 2010 г. Европейский комитет по стандартизации

  • Ди Людовико М., Вердераме Г.М., Прота А. и др. (2013) Экспериментальное поведение несоответствующих колонн RC с гладкими стержнями при постоянной осевой нагрузке и двухосном изгибе.J Struct Eng 139: 897–914. https://doi.org/10.1061/(ASCE)ST.1943-541X.0000703

    Артикул

    Google Scholar

  • Ди Людовико М., Вердераме GM, Прота А. и др. (2014) Циклическое поведение несоответствующих полномасштабных столбцов RC. J Struct Eng 140: 4013107. https://doi.org/10.1061/(ASCE)ST.1943-541X.0000891

    Артикул

    Google Scholar

  • Элвуд К.Дж., Эберхард М.О. (2009) Эффективная жесткость железобетонных колонн.ACI Struct J 106: 476–484. https://doi.org/10.14359/56613

    Google Scholar

  • Elwood KJ, Moehle JP (2005) Модель осевой нагрузки для колонн, поврежденных сдвигом. ACI Struct J 102: 578–587. https://doi.org/10.14359/14562

    Google Scholar

  • Faella C, Napoli A, Realfonzo R (2008) Циклическое изгибное поведение бетонных колонн с FRP при высокой осевой нагрузке.В: Cosenza E, Manfredi G, Monti G (eds) Proceedings, ReLUIS congress оценка снижения сейсмической уязвимости существующих RC-зданий. Международное научное издательство Polimetrica, Монца, Италия. Фельдман, Л. Р., стр. 533–542

  • Fernandes CAL (2012) Циклическое поведение железобетонных элементов с плоскими арматурными стержнями. Universidade de Aveiro

  • Ghannoum WM, Matamoros AB (2014) Параметры нелинейного моделирования и критерии приемки для бетонных колонн. Spec Publ 297: 1–24

    Google Scholar

  • Goksu C, Yilmaz H, Chowdhury SR et al (2014) Влияние длины стыка внахлест на поведение циклических поперечных нагрузок стержней из железобетонных конструкций с низкопрочным бетоном и гладкими стержнями.Adv Struct Eng 17: 639–658. https://doi.org/10.1260/1369-4332.17.5.639

    Артикул

    Google Scholar

  • Hakuto S (2000) Сейсмические характеристики железобетонных колонн с концевыми крюками под углом 90 градусов для поперечной арматуры при высокоскоростной нагрузке. В: Материалы 12-й всемирной конференции по сейсмической инженерии Окленд, Новая Зеландия, доклад №: 1–7

  • Haselton CB, Deierlein GG (2008) Оценка сейсмической безопасности обрушения современных железобетонных зданий с моментным каркасом.Civ Eng 137: 481–491. https://doi.org/10.1061/(ASCE)ST.1943-541X.0000318

    Google Scholar

  • Генри Р.С. (2013) Оценка минимальных пределов вертикального армирования для железобетонных стен. Bull N Z Soc Earthq Eng 46: 88–96

    Google Scholar

  • Илки А., Демир С., Бедирханоглу И., Кумбасар Н. (2009) Сейсмическая модернизация хрупких и низкопрочных RC-колонн с использованием армированного волокном полимера и вяжущих композитов.Adv Struct Eng 12: 325–347. https://doi.org/10.1260/136943309788708356

    Артикул

    Google Scholar

  • Лю А., Парк Р. (2001) Сейсмические свойства и модернизация внешних стыков балок и колонн, построенных до 1970 года, армированных плоскими круглыми стержнями. Bull N Z Soc Earthq Eng 34: 68–81

    Google Scholar

  • Marefat MS, Karbasi Arani K, Hassanzadeh Shirazi SM, Amrollahi A (2008) Сейсмическое поведение и модернизация бетонных колонн старого здания R.C. Здания, укрепленные гладкими решетками. AIP Conf Proc 1020: 1554–1562. https://doi.org/10.1063/1.2963783

    Артикул

    Google Scholar

  • Мело Дж., Варум Х., Россетто Т. (2015) Экспериментальное циклическое поведение колонн RC с плоскими стержнями и предложение по улучшению формулы Еврокода 8. Eng Struct 88: 22–36. https://doi.org/10.1016/j.engstruct.2015.01.033

    Артикул

    Google Scholar

  • O’Reilly GJ, Sullivan TJ (2017) Методы моделирования для сейсмической оценки существующих итальянских железобетонных каркасных конструкций.J Earthq Eng 2469: 1–35. https://doi.org/10.1080/13632469.2017.1360224

    Артикул

    Google Scholar

  • Руководство Новой Зеландии (2017) Часть C5, бетонные здания. Техническое руководство для инженерных оценок

  • Osorio E, Bairan JM, Mari AR (2012) Влияние циклической двухосной сдвиговой нагрузки на сейсмический отклик колонн RC. В: Материалы 15-й Всемирной конференции по сейсмостойкости, Лиссабон, Португалия

  • Pham TP, Li B (2014) Сейсмические характеристики железобетонных колонн с плоскими продольными арматурными стержнями.ACI Struct J 111: 561–572. https://doi.org/10.14359/51686572

    Google Scholar

  • Пристли, Ковальский (2000) Проектирование бетонных зданий на основе прямого перемещения. Bull N Z Soc Earthq Eng 33: 421–444

    Google Scholar

  • Priestley MJN, Verma R, Xiao Y (1994) Сейсмическая прочность на сдвиг железобетонных колонн. J Struct Eng 120: 2310–2329.https://doi.org/10.1061/(ASCE)0733-9445(1994)120:8(2310)

    Артикул

    Google Scholar

  • Стандарты Новой Зеландии (2006) NZS 3101: 2006, стандарт бетонных конструкций

  • Stocker MF, Sozen MA (1969) Исследование предварительно напряженного железобетона для автомобильных мостов, часть vi, характеристики сцепления предварительно напряженной пряди. Инженерная экспериментальная станция Университета Иллинойса. Инженерный колледж.Университет Иллинойса в Урбане-Шампейне

  • Стокман Л. (2007) Характеристики и модернизация железобетонных колонн с недостаточным соединением внахлест (неопубликованная диссертация). Кентерберийский университет

  • Stookey MC (1907) Испытания связи между бетоном и сталью. Университет Иллинойса

  • Цуно К., Парк Р. (2004) Экспериментальное исследование железобетонных опор моста, подвергающихся двунаправленной квазистатической нагрузке. Struct Eng / Earthq Eng 21: 11–26.https://doi.org/10.2208/jsceseee.21.11s

    Артикул

    Google Scholar

  • Verderame GM, Fabbrocino G, Manfredi G (2008a) Сейсмический отклик R.C. колонны с гладким армированием. Часть II: циклические тесты. Eng Struct 30: 2289–2300. https://doi.org/10.1016/j.engstruct.2008.01.024

    Артикул

    Google Scholar

  • Verderame GM, Fabbrocino G, Manfredi G (2008b) Сейсмический отклик R.В. колонны с гладкой арматурой. Часть I: монотонные тесты. Eng Struct 30: 2277–2288. https://doi.org/10.1016/j.engstruct.2008.01.025

    Артикул

    Google Scholar

  • Verderame GM, Ricci P, Manfredi G, Cosenza E (2010) Максимальное вращение хорды RC-колонн с гладкими полосами: некоторые соображения о предписаниях EC8. Bull Earthq Eng 8: 1351–1373. https://doi.org/10.1007/s10518-010-9190-x

    Артикул

    Google Scholar

  • Ван Д., Ли Х. Н., Ли Г. (2013) Экспериментальные испытания железобетонных колонн при многомерных динамических нагрузках.Материал сборки 47: 1167–1181. https://doi.org/10.1016/j.conbuildmat.2013.06.003

    Артикул

    Google Scholar

  • Yalcin C, Kaya O, Sinangil M (2008) Сейсмическое переоборудование R / C колонн с гладкими арматурными стержнями с использованием листов углепластика для повышения прочности и пластичности. Строительный материал 22: 295–307. https://doi.org/10.1016/j.conbuildmat.2006.08.017

    Артикул

    Google Scholar

  • Натан Каллус

  • JПерсонализация | Оптимизация в условиях неопределенности1

    Быстрые ставки для контекстной линейной оптимизации с Y.Ху и Х. Мао.

    • arXiv November 2020.

    • Abstract: Включение дополнительных наблюдений за прогностическими функциями может помочь уменьшить неопределенность при принятии оперативных решений, но также требует от нас решения потенциально сложных прогностических отношений. Хотя можно использовать различные стандартные методы машинного обучения, чтобы изучить прогнозную модель, а затем подключить ее к нашей задаче принятия решений, в различных недавних работах вместо этого предлагалось интегрировать оценку и оптимизацию с учетом последующих решений. .Удивительно, но в случае контекстной линейной оптимизации мы показываем, что наивный подход с подключаемыми модулями на самом деле обеспечивает скорость сходимости с сожалением, которая значительно выше, чем наилучшая возможная с помощью методов, которые напрямую оптимизируют производительность последующих решений. Мы показываем это, используя тот факт, что конкретные экземпляры проблем не имеют произвольно плохой, близкой к вырожденности. Хотя есть и другие плюсы и минусы, которые следует учитывать при обсуждении, наши результаты подчеркивают очень тонкую среду, в которой предприятие может интегрировать оценку и оптимизацию.
  • JПерсонализация | Оптимизация в условиях неопределенности1

    Леса стохастической оптимизации, с X. Мао.

  • J | CПоследовательное принятие решений | Персонализация | Причинный вывод | Оптимизация в условиях неопределенности1

    Быстрые ставки для сожаления об автономном обучении с подкреплением, с Ю. Ху и М. Уэхара.

    • arXiv Февраль 2021.

    • Аннотация: Мы изучаем сожаление об обучении с подкреплением на основе автономных данных, генерируемых политикой фиксированного поведения в процессе марковских решений с дисконтированием с бесконечным горизонтом (MDP).В то время как существующие анализы общих подходов, таких как подобранная Q-итерация (FQI), предполагают, к сожалению, сходимость O (1 / √n), эмпирическое поведение демонстрирует гораздо более быструю сходимость. В этой статье мы представляем более тонкий анализ сожалений, который точно характеризует это явление, обеспечивая быстрые показатели сходимости сожалений. Во-первых, мы показываем, что при любой оценке оптимальной функции качества Q & ast; сожаление о политике, которую она определяет, сходится со скоростью, заданной возведением в степень поточечной сходимости Q & ast; -оценки, тем самым ускоряя ее.Уровень возведения в степень зависит от уровня шума в задаче принятия решения, а не от задачи оценки. Мы устанавливаем такие уровни шума для линейных и табличных МДП в качестве примеров. Во-вторых, мы предлагаем новый анализ FQI и минимизации остатков Беллмана, чтобы установить правильные гарантии поточечной сходимости. В качестве конкретных случаев наши результаты предполагают O (1 / n) процент сожаления в линейных случаях и exp (-Ω (n)) процент сожаления в табличных случаях.
  • J | CПоследовательное принятие решений | Персонализация | Причинный вывод | Оптимизация в условиях неопределенности1

    Анализ конечной выборки минимаксного автономного обучения с подкреплением: полнота, быстрота и эффективность первого порядка, с M.Имаидзуми, Н. Цзян, В. Сунь, М. Уэхара и Т. Се.

    • arXiv Февраль 2021 г.

    • Аннотация: Мы предлагаем теоретическую характеристику внеполитической оценки (OPE) в обучении с подкреплением с использованием аппроксимации функций для весов маргинальной важности и q-функций, когда они оцениваются с использованием последних методов минимакс . При различных комбинациях предположений реализуемости и полноты мы показываем, что минимаксный подход позволяет нам достичь высокой скорости сходимости для весов и функций качества, характеризуемой критическим неравенством (Bartlett et al., 2005). Основываясь на этом результате, мы анализируем скорость сходимости для OPE. В частности, мы вводим новые альтернативные условия полноты, при которых возможна OPE, и представляем первый результат конечной выборки с эффективностью первого порядка в нетабличных средах, то есть с минимальным коэффициентом в главном члене.
  • JCausal Inference0

    Об оптимальности рандомизации в экспериментальном плане: как рандомизировать для минимальной дисперсии и вывода на основе плана.

  • JПерсонализация | Причинный вывод0

    Реплика: Новые цели изучения политики.

  • CFairness | Персонализация0

    Справедливость, благосостояние и равноправие при персонализированном ценообразовании, с А. Чжоу.

    • Материалы 4-й конференции ACM по справедливости, подотчетности и прозрачности (FAccT), 2021 г.

    • arXiv декабрь 2020 г.

    • Аннотация: Мы изучаем взаимосвязь соображений справедливости, благосостояния и справедливости в индивидуальном ценообразовании на основе характеристик клиента.Продавцы все чаще могут проводить персонализацию цен на основе прогнозного моделирования спроса, обусловленного ковариатами: устанавливать индивидуальные процентные ставки, целевые скидки на потребительские товары и персонализированные субсидии на ограниченные ресурсы с положительными внешними эффектами, такими как вакцины и надкроватные сетки. Эти разные области применения могут вызывать разные опасения по поводу справедливости, благосостояния и справедливости для разных целей: ценовое бремя для потребителей, зависть к ценам, доход фирм, доступ к товару, равный доступ и последствия распределения, когда рассматриваемый товар оказывает дальнейшее влияние на переработку. интересующие результаты.Мы проводим всесторонний обзор литературы, чтобы разделить эти различные нормативные соображения и предложить таксономию различных целей с математическими определениями. Мы сосредотачиваемся на наблюдательных метриках, которые не предполагают доступа к базовому распределению оценок, которое либо не наблюдается из-за бинарной обратной связи, либо плохо определено из-за преобладающих поведенческих проблем, связанных с интерпретацией выявленных предпочтений. При настройке индивидуального ценообразования для предоставления товаров с положительными преимуществами мы обсуждаем, как оптимизация цен может принести однозначную выгоду за счет достижения «тройного результата»: персонализированное ценообразование позволяет расширить доступ, что, в свою очередь, может привести к повышению благосостояния неоднородное коммунальное предприятие и улучшит использование доходов или бюджета.Мы эмпирически демонстрируем потенциальные преимущества персонализированного ценообразования в двух условиях: субсидирование ценообразования на плановую вакцину и влияние персонализированных процентных ставок на последующие результаты микрокредитования.
  • JCausal Inference1

    Вариационный метод моментов, с А. Беннеттом.

    • arXiv Декабрь 2020.

    • Abstract: Условная проблема моментов представляет собой мощную формулировку для описания структурных причинных параметров в терминах наблюдаемых, ярким примером которой является регрессия инструментальных переменных.Стандартный подход состоит в том, чтобы свести проблему к конечному набору условий маргинального момента и применить оптимально взвешенный обобщенный метод моментов (OWGMM), но для этого необходимо, чтобы мы знали конечный набор идентифицирующих моментов, все равно может быть неэффективным, даже если идентификация, или может быть громоздким и непрактичным, если мы воспользуемся растущим ситом моментов. Руководствуясь вариационным минимаксным переформулированием OWGMM, мы определяем очень общий класс оценок для условной проблемы моментов, которую мы называем вариационным методом моментов (VMM) и который, естественно, позволяет управлять бесконечно большим числом моментов.Мы предоставляем подробный теоретический анализ нескольких оценок VMM, в том числе на основе методов ядра и нейронных сетей, и обеспечиваем соответствующие условия, при которых эти оценки являются согласованными, асимптотически нормальными и полупараметрически эффективными в полной модели условных моментов. Это контрастирует с другими недавно предложенными методами решения условных проблем моментов на основе состязательного машинного обучения, которые не включают оптимальное взвешивание, не устанавливают асимптотическую нормальность и не являются полупараметрически эффективными.
  • JПоследовательное принятие решений | Персонализация | Причинный вывод | Оптимизация в условиях неопределенности1

    DTR Bandit: Учимся принимать решения, адаптированные к ответу, с незначительным сожалением, с Ю. Ху.

    • arXiv Май 2020 г.

    • GitHub.

    • Резюме: Динамические режимы лечения (DTR) — это персонализированные, адаптивные, многоступенчатые планы лечения, которые адаптируют решения о лечении как к начальным особенностям человека, так и к промежуточным результатам и особенностям на каждой последующей стадии, на которые влияют решения предыдущие этапы.Примеры включают персонализированные методы лечения хронических состояний, таких как диабет, рак и депрессию, первой и второй линий, которые адаптируются к реакции пациента на лечение первой линии, прогрессированию заболевания и индивидуальным характеристикам. В то время как существующая литература в основном сосредоточена на оценке оптимального DTR на основе автономных данных, таких как последовательные рандомизированные испытания, мы изучаем проблему разработки оптимального DTR в интерактивном режиме, когда взаимодействие с каждым человеком влияет как на нашу совокупную награду, так и на наш сбор данных для будущее обучение.Мы называем это проблемой бандитов DTR. Мы предлагаем новый алгоритм, который, тщательно балансируя исследование и эксплуатацию, гарантирует достижение оптимального по скорости сожаления, когда модели перехода и вознаграждения линейны. Мы демонстрируем наш алгоритм и его преимущества как в синтетических экспериментах, так и в тематическом исследовании адаптивного лечения большого депрессивного расстройства с использованием реальных данных.
  • CПоследовательное принятие решений | Персонализация | Причинный вывод | Высокие размеры1

    Оптимальная оценка вне политики из нескольких политик журналирования, с Y.Сайто и М. Уэхара.

    • arXiv October 2020.

    • GitHub.

    • Аннотация: Мы изучаем внеполитическую оценку (OPE) на основе нескольких политик регистрации, каждая из которых генерирует набор данных фиксированного размера, то есть стратифицированную выборку. В предыдущей работе было отмечено, что в этой настройке упорядочение дисперсий различных оценщиков выборки важности зависит от конкретного случая, что вызывает дилемму относительно того, какие веса выборки важности использовать. В этой статье мы решаем эту дилемму, находя оценку OPE для нескольких регистраторов с минимальной дисперсией для любого случая, т.е.е., работоспособный. В частности, мы устанавливаем границу эффективности при стратифицированной выборке и предлагаем оценку, позволяющую достичь этой границы при наличии согласованных q-оценок. Чтобы защититься от неправильного определения q-функций, мы также предоставляем способ выбора управляющей переменной в классе гипотез, чтобы минимизировать дисперсию. Обширные эксперименты демонстрируют преимущества эффективного использования наших методов стратифицированной выборки внеполитических данных из нескольких регистраторов.
  • CПоследовательное принятие решений | Персонализация | Причинно-следственный вывод | Высокие измерения0

    Вдвойне надежная внеполитическая оценка ценности и градиента для детерминированных политик, с M.Уэхара.

  • JПоследовательное принятие решений | Персонализация | Причинный вывод | Высокие измерения1

    Эффективная оценка естественных стохастических политик в автономном обучении с подкреплением, с М. Уэхара.

    • arXiv Июнь 2020 г.

    • GitHub.

    • Аннотация: Мы изучаем эффективную внеполитическую оценку естественных стохастических политик, которые определяются в терминах отклонений от поведенческой политики. Это отход от литературы по внеполитической оценке, где в большинстве работ рассматривается оценка явно определенных политик.Важно отметить, что автономное обучение с подкреплением с естественными стохастическими политиками может помочь смягчить проблемы слабого перекрытия, привести к политикам, основанным на текущей практике, и улучшить реализуемость политик на практике. По сравнению с классическим случаем заранее заданной политики оценки, при оценке естественной стохастической политики граница эффективности, которая измеряет наиболее достижимую ошибку оценки, завышается, поскольку сама политика оценки неизвестна. В этой статье мы выводим границы эффективности двух основных типов естественных стохастических политик: политик наклона и модифицированных политик лечения.Затем мы предлагаем эффективные непараметрические оценки, которые достигают границ эффективности при очень слабых условиях. Они также обладают свойством (частичной) двойной устойчивости.
  • CПоследовательное принятие решений | Персонализация | Причинный вывод0

    Оценка вне политики в обучении с подкреплением в бесконечном горизонте с латентными конфаундерами, с А. Беннеттом, Л. Ли и А. Мусави.

    • Труды 24-й Международной конференции по искусственному интеллекту и статистике (AISTATS), 2021 г.

    • arXiv июль 2020 г.

    • Устный в AISTATS (3 & percnt;)

    • Резюме: Внеполитическая оценка (OPE) в обучении с подкреплением является важной проблемой в условиях ограниченного экспериментирования, например образования и здравоохранение. Но в тех же самых условиях наблюдаемые действия часто смешиваются с ненаблюдаемыми переменными, что еще больше затрудняет OPE. Мы изучаем проблему OPE в эргодическом марковском процессе принятия решений с бесконечным горизонтом и с ненаблюдаемыми искажающими факторами, где состояния и действия могут выступать в качестве заместителей для ненаблюдаемых искажающих факторов.Мы покажем, как, учитывая только модель скрытых переменных для состояний и действий, значение политики можно определить на основе данных вне политики. Наш метод состоит из двух этапов. В первом мы показываем, как использовать прокси для оценки стационарных коэффициентов распределения, расширяя недавние работы по преодолению проклятия горизонта до запутанных условий. Во втором мы показываем, что оптимальная балансировка может быть объединена с такими изученными соотношениями для получения ценности политики, избегая при этом прямого моделирования функций вознаграждения. Мы устанавливаем теоретические гарантии согласованности и эмпирически проверяем наш метод.
  • JCausal Inference | High Dimensions1

    О роли суррогатов в эффективной оценке эффектов лечения с ограниченными данными о результатах, с X. Мао.

    • arXiv March 2020.

    • Abstract: Мы изучаем проблему оценки эффектов лечения, когда результат, представляющий основной интерес (например, долгосрочное состояние здоровья), наблюдается редко, но имеется множество суррогатных наблюдений (например, короткие среднесрочные результаты по здоровью).Чтобы исследовать роль суррогатов в этих условиях, мы выводим нижние границы полупараметрической эффективности среднего лечебного эффекта (ATE) как с присутствием суррогатов, так и без них, а также несколько промежуточных параметров. Эти границы характеризуют максимально возможную точность оценки ATE в каждом случае, а их разница количественно определяет выигрыш в эффективности от оптимального использования суррогатов с точки зрения ключевых характеристик проблемы, когда доступны только ограниченные данные о результатах. Мы показываем, что эти результаты применимы в двух важных режимах: когда количество суррогатных наблюдений сопоставимо с наблюдениями за первичным исходом, и когда первое преобладает над вторым.Важно отметить, что мы применяем подход с отсутствующими данными, который позволяет обойти строгие суррогатные условия, которые обычно предполагаются в предыдущей литературе, но почти всегда терпят неудачу на практике. Чтобы показать, как повысить эффективность суррогатных наблюдений, мы предлагаем оценки ATE и методы вывода, основанные на гибких методах машинного обучения, для оценки мешающих параметров, которые появляются в функциях влияния. Мы показываем, что наши оценщики пользуются гарантиями эффективности и надежности в слабых условиях.
  • CПоследовательное принятие решений | Персонализация | Причинный вывод0

    Confounding-Robust Policy Evaluation in Infinite-Horizon Reinforcement Learning, with A. Zhou.

  • CПоследовательное принятие решений | Персонализация | Причинный вывод | Высокие измерения 0

    Статистически эффективные градиенты вне политики, с М. Уэхара.

  • CПерсонализация | Причинный вывод0

    Эффективное извлечение уроков из политики суррогатной классификации потерь, с A.Беннетт.

  • JCausal Inference | High Dimensions1

    Localized Debiased Machine Learning: Эффективный вывод о квантильных эффектах лечения и не только, с X. Mao и M. Uehara.

    • arXiv Декабрь 2019 г.

    • GitHub.

    • Аннотация: Мы рассматриваем эффективную оценку параметра низкой размерности при наличии помех очень большой размерности, которые могут зависеть от интересующего параметра. Важным примером является квантильный эффект обработки (QTE) в причинно-следственном выводе, где эффективное уравнение оценки включает в качестве помех условное кумулятивное распределение, оцененное в квантиле, подлежащем оценке.Debiased машинное обучение (DML) — это подход к разделению данных для удовлетворения потребности в оценке неудобств с использованием гибких методов машинного обучения, которые могут не удовлетворять строгим условиям метрической энтропии, но его применение к задачам с помехами, зависящими от оценки и, потребует оценки слишком большого количества неудобств, чтобы будьте практичны. Для оценки QTE DML требует, чтобы мы изучили всю функцию условного кумулятивного распределения, что может быть проблематичным на практике и отличается от необходимости оценивать только две функции регрессии, как при эффективной оценке средних эффектов лечения.Вместо этого мы предлагаем локализованное обезличенное машинное обучение (LDML), новый трехсторонний подход к разделению данных, который позволяет избежать этого обременительного шага и требует только оценки неприятностей при единственном начальном неверном предположении для параметров. В частности, при условии ортогональности производной Фреше, мы показываем, что уравнение оценки оракула асимптотически эквивалентно уравнению, в котором помехи оцениваются по истинному значению параметра, и мы предлагаем стратегию нацеливания на эту альтернативную формулировку. В случае оценки QTE это включает в себя изучение только двух бинарных регрессионных моделей, для которых существует множество стандартных, проверенных временем методов машинного обучения.Мы доказываем, что при определенных условиях слабой скорости наша оценка имеет такое же благоприятное асимптотическое поведение, что и недопустимая оценка оракула, которая решает оценочное уравнение с истинными мешающими функциями.
  • J | CПоследовательное принятие решений | Персонализация | Причинный вывод | Оптимизация в условиях неопределенности1

    Гладкие контекстные бандиты: преодоление параметрических и недифференцируемых режимов сожаления, с Ю. Ху и Х. Мао.

    • Существенный пересмотр исследования операций.

    • Труды 33-й конференции по теории обучения (COLT), 2020 (Расширенная аннотация).

    • arXiv Сентябрь 2019 г.

    • Финалист конкурса на лучшую работу Общества прикладной вероятности

    • Аннотация: Мы изучаем непараметрическую контекстную бандитскую задачу, в которой ожидаемые функции вознаграждения принадлежат классу Гельдера с параметром гладкости β. Мы показываем, как это интерполируется между двумя крайностями, которые ранее изучались изолированно: недифференцируемые бандиты (β & leq; 1), где оптимальное по скорости сожаление достигается за счет запуска отдельных неконтекстных бандитов в разных контекстных областях, и бандиты с параметрическим ответом ( β = ∞), где оптимальная скорость сожаления может быть достигнута с минимальным исследованием или без него из-за бесконечной экстраполяции.Мы разрабатываем новый алгоритм, который тщательно подстраивается под все настройки плавности, и доказываем, что его сожаление является оптимальным по скорости, устанавливая совпадающие верхнюю и нижнюю границы, восстанавливая существующие результаты на двух крайних точках. В этом смысле наша работа устраняет разрыв между существующей литературой по параметрическим и недифференцируемым контекстным проблемам бандитов и между бандитскими алгоритмами, которые используют исключительно глобальную или локальную информацию, проливая свет на решающее взаимодействие сложности и сожаления в контекстуальных бандитах.
  • JПоследовательное принятие решений | Персонализация | Причинный вывод | Высокие измерения1

    Эффективное преодоление проклятия горизонта в оценке вне политики с помощью обучения с двойным подкреплением, с М. Уехара.

  • C | JПоследовательное принятие решений | Персонализация | Причинный вывод | Высокие измерения 0

    Обучение с двойным подкреплением для эффективной внеполитической оценки в марковских процессах принятия решений, с М. Уехара.

    • Журнал исследований в области машинного обучения (JMLR), 21 (167): 1-63, 2020.

    • Труды 37-й Международной конференции по машинному обучению (ICML), 2020 (предварительная версия).

    • arXiv Август 2019 г.

    • GitHub.

    • Аннотация: Оценка вне политики (OPE) в обучении с подкреплением позволяет оценивать новые политики принятия решений без необходимости проведения исследования, которое часто является дорогостоящим или неосуществимым по иным причинам. Мы впервые рассматриваем полупараметрические пределы эффективности OPE в марковских процессах принятия решений (MDP), где действия, вознаграждения и состояния не имеют памяти.Мы показываем, что существующие оценки OPE могут оказаться неэффективными в этой ситуации. Мы разрабатываем новую оценку, основанную на перекрестной оценке q-функций и коэффициентов маргинальной плотности, которую мы называем обучением с двойным подкреплением (DRL). Мы показываем, что DRL эффективен, когда оба компонента оцениваются на уровне корня четвертой степени, а также является вдвойне устойчивым, когда согласован только один компонент. Мы исследуем эти свойства эмпирически и демонстрируем преимущества в производительности за счет эффективного использования без памяти.
  • J | CFairness | Причинный вывод | Персонализация0

    Оценка алгоритмической справедливости с ненаблюдаемым защищенным классом с использованием комбинации данных, с X. Mao и A. Zhou.

    • Management Science, 2020.

    • Труды 3-й конференции ACM по справедливости, подотчетности и прозрачности (FAccT), 110, 2020 (Расширенная аннотация).

    • arXiv Июнь 2019 г.

    • GitHub.

    • Аннотация: Возрастающее влияние алгоритмических решений на жизнь людей заставляет нас тщательно исследовать их справедливость и, в частности, разное влияние, которое якобы дальтоники алгоритмы могут оказывать на разные группы.Примеры включают принятие кредитных решений, прием на работу, рекламу, уголовное правосудие, персонализированную медицину и целенаправленное формирование политики, когда в некоторых случаях существуют законодательные или нормативные рамки для справедливости и определяют конкретные защищенные классы. В этой статье мы изучаем фундаментальную проблему оценки разнородных воздействий на практике: принадлежность к защищенному классу часто не отражается в данных. Это особенно проблема в кредитовании и здравоохранении. Мы рассматриваем возможность использования вспомогательного набора данных, такого как перепись США, который включает метки классов, но не решения или результаты.Мы показываем, что различные общие меры неравенства, как правило, не поддаются идентификации, если не считать некоторых нереалистичных случаев, что дает новый взгляд на задокументированные предубеждения популярных методов на основе прокси. Мы предоставляем точные характеристики наиболее точного возможного набора частичной идентификации несоответствий либо без каких-либо предположений, либо когда мы включаем умеренные ограничения гладкости. Мы также предлагаем алгоритмы на основе оптимизации для вычисления и визуализации этих наборов, которые позволяют проводить надежные и надежные оценки — важный инструмент, когда оценка несоответствия может иметь далеко идущие последствия для политики.Мы демонстрируем это на двух тематических исследованиях с реальными данными: ипотечное кредитование и индивидуальное дозирование лекарств.
  • JOptimization Under Uncertainty | High Dimensions0

    Объединение данных в стохастической оптимизации, с В. Гупта.

  • JПерсонализация | Причинный вывод0

    Более эффективное изучение политики с помощью оптимального ретаргетинга.

    • Журнал Американской статистической ассоциации (JASA), 2020, специальный выпуск о точной медицине и открытии индивидуальной политики.

    • arXiv Июнь 2019 г.

    • GitHub.

    • Выбран в качестве дискуссионного документа JASA

    • Резюме: Политическое обучение можно использовать для извлечения индивидуализированных режимов лечения из данных наблюдений в здравоохранении, гражданском праве, электронной коммерции и не только. Одним из серьезных препятствий на пути изучения политики является обычное отсутствие дублирования данных по различным действиям, что может привести к громоздкой оценке политики и плохой реализации усвоенных политик.Мы изучаем решение этой проблемы на основе ретаргетинга, то есть изменения популяции, для которой оптимизирована политика. Сначала мы утверждаем, что на уровне популяции ретаргетинг может практически не вызывать смещения. Затем мы охарактеризуем оптимальные веса центрирования и перенацеливания эталонной политики как для двоичных, так и для многодействующих параметров. Мы делаем это с точки зрения асимптотической эффективной дисперсии оценки новой цели обучения. Мы также рассматриваем регуляризацию смещения. Обширные эмпирические результаты имитационного исследования и тематического исследования целевого консультирования по вопросам работы демонстрируют, что ретаргетинг — это довольно простой способ значительно улучшить любую процедуру изучения политики.
  • JПерсонализация | Причинный вывод0

    Минимаксно-оптимальное обучение политике при ненаблюдаемом вмешательстве, с А. Чжоу.

    • Наука управления, Предварительные статьи, 2020.

    • arXiv May 2018.

    • GitHub.

    • Победитель конкурса INFORMS 2018 Data Mining Best Paper Award

    • 2-е место в конкурсе работ INFORMS 2018 Junior Faculty Interest Group (JFIG)

    • Резюме: Мы изучаем проблему обучения персонализированной политике принятия решений на основе данных наблюдений принимая во внимание возможные ненаблюдаемые искажения.Предыдущие подходы, которые предполагали необоснованность, то есть отсутствие ненаблюдаемых искажающих факторов, влияющих как на назначение лечения, так и на результат, могут привести к политике, которая вносит вред, а не пользу, когда присутствует некоторая ненаблюдаемая искажающая информация, как это обычно бывает с данными наблюдений. Вместо этого, поскольку ценность политики и сожаление могут не быть точными, мы изучаем метод, который минимизирует наихудшее оценочное сожаление о кандидатской политике по сравнению с базовой политикой по неопределенности, установленной для весов склонности, которая контролирует степень ненаблюдаемого искажения.Мы доказываем гарантии обобщения, которые гарантируют, что наша политика безопасна при применении на практике и фактически обеспечивает максимально возможный единообразный контроль над диапазоном всех возможных сожалений населения, которые согласуются с возможной степенью смешения. Мы разрабатываем эффективные алгоритмические решения для вычисления этой минимаксно-оптимальной политики. Наконец, мы оцениваем и сравниваем наши методы на синтетических и полусинтетических данных. В частности, мы рассматриваем тематическое исследование персонализированной заместительной гормональной терапии, основанное на данных наблюдений, в котором мы подтверждаем наши результаты в рандомизированном эксперименте.Мы демонстрируем, что скрытые искажения могут препятствовать существующим подходам к изучению политики и приводить к неоправданному ущербу, хотя наш надежный подход гарантирует безопасность и фокусируется на очевидных улучшениях, что необходимо для того, чтобы персонализированные стратегии лечения, извлеченные из данных наблюдений, были надежными на практике.
  • J Персонализация | Причинный вывод1

    Границы обобщения и обучение репрезентативности для оценки потенциальных результатов и причинных эффектов, совместно с Ф. Йоханссоном, У.Шалит, Д. Зонтаг.

    • arXiv Январь 2020.

    • Резюме: Практики в различных областях, таких как здравоохранение, экономика и образование, стремятся применять машинное обучение для улучшения процесса принятия решений. Стоимость и непрактичность проведения экспериментов и недавний колоссальный рост электронного учета привлекли внимание к проблеме оценки решений, основанных на неэкспериментальных данных наблюдений. Это постановка этой работы.В частности, мы изучаем оценку причинно-следственных эффектов на индивидуальном уровне, таких как реакция отдельного пациента на альтернативные лекарства, исходя из записанных контекстов, решений и результатов. Мы даем обобщающие границы ошибки в оценках эффектов на основе измерений расстояния между группами, получающими разное лечение, с учетом повторного взвешивания выборки. Мы предоставляем условия, при которых наша граница является жесткой, и показываем, как это соотносится с результатами неконтролируемой адаптации домена. Руководствуясь нашими теоретическими результатами, мы разрабатываем алгоритмы обучения репрезентации, которые сводят к минимуму наши границы, за счет регуляризации индуцированного репрезентации расстояния группы лечения и поощряют обмен информацией между группами лечения.Мы расширяем эти алгоритмы, чтобы одновременно изучать взвешенное представление, чтобы еще больше сократить расстояния между группами лечения. Наконец, экспериментальная оценка реальных и синтетических данных показывает ценность предлагаемой нами архитектуры представления и схемы регуляризации.
  • CПоследовательное принятие решений | Персонализация | Причинный вывод0

    Внутренне эффективная, стабильная и ограниченная вне-политическая оценка обучения с подкреплением, с М. Уехара.

  • CFairness | Персонализация0

    Справедливость оценок риска за пределами классификации: двусторонний рейтинг и метрика xAUC, с A.Чжоу.

  • CCausal Inference0

    Глубоко обобщенный метод моментов для инструментального анализа переменных, с А. Беннеттом и Т. Шнабелем.

  • CF Справедливость | Причинный вывод | Персонализация0

    Оценка разнородных воздействий персонализированных вмешательств: идентификация и границы, с А. Чжоу.

  • CПерсонализация | Причинный вывод0

    Оценка политики с использованием скрытых факторов противоречия посредством оптимального баланса, с А. Беннеттом.

  • JПерсонализация | Причинный вывод0

    Комментарий: Энтропийное обучение для динамических режимов лечения.

    • Statistica Sinica, 29 (4): 1697—1705, 2019.

    • arXiv April 2020.

    • Abstract: Поздравляю проф. Биньян Цзян, Руи Сонг, Цзялян Ли и Донглин Цзэн (JSLZ) за захватывающий опыт в проведении выводов об оптимальных динамических режимах лечения (DTR), полученных путем минимизации эмпирического риска с использованием потери энтропии в качестве суррогата. Подход JSLZ использует оценку значения данного правила принятия решений по принципу отклонения и выборки по важности на основе взвешивания с обратной вероятностью (IPW) и его интерпретации как взвешенной (или чувствительной к стоимости) классификации.Использование суррогатов гладкой классификации позволяет им осторожно подходить к анализу асимптотических распределений. Однако даже для целей оценки оценка IPW проблематична, поскольку приводит к весам, которые отбрасывают большую часть данных и чрезвычайно изменчивы для всего, что остается. В этом комментарии я обсуждаю основанную на оптимизации альтернативу оценке DTR, рассматриваю несколько связей и предлагаю дальнейшие шаги. Это расширяет сбалансированный подход к оценке политики Каллуса (2018a) на лонгитюдную настройку.
  • CCausal Inference0

    DeepMatch: балансировка глубоких ковариантных представлений для причинного вывода с использованием состязательного обучения.

  • CP Персонализация | Причинный вывод 0

    Классификация респондеров на лечение по монотонности причинного эффекта.

    • Труды 36-й Международной конференции по машинному обучению (ICML), 97: 3201—3210, 2019 г.

    • arXiv Февраль 2019 г.

    • GitHub.

    • Abstract: В контексте причинно-следственного вывода на индивидуальном уровне мы изучаем проблему прогнозирования того, отреагирует ли кто-то на лечение или нет, на основе его особенностей и прошлых примеров особенностей, индикатора лечения (например,g., лекарство / отсутствие лекарства) и бинарный результат (например, выздоровление от болезни). Как задача классификации, проблема усложняется тем, что неизвестны примеры результатов по противоположным показателям лечения. Мы предполагаем, что эффект является монотонным, как эффект рекламы на покупку или эффект внесения залога на повторную явку в суд: либо это произошло бы независимо от лечения, не произошло бы независимо, либо произошло бы только в зависимости от воздействия лечения. Наша цель — предсказать, имеет ли последнее скрытое значение.В то время как предыдущая работа была сосредоточена на оценке условного среднего эффекта лечения, формулировка проблемы как задачи классификации, а не как задачи оценки, позволяет нам разработать новые инструменты, более подходящие для этой проблемы. Используя монотонность, мы разрабатываем новые дискриминативные и генеративные алгоритмы для задачи классификации респондентов. Мы исследуем и обсуждаем связи с поврежденными данными и изучением политик. Мы проводим эмпирическое исследование как с синтетическими, так и с реальными наборами данных, чтобы сравнить эти специализированные алгоритмы со стандартными тестами.
  • CПерсонализация | Причинный вывод0

    Поразительно-надежное улучшение политики, с А. Чжоу.

    • Труды 32-й конференции по системам обработки нейронной информации (NeurIPS), 9289-9299, 2018.

    • arXiv May 2018.

    • GitHub.

    • Abstract: Мы изучаем проблему обучения персонализированной политике принятия решений на основе данных наблюдений с учетом возможных ненаблюдаемых искажений в процессе генерации данных.В отличие от предыдущих подходов, которые предполагали необоснованность, то есть отсутствие ненаблюдаемых искажающих факторов, влияющих как на назначение лечения, так и на результаты, мы калибруем изучение политики для реалистичных нарушений этого непроверяемого предположения с помощью наборов неопределенностей, мотивированных анализом чувствительности в причинно-следственных выводах. Наша основа для улучшения сомнительно-устойчивой политики оптимизирует минимаксное сожаление о кандидатуре политики по сравнению с базовой или эталонной политикой «статус-кво» в отношении неопределенности, установленной вокруг номинальных весов склонности.Мы доказываем, что если набор неопределенностей четко определен, надежное изучение политики может работать не хуже, чем базовый уровень, и улучшаться только в том случае, если данные подтверждают это. Мы описываем состязательную подзадачу и используем эффективные алгоритмические решения для оптимизации параметризованных пространств политик принятия решений, таких как назначение логистической обработки. Мы оцениваем наши методы на синтетических данных и большом клиническом испытании, демонстрируя, что ошибочный отбор может помешать изучению политики и привести к неоправданному ущербу, в то время как наш надежный подход гарантирует безопасность и ориентирован на очевидные улучшения.
  • CCausal Inference0

    Удаление скрытых искажений путем экспериментального обоснования, с А. М. Пули и У. Шалитом.

    • Труды 32-й конференции по системам обработки нейронной информации (NeurIPS), 10911-10920, 2018.

    • arXiv October 2018.

    • GitHub.

    • В центре внимания NeurIPS (3.5 & percnt;)

    • Резюме: Данные наблюдений все чаще используются как средство для прогнозирования причинно-следственных связей на индивидуальном уровне и рекомендаций по вмешательству.Основная проблема причинного вывода из данных наблюдений — это скрытые искажения, наличие которых не может быть проверено в данных и может опровергнуть любой причинный вывод. Экспериментальные данные не противоречат друг другу, но обычно ограничены как по объему, так и по масштабу. Мы представляем новый метод использования ограниченных экспериментальных данных для исправления скрытых искажений в моделях причинно-следственных связей, обученных на более крупных данных наблюдений, даже если данные наблюдений не полностью совпадают с экспериментальными данными.Наш метод делает строго более слабые предположения, чем существующие подходы, и мы доказываем условия, при которых наш метод дает непротиворечивую оценку. Мы демонстрируем эффективность нашего метода, используя реальные данные большого образовательного эксперимента.
  • CПерсонализация | Причинный вывод0

    Сбалансированная оценка политики и обучение.

    • Труды 32-й конференции по системам обработки нейронной информации (NeurIPS), 8909–8920, 2018.

    • arXiv May 2017.

    • Аннотация: Мы представляем новый подход к проблемам оценки и изучения персонализированной политики принятия решений на основе данных наблюдений за прошлыми контекстами, решениями и результатами. Доступен только результат принятого решения, а историческая политика неизвестна. Эти проблемы возникают в персонализированной медицине с использованием электронных медицинских карт и в интернет-рекламе. Существующие подходы используют взвешивание обратной склонности (или, вдвойне надежные версии), чтобы данные за прошлые периоды (или остаточные) выглядели так, как будто они были созданы в результате оценки или изучения новой политики.Но это основано на подходе плагина, который отклоняет точки данных с решением, которое не согласуется с новой политикой, что приводит к высоким оценкам дисперсии и неэффективному обучению. Мы предлагаем новый подход, основанный на балансе, который также делает данные похожими на новую политику, но делает это напрямую, находя веса, которые оптимизируют баланс между взвешенными данными и целевой политикой в ​​данной конечной выборке, что эквивалентно минимизации наихудшая или апостериорная условная среднеквадратическая ошибка. Наш изучающий политику рассматривает двухуровневую задачу оптимизации политик и весов.Мы демонстрируем, что этот подход заметно превосходит существующие как в оценке, так и в обучении, что неудивительно, учитывая более широкую поддержку весов, основанных на балансе. Мы устанавливаем обширные гарантии теоретической согласованности и границы сожаления, которые поддерживают этот эмпирический успех.
  • Высокие измерения | Причинный вывод0

    Причинный вывод с зашумленными и отсутствующими ковариатами посредством матричной факторизации, с X. Мао и М. Уделлом.

    • Труды 32-й конференции по системам обработки нейронной информации (NeurIPS), 6921-6932, 2018.

    • arXiv Июнь 2018 г.

    • GitHub.

    • Abstract: Достоверный причинный вывод в обсервационных исследованиях часто требует учета искажающих факторов. Однако на практике измерения искажающих факторов могут быть зашумленными и могут привести к необъективным оценкам причинных эффектов. Мы показываем, что мы можем уменьшить смещение, вызванное шумом измерения, используя большое количество зашумленных измерений лежащих в основе искажающих факторов. Мы предлагаем использовать матричную факторизацию для вывода искажающих факторов из зашумленных ковариат, гибкую и принципиальную структуру, которая адаптируется к отсутствующим значениям, вмещает широкий спектр типов данных и может дополнять многие методы причинного вывода.Мы ограничили ошибку для оценки индуцированного среднего эффекта лечения и показали, что она согласована в настройке линейной регрессии, используя предварительную обработку завершения матрицы экспоненциального семейства. Мы демонстрируем эффективность предложенной процедуры в численных экспериментах как с синтетическими данными, так и с реальными клиническими данными.
  • CFairness | Персонализация0

    Справедливость в условиях незнания: оценка неравенства, когда защищенный класс не наблюдается, с Дж. Ченом, X. Мао, Г. Свачей и М.Уделл.

    • Материалы 2-й конференции ACM по справедливости, подотчетности и прозрачности (FAccT), 339–348, 2019 г.

    • arXiv ноябрь 2018 г.

    • GitHub.

    • Аннотация: Оценка справедливости системы принятия решений в отношении защищенного класса, такого как пол или раса, осложняется невозможностью соблюдать ярлыки членства в классе по юридическим или оперативным причинам. Вероятностные модели для прогнозирования защищенного класса на основе наблюдаемых прокси-переменных, таких как фамилия и геолокация для расы, иногда используются для вменения этих недостающих меток.Известно, что такие методы используются государственными регулирующими органами и, как было замечено, преувеличивают неравенство. Причина неизвестна, как и всегда ли завышенная оценка. Мы разделяем смещение оценки несоответствия результатов с помощью существующего метода вменения на основе пороговых значений на несколько интерпретируемых источников смещения, которые объясняют, когда происходит переоценка или недооценка. Мы также предлагаем альтернативную взвешенную оценку, которая использует правила мягкой классификации, а не жесткое вменение, и показываем, что ее систематическая ошибка возникает просто из-за условной ковариации результата с истинной принадлежностью к классу.Мы проиллюстрируем наши результаты численным моделированием, а также приложением к набору данных ипотечных заявок, используя геолокацию в качестве прокси для гонки. Мы подтверждаем, что систематическая ошибка при вменении на основе пороговых значений обычно в сторону увеличения; однако его величина сильно зависит от выбранного порогового значения из-за сложного взаимодействия множества источников систематической ошибки, выявленных нашим теоретическим анализом. Наша новая взвешенная оценка имеет тенденцию иметь отрицательную систематическую ошибку, которую гораздо проще анализировать и обдумывать.
  • CPПерсонализация | Причинный вывод0

    Интервальная оценка причинных эффектов на индивидуальном уровне при ненаблюдаемых искажениях, с X. Мао и А. Чжоу.

    • Материалы 22-й Международной конференции по искусственному интеллекту и статистике (AISTATS), 89: 2281—2290, 2019.

    • arXiv October 2018.

    • Abstract: Мы изучаем проблему условного обучения усредненные эффекты лечения (CATE) по данным наблюдений с ненаблюдаемыми искажающими факторами.Функция CATE сопоставляет базовые ковариаты с индивидуальными прогнозами причинных эффектов и является ключом к персонализированной оценке. Недавняя работа была сосредоточена на том, как изучать CATE в условиях необоснованности, то есть когда нет ненаблюдаемых искажающих факторов. Поскольку CATE нельзя идентифицировать при нарушении несостоятельности, мы разрабатываем функциональную интервальную оценку, которая предсказывает границы отдельных причинных эффектов при реальных нарушениях несостоятельности. Наша оценка принимает форму взвешенной ядерной оценки с весами, которые изменяются противоборствующим образом.Мы доказываем, что наша оценка точна в том смысле, что она сходится точно к максимально точным границам CATE, когда могут быть ненаблюдаемые искажающие факторы. Кроме того, мы изучаем персонализированные правила принятия решений, полученные на основе нашей оценки, и доказываем, что они асимптотически обеспечивают оптимальное минимаксное сожаление. Мы оцениваем наш подход в имитационном исследовании, а также демонстрируем его применение в случае заместительной гормональной терапии, сравнивая выводы реального наблюдательного исследования и клинического испытания.
  • CF Справедливость | Причинный вывод | Персонализация0

    Остаточная несправедливость в честном машинном обучении на основе предвзятых данных, с А.Чжоу.

    • Труды 35-й Международной конференции по машинному обучению (ICML), 80: 2439-2448, 2018.

    • arXiv июнь 2018.

    • Резюме: Недавняя работа по справедливости в области машинного обучения предложена корректировка на справедливость путем уравнивания показателей точности по группам, а также изучение того, как наборы данных, затронутые историческими предрассудками, могут привести к политике несправедливых решений. Мы соединяем эти направления работы и изучаем остаточную несправедливость, которая возникает, когда предсказатель с поправкой на справедливость на самом деле не справедлива по отношению к целевой группе из-за систематической цензуры данных обучения существующими предвзятыми политиками.Этот сценарий особенно часто встречается в тех же приложениях, где важна справедливость. Мы теоретически охарактеризуем влияние такой цензуры на стандартные показатели справедливости для бинарных классификаторов и дадим критерии того, когда остаточная несправедливость может проявиться или не проявиться. Мы доказываем, что при определенных условиях классификаторы, скорректированные на справедливость, на самом деле будут вызывать остаточную несправедливость, которая увековечивает те же несправедливости по отношению к тем же группам, которые изначально искажали данные, тем самым показывая, что даже современная справедливая машина обучение может иметь свойство «предвзятость, предвзятость».Когда доступны определенные контрольные данные, мы показываем, как повторное взвешивание выборки может оценивать и корректировать показатели справедливости с учетом цензуры. Мы используем это, чтобы изучить случай Stop, Question и Frisk (SQF) и продемонстрировать, что попытка внести поправку на справедливость увековечивает ту же несправедливость, которой печально известна политика.
  • CПерсонализация | Причинный вывод0

    Оценка политики и оптимизация с непрерывным лечением, с А. Чжоу.

    • Труды 21-й Международной конференции по искусственному интеллекту и статистике (AISTATS), 84: 1243-1251, 2018.

    • arXiv Февраль 2018 г.

    • GitHub.

    • Финалист, лучший доклад INFORMS 2017, семинар по интеллектуальному анализу данных и аналитике решений

    • Резюме: Мы изучаем проблему оценки политики и обучения на основе пакетных контекстных бандитских данных, когда лечение является непрерывным, что выходит за рамки предыдущей работы по дискретному лечению . Предыдущая работа для дискретных пространств обработки / действий была сосредоточена на методах обратного взвешивания вероятностей (IPW) и двойных надежных (DR) методах, которые используют подход отбраковки выборки для оценки и эквивалентную задачу взвешенной классификации для обучения.В непрерывном режиме это сокращение не удается, поскольку мы почти наверняка отвергнем все наблюдения. Чтобы справиться со случаем непрерывного лечения, мы расширяем подходы IPW и DR к непрерывной настройке, используя функцию ядра, которая использует близость лечения для ослабления дискретного отклонения. Наша оценка политики последовательна, и мы характеризуем оптимальную пропускную способность. Получающийся в результате подход непрерывного оптимизатора политики (CPO) с использованием нашего средства оценки позволяет достичь конвергентного сожаления и приблизиться к лучшей в своем классе политике для обучаемых классов политик.Мы демонстрируем, что оценщик работает хорошо и, в частности, превосходит тест, основанный на дискретизации. Мы дополнительно изучаем эффективность нашего оптимизатора политики в тематическом исследовании персонализированного дозирования на основе набора данных о пациентах с варфарином, их ковариатах и ​​окончательных терапевтических дозах. Наша изученная политика превосходит тесты и приближается к линейной политике Oracle Best.
  • CПоследовательное принятие решений | Персонализация | Причинный вывод 0

    Бандиты с орудиями труда.

  • JCausal Inference0

    Более надежная оценка среднего эффекта лечения выборки с использованием оптимального соответствия ядра в наблюдательном исследовании хирургических вмешательств на позвоночнике, с Б. Пенникуком и М. Сантакаттериной.

  • JПоследовательное принятие решений | Причинный вывод1

    Оптимальный баланс зависящих от времени искажающих факторов для маргинальных структурных моделей, с М. Сантакаттериной.

    • arXiv Июнь 2018 г.

    • GitHub.

    • Abstract: Маргинальные структурные модели (МСМ) оценивают причинный эффект изменяющегося во времени лечения при наличии зависящего от времени смешения с помощью взвешенной регрессии.Стандартный подход с использованием обратной вероятности взвешивания по лечению (IPTW) может привести к оценкам с высокой дисперсией из-за экстремальных весов и быть чувствительным к неправильной спецификации модели. Для частичного решения этой проблемы были предложены различные методы, в том числе усечение и стабилизированный IPTW для смягчения экстремальных весов и ковариативный показатель склонности к балансировке (CBPS) для устранения ошибок спецификации модели лечения. В этой статье мы представляем Kernel Optimal Weighting (KOW), подход, основанный на выпуклой оптимизации, который находит веса для подгонки MSM, которые оптимально уравновешивают зависящие от времени искажающие факторы, одновременно контролируя точность, напрямую устраняя указанные выше ограничения.KOW напрямую минимизирует ошибку в оценке из-за зависящего от времени смешения с помощью новой декомпозиции как функционала. Мы также расширяем KOW для контроля информативной цензуры. Мы оцениваем производительность KOW в исследовании моделирования, сравнивая его с IPTW, стабилизированным IPTW и CBPS. Мы демонстрируем использование KOW при изучении влияния начала лечения на время до смерти среди людей, живущих с ВИЧ, и влияние негативной рекламы на выборы в США.
  • CCausal Inference1

    Изучение взвешенных представлений для обобщения различных дизайнов, с F.Йоханссон, У. Шалит и Д. Зонтаг.

    • arXiv Февраль 2018.

    • Abstract: Прогностические модели, которые хорошо обобщаются при сдвиге распределения, часто желательны, а иногда и важны для создания устойчивых и надежных приложений машинного обучения. Мы фокусируемся на распределительном сдвиге, который возникает при причинном выводе из данных наблюдений и при неконтролируемой адаптации предметной области. Мы ставим обе эти проблемы как предсказание при изменении дизайна. Популярные методы преодоления сдвига в распределении делают нереалистичные предположения, такие как наличие четко определенной модели или знание политики, которая привела к получению наблюдаемых данных.Другим методам мешает необходимость в заранее заданной метрике для сравнения наблюдений или плохие асимптотические свойства. Мы разрабатываем предел ошибки обобщения при сдвиге дизайна, включая обучение представлению и повторное взвешивание выборки. Основываясь на оценке, мы предлагаем алгоритмическую структуру, которая не требует каких-либо из вышеперечисленных предположений и является асимптотически непротиворечивой. Мы эмпирически изучаем новую структуру, используя два синтетических набора данных, и демонстрируем ее эффективность по сравнению с предыдущими методами.
  • CPersonalization | Causal Inference0

    Рекурсивное разбиение для персонализации с использованием данных наблюдений.

    • Труды 34-й Международной конференции по машинному обучению (ICML), 70: 1789-1798, 2017.

    • arXiv август 2016.

    • Победитель, лучший доклад INFORMS 2016 Data Mining and Decision Analytics Мастерская

    • Аннотация: Изучается проблема обучения выбору из m дискретных вариантов лечения (напр.g., новость или медицинское лекарство) с наилучшим причинным эффектом для конкретного случая (например, пользователя или пациента), где обучающие данные состоят из пассивных наблюдений за ковариатами, лечением и результатом лечения. Стандартный подход к этой проблеме — регрессия и сравнение: разделить обучающие данные по обработкам, подогнать регрессионную модель к каждому разделению и, для нового случая, спрогнозировать все m результатов и выбрать лучший. Переформулируя проблему как отдельную обучающую задачу, а не m отдельных задач, мы предлагаем новый подход, основанный на рекурсивном разделении данных на режимы, в которых различные методы лечения являются оптимальными.Мы расширяем этот подход до оптимального подхода к разделению, который находит глобально оптимальное разделение, обеспечивая компактную, интерпретируемую и эффективную модель персонализации. Мы разрабатываем новые инструменты для проверки и оценки моделей персонализации на основе данных наблюдений и используем их, чтобы продемонстрировать силу наших новых подходов в персонализированной медицине и приложении для профессионального обучения.
  • JCausal Inference0

    Обобщенные методы оптимального сопоставления для причинного вывода.

    • Journal of Machine Learning Research (JMLR), 21 (62): 1-54, 2020.

    • arXiv December 2016.

    • Abstract: Мы разрабатываем всеобъемлющую структуру и теорию для сопоставления и связанные методы причинно-следственного вывода, которые раскрывают связи и мотивы, лежащие в основе различных существующих методов, и приводят к появлению новых и улучшенных. Структура представлена ​​путем обобщения новой функционально-аналитической характеристики оптимального согласования как минимизации условной среднеквадратичной ошибки в наихудшем случае с учетом наблюдаемых данных, основанных на конкретных ограничениях и предположениях.Обобщая их, мы получаем новый класс методов обобщенного оптимального соответствия (GOM), для которого мы обеспечиваем единую теорию управляемости и согласованности, которая в целом применима к GOM. Многие широко используемые существующие методы включены в GOM, и, используя их интерпретацию GOM, мы расширяем их до новых методов, которые разумно и автоматически приводят к компромиссу с отклонением и превосходят свои стандартные аналоги. В качестве подкласса GOM мы разрабатываем оптимальное сопоставление ядра, которое, как подтверждается новой теорией, отличается сочетанием интерпретируемости методов сопоставления, непараметрической согласованности оптимального сопоставления без модели, эффективности четко определенной регрессии, разумный выбор размера выборки методов ограничения монотонного дисбаланса, двойная надежность расширенных весовых оценок обратной склонности и гибкость выбора модели регрессии гауссовского процесса.Мы обсуждаем связи и нелинейные обобщения равнопроцентного снижения смещения и его разветвления.
  • JПерсонализация | Высокие измерения | Последовательное принятие решений0

    Динамическая персонализация ассортимента в больших измерениях, с М. Уделлом.

    • Operations Research, 68 (4): 965—1284, 2020.

    • arXiv October 2016.

    • Abstract: Мы демонстрируем важность структурных приоритетов для эффективного и действенного крупномасштабного динамического ассортимента персонализация.Персонализация ассортимента — это проблема выбора для каждого отдельного или потребительского сегмента (типа) наилучшего ассортимента продуктов, рекламы или других предложений (предметов) с целью максимизации дохода. Эта проблема является центральной для управления доходами в электронной коммерции, онлайн-рекламе и обычной розничной торговле с несколькими точками, где и товары, и типы могут исчисляться от тысяч к миллионам. Эффективность данных имеет первостепенное значение в этой крупномасштабной среде. Хорошая стратегия персонализации должна динамически балансировать между необходимостью изучать предпочтения потребителей и максимизировать доход.\
      Мы формулируем задачу динамической персонализации ассортимента как дискретно-контекстного бандита с контекстами / m / (типы покупателей) и множеством вооружений (ассортименты товаров / n /). Мы предполагаем, что предпочтения каждого типа следуют простой параметрической модели с параметрами / n /. В целом существует / mn / параметров, и в существующей литературе предлагается упорядочить оптимальные шкалы сожалений как / mn /. Однако эта цифра на порядки превышает данные, доступные в крупномасштабных приложениях, и вызывает неприемлемо высокое сожаление.\
      В этой статье мы налагаем естественную структуру на задачу \ — малую скрытую размерность или низкий ранг. В статической обстановке мы показываем, что эту модель можно эффективно изучить на удивительно небольшом количестве взаимодействий, используя алгоритм оптимизации, эффективный по времени и памяти, который глобально сходится всякий раз, когда модель обучается. В динамической обстановке мы показываем, что персонализация динамического ассортимента с учетом структуры может вызвать сожаление, которое на порядок меньше, чем подходы без учета структуры.Мы подтверждаем наши теоретические результаты эмпирически.
  • JCausal Inference0

    Оптимальный априорный баланс при разработке контролируемых экспериментов.

    • Журнал Королевского статистического общества: Серия B (Статистическая методология), 81 (1): 85–112, 2018.

    • arXiv Декабрь 2013 г.

    • Код.

    • Аннотация: Мы разрабатываем единую теорию планов для контролируемых экспериментов, которые уравновешивают исходные ковариаты априори (до лечения и до рандомизации), используя структуру минимаксной дисперсии и новый метод, называемый распределением ядра.Мы показываем, что любое понятие априорного баланса должно идти рука об руку с понятием структуры, поскольку без структуры зависимости результатов от базовых ковариат полная рандомизация (без специального ковариатного баланса) всегда минимаксно оптимальна. Ограничение структуры зависимости, параметрически или непараметрически, приводит к определенным метрикам ковариатного дисбаланса и оптимальным планам. Это восстанавливает многие популярные показатели дисбаланса и схемы, ранее разработанные специально для этого случая, включая рандомизированные схемы блоков, попарно согласованное распределение и повторную рандомизацию.Мы разрабатываем новый метод проектирования, называемый распределением ядра, на основе оптимального проекта, когда структура выражается с помощью ядер, которые могут быть параметрическими или непараметрическими. Опираясь на современные методы оптимизации, распределение ядра, которое обеспечивает почти идеальный ковариационный баланс без искажения оценок при неправильной спецификации модели, предлагает значительные преимущества в точности и мощности, что продемонстрировано на ряде реальных и синтетических примеров. Мы предоставляем строгие теоретические гарантии дисперсии, согласованности и скорости сходимости, а также разрабатываем специальные алгоритмы для проектирования и проверки гипотез.
  • JCausal Inference | Оптимизация в условиях неопределенности1

    Сила и ограничения прогнозных подходов к оптимизации на основе данных наблюдений, с Д. Берцимасом.

    • arXiv May 2016.

    • Abstract: Хотя принятие решений на основе данных трансформирует современные операции, большинство крупномасштабных данных имеют наблюдательный характер, например записи транзакций. Эти данные создают уникальные проблемы в различных операционных задачах, представляемых задачами стохастической оптимизации, включая ценообразование и управление запасами, когда необходимо оценить влияние решения, такого как цена или количество заказа, на неопределенную переменную стоимости / вознаграждения, такую ​​как спрос, основанный на исторических данных, когда решение и результат могут быть ошибочными.Часто в данных отсутствуют характеристики, необходимые для обеспечения надежной оценки причинно-следственных связей, и / или необходимые сильные допущения могут быть сомнительными. Тем не менее, общепринятая практика состоит в том, чтобы присвоить решению объективное значение, равное наилучшему прогнозу стоимости / вознаграждения, учитывая наблюдение решения в данных. Хотя в общих условиях такая идентификация является ложной, для целей оптимизации имеет значение только объективная ценность окончательного решения, а не валидность какой-либо модели, использованной для его принятия.В этой статье мы формализуем это утверждение в случае оптимизации на основе данных наблюдений и изучаем как мощность, так и ограничения прогнозных подходов к оптимизации, основанной на данных наблюдений, с особым акцентом на ценообразование. Мы обеспечиваем строгие границы пробелов оптимальности таких подходов, даже когда оптимальные решения не могут быть определены на основе данных. Чтобы изучить потенциальные пределы прогностических подходов в реальных наборах данных, мы разрабатываем новый тест гипотез для объективной оптимальности причинно-следственных связей.Применяя его к данным об установлении процентных ставок, мы эмпирически демонстрируем, что прогнозные подходы могут быть эффективными на практике, но с некоторыми критическими ограничениями.
  • JПерсонализация | Оптимизация в условиях неопределенности0

    От прогнозной к предписывающей аналитике, с Д. Берцимасом.

    • Management Science, 66 (3): 1025-1044, 2020.

    • arXiv February 2014.

    • Финалист конкурса POMS Applied Research Challenge 2016

    • Аннотация: В этой статье мы объединить идеи машинного обучения (ML) и исследований операций и науки об управлении (OR \ / MS) в разработке структуры, наряду с конкретными методами, для использования данных для предписания решений в OR \ / MS проблемах.В отличие от другой работы по оптимизации на основе данных и отражая наш практический опыт работы с данными, доступными в приложениях OR \ / MS, мы рассматриваем данные, состоящие не только из наблюдений за величинами, имеющими прямое влияние на затраты / доходы, например спрос или возврат, но преимущественно из наблюдений за соответствующими вспомогательными величинами. Основная проблема, представляющая интерес, — это задача условной стохастической оптимизации с учетом несовершенных наблюдений, когда совместные распределения вероятностей, определяющие проблему, неизвестны.Мы демонстрируем, что предлагаемые нами методы решения обычно применимы к широкому кругу задач решения. Мы доказываем, что они вычислительно управляемы и асимптотически оптимальны в мягких условиях, даже когда данные не являются независимыми и одинаково распределенными (iid), и даже для цензурированных наблюдений. В качестве аналога коэффициента детерминации R \ ² мы разрабатываем показатель P, называемый коэффициентом предписываемости, для измерения предписывающего содержания данных и эффективности политики с точки зрения операций.Чтобы продемонстрировать силу нашего подхода в реальных условиях, мы изучаем проблему управления запасами, с которой сталкивается дистрибьюторское подразделение международного медиа-конгломерата, которое отгружает в среднем 1 миллиард единиц в год. Мы используем как внутренние данные, так и общедоступные онлайн-данные, собранные из IMDb, Rotten Tomatoes и Google, чтобы предписывать операционные решения, которые превосходят базовые показатели. В частности, данные, которые мы собираем, используя наши методы, дают улучшение на 88%, если судить по нашему коэффициенту предписываемости.
  • JOptimization Under Uncertainty0

    Робастное приближение выборочного среднего, с Д. Берцимасом и В. Гуптой.

    • Математическое программирование, 171 (1-2): 217-282, 2018.

    • arXiv, август 2014 г.

    • Победитель в номинации «Лучшая студенческая работа», Исследовательский центр операций Массачусетского технологического института, 2013 г.

    • Аннотация: Приближение выборочного среднего (SAA) — широко популярный подход к принятию решений на основе данных в условиях неопределенности.При умеренных предположениях SAA является управляемым и имеет надежные гарантии асимптотической производительности. Однако аналогичные гарантии обычно не выполняются для конечных выборок. В этой статье мы предлагаем модификацию SAA, которую мы называем Robust SAA, которая сохраняет управляемость и асимптотические свойства SAA и, кроме того, обеспечивает надежные гарантии производительности для конечных выборок. Ключом к нашему методу является соединение SAA, устойчивой к распределению оптимизации и проверки гипотез о соответствии. Помимо Robust SAA, это соединение обеспечивает единую перспективу, позволяющую нам охарактеризовать конечную выборку и асимптотические гарантии различных других процедур, управляемых данными, которые основаны на устойчивой с точки зрения распределения оптимизации.Этот анализ дает представление о практической эффективности этих различных методов в реальных приложениях. Мы представляем примеры из управления запасами и распределения портфелей и численно демонстрируем, что наш подход превосходит другие подходы, основанные на данных, в этих приложениях.
  • JOptimization Under Uncertainty0

    Робастная оптимизация на основе данных, с Д. Берцимасом и В. Гуптой.

    • Математическое программирование, 167 (2): 235-292, 2018.

    • arXiv Январь 2014 г.

    • Финалист INFORMS Nicholson Paper Competition 2013

    • Резюме: В последнее десятилетие произошел взрывной рост доступности данных для приложений исследования операций как часть революции больших данных. Руководствуясь этой парадигмой данных, мы предлагаем новую схему использования данных для разработки наборов неопределенностей для надежной оптимизации с использованием статистических тестов гипотез. Подход является гибким и широко применимым, а надежные задачи оптимизации, построенные на основе наших новых наборов, поддаются вычислению как теоретически, так и практически.Более того, оптимальные решения этих проблем имеют надежную вероятностную гарантию с конечной выборкой. Мы также предлагаем конкретные рекомендации для практиков и иллюстрируем наш подход с помощью приложений для управления портфелем и организации очередей. Вычислительные данные подтверждают, что наши наборы, основанные на данных, значительно превосходят традиционные надежные методы оптимизации, когда данные доступны.
  • CCausal Inference0

    Структура для оптимального сопоставления для причинного вывода.

    • Труды 20-й Международной конференции по искусственному интеллекту и статистике (AISTATS), 54: 372—381, 2017.

    • arXiv июнь 2016.

    • Аннотация: Мы предлагаем новую структуру для сопоставления оценки причинно-следственных связей по данным наблюдений, основанные на минимизации двойной нормы ошибки оценки, выраженной в виде оператора. Мы показываем, что многие популярные методы оценки соответствия могут быть выражены как оптимальные в этой структуре, включая сопоставление ближайшего соседа, грубое точное сопоставление и выборку со средним сопоставлением.Это показывает их мотивацию и пригодность в качестве структурных приоритетов, сформулированных путем встраивания эффекта в конкретное функциональное пространство. Это также приводит к появлению ряда новых, основанных на ядре оценок согласования, которые возникают при внедрении эффекта в гильбертово пространство воспроизводящего ядра. В зависимости от случая эти оценки могут быть найдены с помощью квадратичной оптимизации или целочисленной оптимизации. Мы показываем, что оценки, основанные на универсальных ядрах, универсально согласованы без спецификации модели.В эмпирических результатах с использованием как синтетических, так и реальных данных новые оценщики на основе ядра превосходят все стандартные причинно-следственные оценщики по ошибке оценки.
  • JПерсонализация | Причинный вывод0

    Персонализированное ведение диабета с использованием электронных медицинских записей, с Д. Берцимасом, А. Вайнштейном и Д. Чжуо.

    • Diabetes Care, 40 (2): 210-217, 2017.

    • Abstract: Цель: Текущие клинические рекомендации по ведению диабета 2 типа не дифференцируются на основе индивидуальных факторов пациента.Мы представляем управляемый данными алгоритм персонализированного управления диабетом, который улучшает результаты для здоровья по сравнению со стандартным лечением.
      \ Дизайн и методы исследования. Мы смоделировали результаты 13 фармакологических методов лечения на основе электронных медицинских карт с 1999 по 2014 год для 10 806 пациентов с диабетом 2 типа из Бостонского медицинского центра. Для каждого посещения пациента мы проанализировали диапазон результатов при альтернативном уходе с использованием подхода k-ближайших соседей. Соседи были выбраны для максимального сходства индивидуальных характеристик пациентов и истории болезни, которые в наибольшей степени позволяли прогнозировать исходы для здоровья.Алгоритм рекомендаций предписывает режим с наилучшим прогнозируемым результатом, если ожидаемое улучшение от смены режима превышает пороговое значение. Мы оценили влияние рекомендаций на сопоставимые исходы для пациентов на основе невидимых данных.
      \ Результаты. Среди 48 140 посещений пациентов в тестовой выборке рекомендация алгоритма отражала наблюдаемый стандарт лечения в 68,2 \% посещений. Для посещений пациентов, в которых алгоритмическая рекомендация отличалась от стандартной помощи, среднее значение гликированного гемоглобина A \ 1c \ (HbA \ 1c \) после лечения в соответствии с алгоритмом было ниже стандарта лечения на 0.44 \ & pm; 0,03 \% (4,8 \ & pm; 0,3 ммоль \ / моль) (\ P \ \ <0,001), от 8,37 \% по стандарту ухода до 7,93 \% по нашему алгоритму (от 68,0 до 63,2 ммоль \ / моль). \ Заключение. Персонализированный подход к лечению диабета привел к существенному улучшению результатов по HbA \ 1c \ по сравнению со стандартом лечения. Наша прототипная информационная панель, визуализирующая алгоритм рекомендаций, может использоваться поставщиками для информирования о лечении диабета и улучшения результатов.
  • CПерсонализация | Высокие размеры0

    Выявленные предпочтения в масштабе: изучение персонализированных предпочтений на основе выбора ассортимента, с M.Уделл.

    • Труды 17-й конференции ACM по экономике и вычислениям (EC), 17: 821-837, 2016.

    • arXiv September 2015.

    • Abstract: Мы рассматриваем проблему изучения предпочтений гетерогенного населения, наблюдая за выбором из ассортимента товаров, рекламы или других предложений. Наша модель наблюдения принимает форму, обычную для приложений планирования ассортимента: каждому приходящему покупателю предлагается ассортимент, состоящий из подмножества всех возможных предложений; мы соблюдаем только ассортимент и единоличный выбор покупателя.\ В этой статье мы предлагаем модель выбора смеси с естественной базовой низкоразмерной структурой и показываем, как оценить ее параметры. В нашей модели предпочтения каждого клиента или сегмента следуют отдельной параметрической модели выбора, но основная структура этих параметров по всем моделям имеет низкую размерность. Мы показываем, что оценщик максимального правдоподобия, основанный на ядерных нормах, может узнать предпочтения всех потребителей, используя количество наблюдений, намного меньшее, чем количество комбинаций предмет-покупатель.Этот результат показывает потенциал структурных допущений для ускорения обучения и повышения доходов при планировании и настройке ассортимента. Мы предлагаем специализированный алгоритм градиентного спуска с факторизацией и эмпирически изучаем успешность этого подхода.
  • JПерсонализация | Оптимизация в условиях неопределенности0

    Управление запасами в эпоху больших данных, с Д. Берцимасом и А. Хуссейном.

  • B0

    О прогностической силе веб-аналитики и социальных сетей.

    • Глава Аналитики больших данных в социальном и повсеместном контексте, Springer, 2016.

    • Резюме: По мере того, как все больше информации становится широко доступной и создается новый контент, публикуемый в сегодняшней сети, все больше людей обращаются к сбору таких данных и анализируя его, чтобы извлечь полезные сведения. Но актуальность таких данных для выхода за рамки настоящего не ясна. Мы представляем усилия по прогнозированию будущих событий на основе веб-аналитики — данных, собранных из Интернета — с особым акцентом на данные социальных сетей и упоминания о запланированных событиях, тем самым оценивая предсказательную силу таких данных.Мы фокусируемся на прогнозировании массовых действий, таких как крупные протесты и скоординированные действия киберактивизма, — прогнозирование их возникновения, конкретных сроков и места. Используя обработку естественного языка, утверждения о событиях извлекаются из контента, собранного из сотен тысяч открытых источников, которые мы получаем. Извлеченные атрибуты включают тип события, вовлеченные сущности и их роль, настроение и тон, и, что наиболее важно, отчетные временные рамки для возникновения обсуждаемого события — будь то прошлое, настоящее или будущее.Твиты (сообщения в Твиттере), в которых упоминается событие, которое, как сообщается, должно произойти в будущем, оказываются важными предикторами. Эти сигналы усиливаются за счет перекрестных ссылок на хрупкость ситуации, которую можно понять из более традиционных СМИ, что позволяет нам отсеивать тенденции в социальных сетях, которые исчезают, прежде чем материализоваться в виде толп на местах.
  • JCausal Inference0

    Сила оптимизации над рандомизацией при разработке экспериментов с небольшими выборками, с Д.Берцимас и М. Джонсон.

    • Исследование операций, 63 (4): 868-876, 2015.

    • Код. От редакции Всемирного банка «Влияние на развитие».

    • Abstract: Случайное распределение, обычно рассматриваемое как стандарт в контролируемых исследованиях, направлено на то, чтобы экспериментальные группы были статистически эквивалентными до начала лечения. Однако с небольшой выборкой, которая является практической реальностью во многих дисциплинах, рандомизированные группы часто слишком различаются, чтобы быть полезными.Мы предлагаем подход, основанный на дискретной линейной оптимизации, для создания групп, расхождение в их средних и дисперсиях на несколько порядков меньше, чем при рандомизации. Мы предоставляем теоретические и вычислительные доказательства того, что группы, созданные путем оптимизации, имеют экспоненциально меньшее несоответствие, чем группы, созданные путем рандомизации.
  • C0

    Прогнозирование поведения толпы с помощью больших общедоступных данных.

    • Материалы 23-й международной конференции по World Wide Web (WWW) companion, 23: 625-630, 2014.

    • arXiv Февраль 2014 г.

    • Слайды. Освещение в СМИ.

    • Победитель конкурса INFORMS Social Media Analytics Best Paper Competition 2015

    • Резюме: Благодаря тому, что публичная информация становится широко доступной и распространяемой в современной сети, становится возможным более глубокое понимание массовых действий со стороны граждан и негосударственных субъектов, таких как крупные протесты и киберактивизм. Превращая общедоступные данные в большие данные, компания Recorded Future постоянно сканирует более 300 000 веб-источников с открытым контентом на 7 языках со всего мира, начиная от основных новостей и заканчивая правительственными публикациями, блогами и социальными сетями.Мы изучаем предсказательную силу этих массивных общедоступных данных при прогнозировании массовых действий, таких как крупные протесты и кибер-кампании, до их возникновения. Используя обработку естественного языка, информация о событии извлекается из контента, такого как тип события, какие сущности задействованы и в какой роли, тональность и тон, а также временной диапазон возникновения обсуждаемого события. Объем информации ошеломляет, и тенденции можно четко увидеть в чистых цифрах. В первой половине этой статьи мы покажем, как мы используем эти данные для прогнозирования крупных протестов в 19 странах и 37 городах в Азии, Африке и Европе с высокой точностью с использованием стандартных обучающих машин.Во второй половине мы углубимся в прогнозирование исполнителей и целей политических кибератак с новым применением наивного байесовского классификатора для анализа многомерных последовательностей в массивных наборах данных.
  • JOptimization Under Uncertainty0

    Планирование, управление доходами и справедливость в академическом и больничном отделении: подход к оптимизации, с Д. Берцимасом и Р. Баумом.

    • Academic Radiology, 21 (10): 1322-1330, 2014.

    • Резюме: Врачи академических больниц сегодня практикуют в нескольких географических точках, включая их главную больницу, называемую расширенным кампусом.С расширением университетских городков растущая сложность расписания отдельного подразделения означает, что наивный подход к составлению расписания ставит под угрозу доходы и может не учитывать чрезмерные нагрузки врачей. Более того, он может предусматривать несправедливое распределение индивидуальных доходов, желательные или обременительные задания, а также степень удовлетворения предпочтений каждого человека. Это отрицательно сказывается на мотивации и удовлетворенности сотрудников и просто противоречит деловой политике. В этом контексте мы определяем ежедневное планирование врачей как операционную проблему, которая включает планирование, управление доходами и справедливость.Отмечая предыдущий успех управления операциями и оптимизации в каждой из этих дисциплин, мы предлагаем простую унифицированную формулировку этой задачи планирования с использованием смешанной целочисленной оптимизации (MIO). Посредством исследования реализации подхода в Отделении ангиографии и интервенционной радиологии в Бригаме и женской больнице, которое возглавляет один из авторов, мы демонстрируем гибкость модели для адаптации к конкретным приложениям, сговорчивость решения модели. в практических условиях и значительном влиянии этого подхода, в первую очередь в значительном увеличении доходов, при этом будучи только более справедливым и объективным.
  • Графики армирования | Введение в психологию

    Соедините концепции: азартные игры и мозг

    Скиннер (1953) утверждал: «Если игорное заведение не может убедить патрона отдать деньги без возврата, оно может достичь того же эффекта, вернув часть денег патрона по графику с переменным соотношением» (стр. 397).

    Рисунок 2 . Некоторые исследования показывают, что патологические игроки используют азартные игры, чтобы компенсировать аномально низкий уровень гормона норадреналина, который связан со стрессом и выделяется в моменты возбуждения и острых ощущений.(кредит: Тед Мерфи)

    Скиннер использует азартные игры в качестве примера силы графика подкрепления с переменным соотношением для поддержания поведения даже в течение длительных периодов времени без какого-либо подкрепления. На самом деле Скиннер был настолько уверен в своих знаниях об игровой зависимости, что даже утверждал, что может превратить голубя в патологического игрока («Утопия Скиннера», 1971). Это действительно правда, что графики с переменным соотношением сохраняют поведение довольно постоянным — просто представьте себе частоту истерик у ребенка, если родитель хотя бы раз уступит его поведению.Случайное вознаграждение делает практически невозможным остановить поведение.

    Недавние исследования на крысах не подтвердили идею Скиннера о том, что тренировка по расписанию с переменным соотношением одна только вызывает патологическое пристрастие к азартным играм (Laskowski et al., 2019). Однако другие исследования показывают, что азартные игры действительно действуют на мозг так же, как и большинство наркотиков, вызывающих зависимость, и поэтому может существовать некоторая комбинация химии мозга и режима подкрепления, которая может привести к проблемам с азартными играми (рис. 6.14).В частности, современные исследования показывают связь между азартными играми и активацией центров вознаграждения мозга, которые используют нейромедиатор (химическое вещество мозга) дофамин (Murch & Clark, 2016). Интересно, что игрокам даже не нужно выигрывать, чтобы испытать «прилив дофамина» в мозгу. Было также показано, что «почти промах» или «почти победа, но на самом деле не победа» увеличивает активность в вентральном полосатом теле и других центрах вознаграждения мозга, которые используют дофамин (Chase & Clark, 2010).Эти мозговые эффекты почти идентичны эффектам, вызываемым наркотиками, вызывающими зависимость, такими как кокаин и героин (Murch & Clark, 2016). Основываясь на нейробиологических доказательствах, показывающих это сходство, DSM-5 теперь считает азартные игры зависимостью, тогда как более ранние версии DSM классифицировали азартные игры как расстройство контроля над импульсами.

    Помимо дофамина, в азартные игры вовлечены и другие нейротрансмиттеры, включая норадреналин и серотонин (Potenza, 2013). Норадреналин выделяется, когда человек испытывает стресс, возбуждение или волнение.Возможно, патологические игроки используют азартные игры для повышения уровня этого нейромедиатора. Недостаток серотонина также может способствовать компульсивному поведению, включая зависимость от азартных игр (Potenza, 2013).

    Может оказаться, что мозг патологических игроков отличается от мозга других людей, и, возможно, это различие каким-то образом могло привести к их игровой зависимости, как, кажется, предполагают эти исследования. Однако установить причину очень сложно, потому что невозможно провести настоящий эксперимент (было бы неэтично пытаться превратить случайно назначенных участников в проблемных игроков).Следовательно, возможно, что причинно-следственная связь на самом деле движется в противоположном направлении — возможно, игра каким-то образом изменяет уровни нейротрансмиттеров в мозгу некоторых игроков. Также возможно, что какой-то упускаемый из виду фактор или смешивающая переменная сыграли роль как в игровой зависимости, так и в различиях в химии мозга.

    Глоссарий

    непрерывное подкрепление: вознаграждение за поведение каждый раз, когда оно происходит

    график подкрепления с фиксированным интервалом: поведение вознаграждается через заданный промежуток времени

    график подкрепления с фиксированным соотношением: заданное количество ответов должно произойти, прежде чем поведение будет вознаграждено

    оперантное обусловливание: форма обучения, при которой стимул / переживание происходит после демонстрации поведения

    график подкрепления с переменным интервалом: поведение вознаграждается по прошествии непредсказуемого количества времени

    График подкрепления с переменным соотношением: различается количество ответов, прежде чем поведение будет вознаграждено

    Комбинезон с нагрудником и фиксатором Прочные тройные швы с несколькими карманами Усиление колена с карманом для наколенника Мужские рабочие комбинезоны ProLine Trade Сертификаты ISO

    Комбинезон с нагрудником и фиксатором Прочные тройные швы с несколькими карманами Усиление колена с карманом для наколенника Мужские рабочие комбинезоны ProLine Trade Сертификаты ISO

    Мужские рабочие комбинезоны ProLine Trade, комбинезоны с нагрудниками и фиксаторами, сертификаты ISO, несколько карманов, усиление колен с карманом для наколенников, Прочные тройные швы: одежда.Приобретите мужской рабочий комбинезон ProLine Trade, комбинезон с нагрудником и фиксатором, сертификаты ISO, несколько карманов, усиление колена с карманом для наколенника, прочные тройные швы. Бесплатная доставка и возврат соответствующих заказов. ✅Они очень прочные и износостойкие. Предназначен для работы в тяжелых условиях, таких как электрики, механики, плотники, маляры, лакировщики, садовники и другие промышленные и строительные рабочие. 。 ✅Многофункциональный комбинезон с карманами графитового серого цвета — это прочные рабочие брюки, предназначенные для длительного комфорта и защиты, с подвесными и многофункциональными карманами, усиленной опорой для колен, а также в области промежности и вставками для наколенников они идеально подходят для работы на стройплощадке.。 65% полиэстер, 35% хлопок。 ✅ Рабочий комбинезон ArtMas отличается очень приятным комфортом при ношении и высокой практичностью. ArtMas теперь означает качество выше среднего. Годы дальнейшего развития и оптимизации привели к созданию продукта, который так высоко ценится многими клиентами. 。 ✅Пояс эластичный, поэтому он может принимать любое положение стоя или сидя и успешно противостоит частным взглядам. Это в первую очередь мужские рабочие брюки. 。 ✅Ткань представляет собой чрезвычайно плотную смесь хлопка с 65% полиэстером, 35% хлопком и плотностью 320 г / м2.Это гарантирует, что брюки трудно сломать. 。 ★ Эластичные ремни, многофункциональный карман и передний нагрудный карман с клапаном и молнией。 ★ Усиленные задние карманы и карман для линейки。 ★ Короткие регулируемые ремни, прочная резинка с пластиковыми пряжками。 ★ Машинная стирка。 ★ Внешние карманы для наколенников. ★ очень низкие усадка даже после многократной стирки。。。。

    Вызов всех неразлучников!

    День святого Валентина не за горами.В этом году все по-другому, но мы надеемся сделать его особым событием для каждого из вас. Смотрите наши меню ниже.

    DINE-IN: Мы будем открыты на воскресный бранч с 9:00 до 13:30 с особыми функциями бранча V-Day и закрыться с 14:00 до 15:30, чтобы перейти на специальное меню ужина. Повторное открытие в 15:30 для рассадки призов по фиксированному меню, это будет повод запомнить! Убедитесь, что вы бронируете заранее — все столы будут зарезервированы с ограниченной гибкостью для посетителей.785-312-9057

    ПЕРЕНОС: Если вы предпочитаете ужинать дома в День святого Валентина, воспользуйтесь нашими специальными вариантами проведения накануне. Звоните до 16:00 и забирайте в субботу. В воскресенье вечером вынос выноса не будет.

    Меню ужина с фиксированным призом на День святого Валентина

    Меню на вынос перед Дня святого Валентина

    Наборы винтов и болтов 4 шт. 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Простота установки в 3 простых шага Крепеж

    Наборы винтов и болтов 4 шт. 3 ZZem Усилитель винтовой двери + Безопасность входной двери + Комплект усиления двери Простота установки в 3 простых шага Крепеж

    4-pk 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Простота установки за 3 простых шага

    4-pk 3 ZZem Усиление винтовой двери + Защита входной двери + Комплект усиления двери Простота установки в 3 простых шага, простые шаги 4-pk 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Легко в использовании Установить за 3, купить ZZem Винтовое усиление двери + безопасность входной двери + комплект усиления двери (4-pk 3 «) Легко установить за 3 простых шага: Дверные ограждения — ✓ БЕСПЛАТНАЯ ДОСТАВКА при подходящих покупках. Вот ваши любимые товары 100 % Authentic Получите эксклюзивные предложения Убедитесь, что он у вас уже есть Найдите здесь нужный вам товар.4-pk 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Легко установить за 3 простых шага.

    4-pk 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Простота установки в 3 простых шага

    ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери (4-pk 3 ‘) Простота установки за 3 простых шага: благоустройство дома.Купить ZZem винт-усилитель двери + безопасность входной двери + комплект усиления двери (4-pk 3 «) Легко установить за 3 простых шага: дверные ограждения — ✓ БЕСПЛАТНАЯ ДОСТАВКА при подходящих покупках. решает давнюю проблему домашнего ремонта: что вы можете сделать с провисшими дверьми, которые трудно закрываются из-за снятых или ослабленных винтов. Ремонт дверных петель, ворот, замков, защелок, поручней。 ПРОСТОТА УСТАНОВКИ: ZZem Screw Ремонтные комплекты включают сверло правильного размера, биты Torx и Phillips и винты — все, что вы предоставляете, — это сверло.Помня о простоте, это легко и навсегда! 。 ПОВЫШЕНИЕ ДОМАШНЕЙ БЕЗОПАСНОСТИ: увеличивая удерживающую способность винтов в петлях и защелках глубоко в дверной раме, ZZem Screw поможет укрепить слабые места ваших дверей. Эта недавно запатентованная конструкция поможет защитить вас и вашу семью.。 ИСПОЛЬЗОВАТЬ В ЛЮБОЙ ДЕРЕВЯННОЙ РАМЕ: винты, удерживающие шарнир или фиксирующую пластину, ввинчиваются в металл винта ZZem, обеспечивая превосходную удерживающую способность и устойчивость к взлому. 。 БЫСТРОЕ И ПРОСТОЕ РЕШЕНИЕ! Этот продукт обеспечивает доступный ремонт всех дверей дома или офиса с помощью снятого винта.Отремонтировать открученные винты в области петель и замков можно за считанные минуты. 。 Усиление двери для дома + Защита от нежелательного взлома + Простота и долговечность + Комплект усиления безопасности двери для петель, запорных болтов ответной планки, защелок петель ворот и многого другого! В комплект входит полный установочный комплект, все, что вам нужно, это дрель. 。。。

    4-pk 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Простота установки за 3 простых шага

    Выдавите немного зубной пасты поверх столового серебра, Категория 3: Структурные компоненты и направляющие, Технические характеристики: Материал: Вишневое дерево высшего качества, Обратите внимание: Товары будут отправлены через 2 ~ дня после вступления заказа в силу, Покупайте самолет с серебристо-желтым покрытием. Очарование — 32 мм и другая застежка на, Дата первого упоминания: 26 ноября, Украсьте свой интерьер этими прозрачными акцентными шторами, на рабочем месте или где-то посередине, 4-pk 3 ZZem Усилитель винтовой двери + Безопасность входной двери + Комплект усиления двери Легко установить за 3 простых шага .: Виниловый баннер, вывеска «Копченые ножки индейки» № 1 в стиле наружной маркетинговой рекламы, коричневый — 24 дюйма x 60 дюймов (доступны несколько размеров), * Это применимо, если я не сплю или на хоккейном матче, набор из 7 деревянных точеных наконечников, ткань сплошная Элементы не будут напечатаны до тех пор, пока не будет подтверждена оставшаяся сумма, ► Пакет Cinch Pack любого цвета по вашему выбору. PDF-файлы доступны в вашей учетной записи Etsy в разделе «Моя учетная запись», а затем «Покупка» после подтверждения оплаты. Его также можно использовать с детским сиденьем Yepp Maxi, 4-pk 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Простота установки за 3 простых шага , ослы и лошади вместе с цыплятами.можно использовать как с коляской, так и с детским автокреслом, но для того, кем я являюсь, когда я с вами. Коллекционная карточка бейсбольной лиги Topps Pro Debut Minor League 2018 № 197 Коннор Вонг AZL Dodgers: Предметы коллекционирования и изобразительное искусство. Положительные и отрицательные клеммы батарейного типа в мм. Роликовые пряжки из нержавеющей стали для простоты использования и проталкивание белых губчатых цилиндров в промежутках между подушками. Интерьер гладкий и удобный, 4-pk 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Легко установить за 3 простых шага .Электромагнитный клапан продувочного клапана контролирует поток выхлопных газов из адсорбера в двигатель.

    4-pk 3 ZZem Усилитель винтовой двери + Защита входной двери + Комплект усиления двери Простота установки за 3 простых шага

    Купить ZZem Винтовое усиление двери + защита входной двери + комплект усиления двери (4 шт. 3 дюйма) Простота установки за 3 простых шага: Дверные ограждения — ✓ БЕСПЛАТНАЯ ДОСТАВКА при подходящих покупках, вот ваши любимые товары Получение 100% подлинности Эксклюзивные предложения Убедитесь, что он у вас уже есть Найдите здесь нужный вам товар.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *