چکیده: چکیده ماتریس‌های پایه سیمانی به دلیل داشتن مقاومت کششی و شکل‌پذیری پایین، نیازمند بهبود ویژگی‌های مکانیکی هستند. افزودن الیاف به این ماتریس‌ها می‌تواند به طور چشمگیری مقاومت کششی و شکل‌پذیری آن‌ها را افزایش دهد. الیاف نه تنها مقاومت در برابر ترک‌خوردگی را بهبود می‌بخشند، بلکه قابلیت جذب انرژی و دوام ماتریس‌ها را نیز افزایش می‌دهند. سازوکار تقویت الیاف از طریق انتقال تنش بین ماتریس و الیاف و ایجاد مهار مکانیکی انجام می‌شود. برای درک رفتار کششی و خمشی بتن‌های الیافی، شناخت دقیق رفتار بیرون‌کشیدگی الیاف ضروری است که این شناخت از طریق آزمایش بیرون‌کشیدگی و رسم منحنی مربوطه حاصل می‌شود. باوجود اعتبار بالای آزمایش بیرون‌کشیدگی، چالش‌هایی مانند هزینه‌های تولید نمونه‌ها، احتمال خطا در آزمایش و پراکندگی نتایج وجود دارد. به همین دلیل، استفاده از روش‌های هوش مصنوعی برای پیش‌بینی منحنی بیرون‌کشیدگی الیاف ضروری به نظر می‌رسد. در این تحقیق، از چهار مدل شامل CNN1D، CNN2D، LSTM و XGBoost برای پیش‌بینی منحنی بیرون‌کشیدگی الیاف در ماتریس پایه سیمانی استفاده شده است. برای توسعه و آموزش مدل پیش‌بینی، 502 نمونه داده تجربی از کارهای آزمایشگاهی جمع‌آوری گردید. پارامترهای ورودی شامل طول تعبیه شده در ماتریس، زاویه انحراف الیاف، نوع ماده و شکل هندسی الیاف، نوع انتهای الیاف، فاصله بین دورهای مارپیچ، تعداد پیچش‌ها در 10 میلیمتر، طول و قطر الیاف، نسبت طول به قطر الیاف، سرعت بارگذاری، نوع و مقدار سیمان در هر متر مکعب، مقدار بایندر، نانوسیلیس، ماسه، شن، کوارتز، روان‌کننده و آب در هر متر مکعب، نسبت آب به سیمان و بایندر، سن عمل‌آوری بتن به هفته و مقاومت فشاری بتن بودند. خروجی مدل شامل 1000 جفت داده (نیروی بیرون‌کشیدگی – لغزش متناظر) برای رسم منحنی پیش‌بینی شده است. مدل XGBoost به‌عنوان بهترین گزینه برای پیش‌بینی منحنی بیرون‌کشیدگی شناسایی شد؛ زیرا در معیارهای (8.39) MAE و (0.71) R² عملکرد بهتری دارد. همچنین از تحلیل‌های همبستگی و اهمیت ویژگی‌ها برای شناسایی روابط بین پارامترها استفاده شد که نشان داد ویژگی‌هایی مانند 'embedded Length' و 'Twisted Number in10mm ' اهمیت بالایی دارند و ویژگی‌هایی مانند 'Silica fume' و 'pitch of spirals' تأثیر مثبتی بر عملکرد مدل دارند. این تحقیق بر نیاز به تنوع و تعداد بیشتر داده‌ها تأکید دارد تا دقت پیش‌بینی‌ها افزایش یابد.