|
文献速读 Constr. Build. Mater.：混凝土强度预测的高效机器学习模型  题目 题目：Efficient machine learning models for prediction of concrete strengths 混凝土强度预测的高效机器学习模型 关键字 关键字：高性能混凝土；集成学习；支持向量机；多层感知器；基于树的算法 来源 出版年份：2021 来源：Construction and Building Materials 课题组：诺森比亚大学机械与建筑工程系Hoang Nguyen课题组 研究背景 混凝土已广泛用于建筑和土木结构。与钢筋相结合时的高强度以及在环境温度下成型和硬化的能力，使混凝土成为建造公寓和高层建筑结构元件的主要材料。然而，混凝土材料的问题之一是原材料含量确定及其输出工程性能 (包括抗压强度和抗拉强度) 的预测。这是因为混凝土，尤其是高性能混凝土，是具有不同成分的高度非均质混合物。因此，在早期阶段建立基于现有输入和输出数据的可靠预测模型以降低进行每次试配实验的成本至关重要，而且高精度的预测模型还减少在试配过程中的琐碎尝试。因此，它们可以节省大量时间和成本。 研究出发点 混凝土原材料的特征向量与抗压强度之间的有高度非线性关系，而且数据的离散性较大，开发出一个高精度的机器学习模型用于预测混凝土的力学性能是一个巨大的挑战。 研究内容 在本研究中，提出了一种有效的机器学习模型来预测高性能混凝土 (HPC)的抗压和抗拉强度。采用了四种预测算法，包括支持向量回归(SVR)、多层感知器(MLP)、梯度提升回归器(GBR)和极端梯度提升(XGBoost)。超参数调整的过程基于随机搜索，这会产生具有更好预测性能的训练模型。此外，通过填充可用数据的平均值来处理缺失数据，这允许在训练过程中使用更多信息。  图1 HPC回归问题的机器学习模型架构  图2特征向量之间的相关性矩阵  图3影响HPC抗压强度特征向量的权重分布  图4 n_estimators和max_depth对XGBoost在抗压强度预测中的性能(RMSE)的影响（度数=1，学习率=0.2，目标= 'reg:logistic'） 主要结论 本研究采用 SVR、MLP、GBR 和 XGBoost 四种机器学习算法来预测 HPC 的抗压和抗拉强度。开源机器学习库参与实施，增强了模型性能并显著加快了运行过程。这允许在超参数调整过程中进行随机搜索，其中以相同的计算量考虑更大的搜索空间。比较研究揭示了一些超参数对每个模型的性能的影响。 结果表明：与SVR和MLP相比，GBR和XGBoost 以更少的计算量产生更好的预测结果。此外，通过使用单均值插补法，处理混凝土抗拉强度数据集中缺失的数据可以使用所有12个输入特征，与使用两个完全收集的特征的情况相比，这提供了更好的预测结果。当前方法的缺点包括参数调整的耗时过程和对数据集质量的依赖。前者可以通过使用优化算法来缓解，例如遗传算法，用于自动化调整过程，其中变量是超参数，目标函数是最小化预测误差。同时，数据集的质量可以通过实验设计、测试和测量的过程来控制。 本期编者简介 翻译： 罗盛禹 硕士生 深圳大学 审核： 程博远 博士生 深圳大学 排版： 刘建伟 硕士生 深圳大学 本期学术指导 艾 蠡 博士后 南卡罗来纳大学 何嘻闯 博士后 深圳大学 龙武剑 教嘻授 深圳大学 文献链接： https:///10.1016/j.conbuildmat.2020.120950 |
|
|
