|
文献速读 Constr. Build. Mater.：通过结合SHAP分析来使用轻型GBM和XGBoost模型预测偏高岭土基高强混凝土的抗快速氯离子渗透性  题目 题目: Prediction of rapid chloride penetration resistance of metakaolin based high strength concrete using light GBM and XGBoost models by incorporating SHAP analysis 通过结合SHAP分析来使用Light GBM和XGBoost模型预测偏高岭土基高强混凝土的抗快速氯离子渗透性 关键词 快速氯离子渗透测试；水胶比；机器学习；SHAP分析；Light GBM；XGBoost 来源 出版年份：2022 来源：Construction and Building Materials 课题组：费萨尔国王大学土木与环境工程系Kaffayatullah Khan课题组 研究背景 氯离子渗透是影响钢筋混凝土（RC）结构耐久性最重要的因素之一。1970年以来，许多研究机构和个人都试图研究和设计一种快速、低成本和可靠的抗氯离子渗透性测试，以评估混凝土抵抗氯离子渗透的能力，例如快速Cl-渗透率（RCP）和快速Cl-迁移（RCM）测试等。至今，机器学习（ML）算法已被有效地应用于许多土木工程问题，例如混凝土强度预测、结构中的裂缝评估、蠕变确定以及耐久性和微观结构特性等。利用机器学习方法解决混凝土结构的耐久性问题将成为一种有效的技术手段。 研究出发点 以往的研究人员开发了一些AI模型来预测含偏高岭土混凝土的RCPT值。然而，只有模型的性能和统计指标的形式被解释，而没有研究输入参数的影响和水胶比的优化以及偏高岭土置换的百分比等。此外，仅对包括100数据点的有限数据集进行预测。 研究内容 本研究调查了两种机器学习预测模型 (Light GBM和XGBoost) 的非线性拟合能力，用于预测快速氯离子渗透测试 (RCPT) 的值。通过利用201组的实验数据记录，将混凝土的老化、胶凝材料含量、水胶比、偏高岭土的用量以及粗细骨料的含量作为输入变量，使用网格搜索优化对模型进行训练，以调整设置参数，从而为模型产生最佳性能。  图1 相关系数矩阵  图2 基于直方图的决策树  图3 XGboost回归图示  图4 开发模型的回归斜率比较(a) LightGBM模型；(b) XGBoost模型  图5 LGBModel(a，c) 和XGBoost模型(b，d)的Exp预测趋势和误差分析  图6 LGBM模型和XGBoost模型的预测/实验比： 训练数据(a，c)；验证数据(b，d)  图7 通过SHAP值对LGBM模型的全局解释:(a) SHAP特征重要性；(b)SHAP摘要图 主要结论 本研究探索了水胶比\混凝土抗压强度和偏高岭土对高强度混凝土抗氯化物性能的最佳条件。为此，开发了两个稳健的预测模型，即LightGBM和XGBoost机器学习模型，以从实验数据库中预测RCPT的值。从这项研究中得出以下结论。 1.使用对偶图对输入变量进行数学研究。模型开发中使用的RCPT值的数据最初是相对于x轴上的输入变量绘制的。观察到RCPT的值随老化时间、压缩强度和偏高岭土替代百分比的增加而降低。RCPT值随W/B的增加而降低; 但是，粗骨料和细骨料的数量并没有显着影响RCP趋势。 2.XGBoost模型的最佳性能是在0.1的学习率、200的树数和最小子权重为1的情况下实现的，而对于LGBM模型，调整参数被记录为学习率0.1、最大深度3、500的树数和6的叶子数。 3.所开发模型的性能表明，就准确性而言，LGBM超出了预测能力。验证数据的R2值分别记录为LGBM和XGBoost模型的0.9737和0.9379。最小MAE分别记录为172.7C和193.7C，用于LGBM模型的训练和验证数据。此外，预测与实验的比率也解释了轻型GBM模型与XGBoost模型相比的优越性。 4.SHAP分析验证了已开发的LGBM模型，并揭示了混凝土的抗压强度是产生RCPT值的最有影响力的变量，其次是龄期和W/B的贡献。与线性相关分析和配对相关分析相比，记录了RCPT变化的趋势。具有超过70 MPa的高强度混凝土和添加15% MK的W/B比的0.30至0.35的值屈服于氯化物渗透的最大阻力。 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： 郭泓汝 硕士生 深圳大学 本期学术指导 何 闯 博士后 深圳大学 龙武剑 教 授 深圳大学 文献链接： https:///10.1016/j.conbuildmat.2022.128296 |
|
|
