基于深度学习的预测,以时间为依赖的化物透在暴露在沿海环境中的混凝土中

科学领域:

• 土木工程 土木工程是指土木工程.
• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学

背景情况:

• 土木工程中的深度学习应用正在出现.
• 研究混凝土中的化物透率对于基础设施的耐用性至关重要.
• 目前关于混凝土化物配置文件深度学习的研究是有限的.

研究的目的:

• 使用深度学习预测和分析混凝土中的化物概况.
• 评估各种深度学习模型的性能,包括Bi-LSTM,CNN,GRU和LSTM.
• 优化LSTM模型,以提高化物配置预测的准确性.

主要方法:

• 利用600天在沿海环境中暴露的混凝土的测量数据.
• 训练并比较双向长期短期记忆 (Bi-LSTM),卷积神经网络 (CNN),门反复单元 (GRU) 和长期短期记忆 (LSTM) 模型.
• 优化了LSTM模型,通过调整掉入层,隐藏单位,代时间和初始学习率等参数来优化LSTM模型.

主要成果:

• 双LSTM和CNN模型显示了快速训练的融合,但缺乏预测准确性.
• 格鲁比LSTM更高效,但对长期预测的准确性较低.
• 优化的LSTM模型实现了高精度,MAE为0.0271,R2为0.9752,RMSE为0.0357,MAPE为5.41%.

结论:

• 优化的LSTM模型显示了在混凝土中准确预测化物配置的巨大潜力.
• 这项研究促进了深度学习在混凝土耐久性评估中的应用.
• 优化的LSTM模型成功预测了720天后的化物概况,显示了其预测能力.