用卷积神经网络和支矢量机器预测石头住宅建筑的损害强度

科学领域:

• 土木工程 土木工程是指土木工程.
• 结构工程 结构工程
• 地质技术工程 地质技术工程

背景情况:

• 建筑物在其整个生命周期中容易受到损坏,影响性能和结构安全.
• 采矿活动可能会加剧建筑物损坏,需要准确的预测模型.
• 现有的损害评估方法需要对地质活跃区域的结构具有强大的预测能力.

研究的目的:

• 开发和评估用于采矿地形中建筑损害强度的预测模型.
• 为了比较卷积神经网络 (CNN) 方法论与支持矢量机 (SVM) 的有效性,用于此预测任务.
• 评估预测模型的性能,尽管观察到的损害强度范围很窄.

主要方法:

• 利用技术和采矿影响数据的数据库,对185石住宅建筑进行了分析.
• 开发了一个使用卷积神经网络 (CNN) 方法的预测模型.
• 将CNN模型的性能与支持矢量机 (SVM) 模型进行比较,这是类似分析的常用方法.
• 评估模型使用包括准确性,精度,回忆和F1分数在内的指标.

主要成果:

• 尽管损伤强度范围低 (0-6%),但CNN和SVM模型都实现了80%左右的预测结果准确度.
• SVM模型在训练集上表现出更高的准确性.
• 在测试组中,CNN模型表现出了卓越的性能,获得了更高的F1分数和平均精度.
• 在两种模型的整体性能之间观察到微小的差异.

结论:

• 卷积神经网络 (CNN) 方法对于预测采矿地形中石头住宅建筑的损害强度是有效的.
• 该研究验证了在具有挑战性的环境中使用先进的机器学习技术进行结构安全评估.
• 进一步的研究可以探索改进CNN模型以更精确地预测损害和更广泛的适用性.