设计可靠的机器学习系统,准确估计FRP混凝土的最终状况
Meysam Alizamir1,2, Aliakbar Gholampour3, Sungwon Kim4
1Institute of Research and Development, Duy Tan University, Da Nang, Vietnam. meysamalizamir@duytan.edu.vn.
机器学习模型,包括渐变增强回归树 (GBRT) 和人工神经网络多层感知器 (ANNMLP),准确预测纤维增强聚合物 (FRP) 限制混凝土的压缩行为. 在强度预测方面,GBRT是卓越的,而在应变预测方面,ANNMLP是优越的.
科学领域:
- 材料科学与工程 材料科学与工程
- 土木工程 土木工程是指土木工程.
- 计算力学 计算力学 计算力学
背景情况:
- 精确预测纤维增强聚合物 (FRP) 混凝土的压缩行为对于结构设计优化,安全保证和降低成本至关重要.
- 现有的实证模型往往缺乏复杂材料反应所需的精度,需要先进的预测技术.
研究的目的:
- 评估渐变增强回归树 (GBRT),随机森林 (RF),人工神经网络-多层感知器 (ANNMLP) 和人工神经网络-辐射基函数 (ANNRBF) 在预测FRP限制混凝土的最终压缩行为的有效性.
- 将这些机器学习模型的性能与已建立的经验模型进行比较,使用RMSE,MAE和R2.2等统计指标.
主要方法:
- 使用了 765 个轴向压缩测试结果的综合数据集,这些数据来自于关于圆形FRP 限制混凝土样本的已发表研究.
- 训练并验证了四种不同的机器学习算法:GBRT,RF,ANNMLP和ANNRBF.
- 将预测准确度与四种广泛使用的经验模型进行比较,这些模型基于根平均平方误差 (RMSE),平均绝对误差 (MAE) 和确定系数 (R2).
主要成果:
- 在预测强度比率 (f'cc/f'co) 方面,GBRT模型表现出卓越的性能,比RF,ANNMLP,ANNRBF和实证模型显著改善RMSE.
- 在预测应变比 (εcc/εco) 方面,ANNMLP模型表现最好,与GBRT,RF,ANNRBF和实证模型相比,RMSE值较低.
- 无论是GBRT还是ANNMLP,都显著超过了现有的方法,突出了它们对增强结构分析的潜力.
结论:
- 与传统的实证方法相比,机器学习模型,特别是强度的GBRT和应变的ANNMLP,在预测FRP混凝土的压力行为方面提供了更高的准确性.
- 这些模型的增强预测能力对于改善结构完整性评估,确保功能安全和优化工程设计在使用FRP封闭的建筑项目中至关重要.
更多相关视频
10:00Experimental Protocol to Determine the Chloride Threshold Value for Corrosion in Samples Taken from Reinforced Concrete Structures
Published on: August 31, 2017
10:24Applicability Analysis of Assessment Methods for Morphological Parameters of Corroded Steel Bars
Published on: November 1, 2018
相关概念视频
Fatigue Strength of Concrete
Fiber Reinforced Concrete
Non-destructive Tests for Concrete Strength
Abrasion Resistance of Concrete
One such test is the revolving disc test, where three plates...
Microcracking in Concrete
Design Example: Managing Concrete Workability
