相关实验视频
Updated: May 27, 2025
06:44
Curtain Flow Column: Optimization of Efficiency and Sensitivity
Published on: June 12, 2016
6.5K
针对圆端CFST列的先进预测机器和深度学习模型
Feng Shen1,2, Ishan Jha3, Haytham F Isleem4,5
1College of Civil Engineering, Huaqiao University, Xiamen, 361021, China.
Scientific reports
|February 20, 2025
概括
机器学习模型准确地预测了混凝土填充钢管式 (CFST) 柱体容量. CatBoost实现了最高的准确性,超过了结构分析的传统方法和深度学习模型.
科学领域:
- 结构工程 结构工程
- 材料科学 材料科学 材料科学
- 计算力学 计算力学 计算力学
背景情况:
- 封闭式柱子,特别是混凝土填充的钢管式柱子 (CFST),由于其强度和效率,在现代基础设施中至关重要.
- 准确预测轴承载能力 (Pcc) 对于确保结构完整性和优化设计至关重要.
- 现有的分析解决方案往往难以捕捉CFST列的复杂,非线性行为.
研究的目的:
- 开发和评估数据驱动的方法,特别是机器学习 (ML) 和深度学习 (DL) 模型,用于预测CFST列的轴承载能力.
- 将这些ML/DL模型的性能与已建立的分析解决方案进行基准测试.
- 识别影响CFST列承载能力的关键输入特征.
主要方法:
- 利用了一个广泛的数据集,包括200个CFST柱实验测试.
- 评估了六种模型:LightGBM,XGBoost,CatBoost (ML) 和深度神经网络 (DNN),卷积神经网络 (CNN),长短期记忆 (LSTM) (DL).
- 在特征重要性分析中使用了夏普利添加式解释 (SHAP).
主要成果:
- CatBoost模型表现出卓越的预测准确性,其RMSE为396.50 kN,R2为0.932.
- ML模型通常表现优于DL模型,DNN实现了496.19 kN的RMSE和0.958的R2,而LSTM表现不佳 (RMSE: 2010.46 kN).
- 截面宽度被确定为最重要的积极预测因素,而列长是关键的负面影响因素.
结论:
- 数据驱动的模型,特别是CatBoost,为CFST列容量提供了强大而准确的预测,超越了传统的分析方法.
- 开发的模型为特征的重要性提供了可解释的见解,有助于工程判断.
- 一个用户友好的Python界面使这些先进的预测工具在结构设计中的实用实时应用成为可能.
