机器学习模型用于预测在零下温度固化条件下混凝土的融损伤

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
• 计算科学 计算科学

背景情况:

• 永久土地区的混凝土结构面临着巨大的融挑战.
• 现有的评估抗度的方法不足以进行准确的预测.
• 机器学习为评估低温下混凝土耐用性提供了一个有前途的方法.

研究的目的:

• 开发和验证先进的机器学习模型,用于预测混凝土中结解损害因素.
• 为了比较各种机器学习模型的性能,包括SVM,ELM,LSTM和RBFNN.
• 引入一个优化的模型,SSA-ELM,以提高预测准确性和可解释性.

主要方法:

• 使用的支持向量机 (SVM),极端学习机 (ELM),长期短期记忆 (LSTM) 和辐射基函数神经网络 (RBFNN) 模型.
• 使用Sparrow搜索算法 (SSA-ELM) 开发了一个优化的极端学习机器模型.
• 采用了夏普利添加式解释 (SHAP) 来解释模型的可解释性,并确定了关键影响因素.

主要成果:

• 与SVM,ELM,LSTM和RBFNN相比,SSA-ELM模型在预测混凝土的解耐力方面表现出更高的准确性.
• SHAP分析发现结解周期的数量是影响结解损伤的最关键因素.
• 在SSA-ELM模型中,准确度提高了15.46% (SVM),9.19% (ELM),21.79% (LSTM) 和11.76% (RBFNN).

结论:

• 在低温条件下,SSA-ELM模型提供了一种高度准确和可靠的方法来预测混凝土融损坏.
• 冷-解周期的数量是混凝土损坏的主要驱动因素,而固化湿度的影响最小.
• 这项研究提供了一种新的数据驱动方法,用于评估混凝土在永久土环境中的耐用性.