应用机器学习技术来预测钢纤维钢筋混凝土的压力强度
Ala'a R Al-Shamasneh1, Arsalan Mahmoodzadeh2, Faten Khalid Karim3
1Department of Computer Science, College of Computer & Information Sciences, Prince Sultan University, Rafha Street, Riyadh, 11586, Saudi Arabia.
高斯过程回归 (GPR) 准确地预测了钢纤维钢筋混凝土的压力强度 (CS). 这种机器学习框架比其他模型提供了更高的性能,提高了结构工程的可预测性.
科学领域:
- 材料科学 材料科学 材料科学
- 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:
- 由于材料的复杂性,精确预测钢纤维钢筋混凝土 (SFRC) 的压力强度 (CS) 是一个挑战.
- SFRC组成部分之间的非线性相互作用使强度预测模型复杂化.
研究的目的:
- 开发和比较一个机器学习 (ML) 框架来预测SFRC压力强度.
- 使用大型实验数据集,确定用于SFRC CS预测的最有效的ML算法.
主要方法:
- 利用了600个SFRC实验点的数据集,这些实验点具有不同的纤维特性,混合比例和固化时间.
- 基于基准的六种回归算法:支持向量回归 (SVR),高斯过程回归 (GPR),随机森林回归 (RFR),极端梯度增强回归 (XGBR),人工神经网络 (ANN) 和K-最近邻居 (KNN).
- 采用严格的验证技术,包括保留测试,K折交叉验证,灵敏度分析和外部验证.
主要成果:
- 高斯过程回归 (GPR) 显示出卓越的性能,达到0.93的R2和16.54的RMSE.
- GPR准确地捕获了复杂的非线性关系和经验趋势,包括强度峰值和转变.
- XGBR,SVR和RFR显示出合理的预测能力,而ANN和KNN表现较弱.
结论:
- GPR是预测SFRC压力强度的最有效的ML模型.
- 开发的ML框架提高了SFRC结构设计的可预测性和可靠性.
- 这项研究通过准确的材料属性预测,促进了结构工程工作流程的进步.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
05:26Determination of the Mechanical Properties of Flexible Connectors for Use in Insulated Concrete Wall Panels
Published on: October 19, 2022
相关概念视频
Fiber Reinforced Concrete
Relation Between Tensile Strength and Compressive Strength of Concrete
Non-destructive Tests for Concrete Strength
Behavior of Concrete Under Compressive Load
As the concrete specimen fractures under...
Reinforcements in Concrete
Tensile Strength Considerations of Concrete
The dimensions and shape of a concrete specimen...
