CFG-DWC:一种混合相关性驱动的特征工程框架,用于优化机器学习性能,用于对受自然环境影响的混凝土进行碳化深度分析

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
• 数据科学数据科学数据科学

背景情况:

• 预测混凝土碳化深度对于结构完整性和耐用性至关重要.
• 挑战包括复杂的过程,参数相互依赖和环境变化.
• 现有的方法在准确性和稳定性方面扎.

研究的目的:

• 为增强混凝土碳化深度预测开发一个先进的框架.
• 为特征优化引入一种新的动态加权相关性 (DWC) 方法.
• 提高机器学习模型在预测碳化深度方面的性能.

主要方法:

• 提出了一个混合相关性驱动特征生成 (CFG) 框架.
• 介绍并评估了一种新的动态加权相关性 (DWC) 方法.
• 使用新的具体数据集,将DWC与传统的相关性技术 (斯皮尔曼,皮尔森,肯德尔的) 进行比较.
• 集成的DWC与机器学习算法 (线性回归,随机森林,XGBoost).

主要成果:

• CFG-DWC框架显著提高了机器学习模型的性能.
• DWC捕获了线性和非线性关系,产生了优越的相关特征.
• 使用DWC的XGBoost实现了最高的预测准确度 (R2 = 0.86,MAE减少20.5%).
• 具体年龄被确定为最有影响力的参数.

结论:

• CFG-DWC框架的性能优于碳化深度预测的传统相关性技术.
• DWC提供了一个强大的和可解释的工具,用于增强ML预测.
• 这种方法可以为混凝土结构提供更持久的设计和维护策略.