文摘

支持向量回归(SVR)已经被应用于对混凝土力学性能的预测,但其hyperparameters的选择影响预测精度的关键因素。为此,混合动力机器学习结合了SVR模型和网格搜索(GS),即GS-SVR模型提出了预测混凝土的抗压强度和灵敏度分析的工作。混合模型的训练和测试是98数据集从文学、检索和模型性能与原SVR模型在相同的数据集。获得的结果的R0.981,均方误差为3.44,RMSE 1.85, 1.17的美,日军0.05证明GS-SVR模型提出了抗压强度预测是一个候选方法在后续相关研究。此外,图形用户界面(GUI)开发了方便提供一些初步估计的结果之前执行广泛的实验室或实地考察。最后,每个变量的影响在随机环境下抗压强度进行了分析。

1。介绍

最消耗材料在建筑业,水泥给建筑行业带来了极大的便利。但坏消息是,它也给环境带来巨大的压力。由于水泥的生产和利用是伴随着大量的温室气体排放,许多学者已经开始关注相关研究矿物掺合料,可以用来取代水泥(1- - - - - -5]。其中,使用粉煤灰作为一种辅助胶结材料的生产大量的粉煤灰混凝土是一种重要的方法来减少环境污染,实现粉煤灰的足智多谋。此外,它也是一种有效的手段对混凝土生产商在各方面加强和提高混凝土的性能,减少水泥的使用,降低混凝土的成本(6,7]。粉煤灰的掺入不仅保证了混凝土的质量和降低生产成本的混凝土,也提高了兼容性,耐久性,和力量,从而成为使用最广泛的选择和接收的重视[8]。

混凝土材料对建筑行业的重要性不需要更多的介绍9- - - - - -11]。全球混凝土作为建筑材料由于它的各种性能,如强度、耐久性、刚度和耐火性。在这些属性中,抗压强度被认为是最重要的一个,因为它严重影响混凝土构件的安全性和耐久性。了解混凝土的早期行为允许适当的措施避免混凝土开裂和变形等问题成员,模板失败,和返工。此外,早期强度预测和评估施工安全监测是很重要的,确定结构成熟,预测后强度发展。不同的混凝土的抗压强度值的主要原因是混凝土是一种非均质的材料组成的绑定,骨料、水和外加剂。在这样一个复杂的混合,很难找到或准确预测混凝土的抗压强度。混凝土的抗压强度可以被粉碎在实验室评估标准尺寸圆柱体或多维数据集。然而,这样的实验室检测应该是低效和不经济的,以及劳动密集型和耗时。混凝土强度预测的传统方法主要是基于统计分析的线性或非线性回归方程,但获得准确的方程是很困难的,需要大量的技能和经验。 Due to the large number of concrete ingredients, it seems difficult to establish an explicit equation between the compressive strength and each ingredient as a way to predict its compressive strength.

为了解决这些问题,机器学习技术是用来预测混凝土的抗压强度。事实上,随着人工智能的发展,各种机器学习算法,如人工神经网络(ANN)、支持向量机(SVM),随机森林,极端学习机(ELM)应用于预测混凝土的力学性能(12- - - - - -23]。Ly et al。24]采用最优的深层神经网络模型的数据库223实验数据来预测橡胶混凝土28天抗压强度,取得了较高的预测精度R= 0.9874。汉et al。25利用一个优化的随机森林方法于1030年发表的文献收集的样本数据预测高性能混凝土的抗压强度。Furqan et al。26安)使用,支持向量机,和基因表达式编程(GEP) 300数据集来预测自密实混凝土的抗压强度。Zhang et al。27)采用九机器学习模型预测混凝土的抗压强度时7天,发现非线性模型比线性模型有更好的预测性能。Khoa et al。28)采用深层神经网络(款)和ResNet全美浮尘地质聚合物抗压强度预测模型的绿色混凝土。结果表明,ResNet优越,表明这两种机器学习方法可以用于地质聚合物混凝土的混合设计。从已发表的研究,可以发现,这些机器学习算法比传统的经验公式,使捕获和多维非线性的映射关系。可以提取未知输入和输出变量之间的关系和数据信息(29日]。

然而,这些模型也有局限性,许多模型需要参数调优来获得更好的性能。支持向量回归(SVR)的选择hyperparameters有很大影响预测结果的准确性。换句话说,一个SVR模型的预测精度是有限的。为了更好地理解和应用SVR方法,进一步探索这个地区仍然需要使用不同的数据集和优化算法。出于这个原因,本研究旨在提出一个混合动力机器学习相结合的SVR模型和网格搜索(GS),即GS-SVR模型,达到准确预测粉煤灰混凝土的抗压强度。基于该模型,单个变量的随机变化对抗压强度的影响研究作为参考和指导混凝土混合设计和强度预测。

2。方法

2.1。支持向量回归

SVR的目的是找到一种适合所有采样点的线性回归方程和最小化采样点的总方差的回归超平面。有一个样本训练集 , , 。一个函数f(x_我)是探测Rⁿ,这样y_我=f(x_我),总有一个对应的y价值的任何输入x。这样一个函数f(x_我)被称为回归函数,f(x_我)可以被描述如下。 在哪里 权向量,是一个非线性映射,用于地图的数据空间更高的特征空间,b是偏见。方程(1)可以安装在所有采样点的精度ε。

因为有一定的拟合误差,松弛变量( )和惩罚参数C介绍了。回归拟合问题是更改为一个优化问题。

使用拉格朗日乘数法对方程(3介绍了拉格朗日函数),获得它的对偶形式。

此时优化的核心是首先确定特征空间和发现最平的功能空间,满足的条件,然后使用这个函数来解决非线性问题。出于这个原因,内核函数 , 介绍了。回归拟合函数在这一点上

有很多选择的内核函数,常用的RBF函数(图1)选择在本研究30.]。

2.2。网格搜索方法

众所周知,识别结果很大程度上取决于hyperparameters SVR模型的选择。自是高度非线性的参数,往往需要通过大量的实验确定参数的组合,如惩罚参数C和内核参数 。虽然林等。31日,32)做更广泛的研究来简化支持向量机中的应用,提出LIBSVM等参数的选择C和还取决于经验。因此,迫切需要实现自动调优参数的获取输入的参数最优值一次。网格搜索(GS)方法可以解决这些问题。GS方法计算评估每个参数组合对模型性能的影响,通过遍历所有的候选人在一个循环中获得最优参数选择的组合hyperparameters [33]。参数选择的流程图如图2。

3所示。数据集描述

3.1。输入和输出变量

在这项研究中,98组数据被从文献检索。每个数据集是由六个成分(水泥、粉煤灰、水、超级、增塑剂、粗骨料、细骨料)和年龄作为输入变量和抗压强度作为输出变量。输入和输出变量的分布如图3,这些变量的统计特征表1。可以看出,不同组合的抗压强度变化很大的输入变量。此外,输入和输出变量之间的皮尔逊相关系数绘制,如图4。在当前数据集,任何的输入和输出变量之间的线性相关性很弱,这表明抗压强度之间的复杂非线性关系,这些输入参数。因此,抗压强度与这些参数之间的关系很难反映通过显式方程。

3.2。性能标准

描述和比较的性能模型,五个评价指标,线性相关系数(R),均方误差(MSE),平均根误差(RMSE),平均绝对百分误差(日军)和平均绝对误差(日军),介绍了(34]。这些指标定义如下。 在哪里n样品的数量,y_e抗压强度的实验值,y_p预测的价值。当R接近1或其他四个错误指标更接近0,模型的预测性能更好。

4所示。模型的性能

最初,GS用于选择hyperparameters SVR。GS-SVR模型,C和的指数网格搜索[2⁻⁸,2⁸与步骤2)^0.1。的进化参数如图5。模型训练使用10倍交叉验证。

强调该方法的优越性在这项研究中,最初的SVR模型和GS-SVR模型进行相同的训练集和测试集,模型结果如图6。它可以清楚地观察到与SVR模型相比,GS-SVR模型结果进一步沿着对角线分布的数据点,表明预测值匹配更好的与实验值,和相关系数R超过0.98为训练集和测试集。

比较和评价目的,图7显示了预测与实验值更详细地训练集和测试集。在每个样本点,预测值与实验值吻合较好,证明GS-SVR模型的准确性和有效性捕捉七个输入变量之间的复杂的非线性关系和抗压强度。模型的训练和测试的误差指标如图8。它可以清楚地观察到两组,四个GS-SVR模型的误差指标较小,进一步验证该GS-SVR模型的精度和泛化能力。

5。敏感性分析

模型的结果部分4表明,抗压强度取决于输入向量组成的六个成分和年龄。然而,这些变量在随机环境中几乎没有确定的值。这种不确定性可能会导致预测的偏差和实际的混凝土抗压强度值。因此,本节将重点介绍随机变化的影响程度的抗压强度上的每个输入变量。根据表中给出的数据集的统计特征1,一组输入向量与确定的配置表2。输入变量被认为是在三个不同的特性转化度值 。在每个随机设置,10⁴使用MATLAB生成样本。量化和比较对输出变量的影响程度,抗压强度的随机输入的灵敏度定义如下(35,36]。 在哪里σ和μ标准偏差和抗压强度的平均值,分别。抗压强度的分布三个随机设置如图9。

的随机性年代₀增加,抗压强度的三种情况的敏感性更高。此外,在七个变量中,粉煤灰和粗骨料导致更多的离散分布的预测抗压强度值,影响最大的粉煤灰在预测抗压强度值的不确定性。这一观点也可以观察到在图9 (d)。设计师应该更多地关注的设计混合设计和混凝土抗压强度预测和随机环境中粉煤灰掺合料。

6。GS-SVR基于模型的交互式图形用户界面

如今,结构设计师和工程师更倾向于开发更健壮的和用户友好的软件获得更广泛的适用性。事实上,以确保本研究的模型是有用的和实际的和使用的方便性,图形用户界面(GUI)是使用MATLAB编制如图10。整个界面分为两个主要部分:hyperparameters优化和预测输出结果与已知的输入参数。GUI的操作可以通过单击帮助菜单,整个过程包括四个主要步骤。

步骤1。单击初始化设置按钮获得参数的默认值;这些值也可以手动修改。

步骤2。点击优化按钮获得参数的最佳值C和

步骤3。手动输入每一个输入参数

步骤4。单击预测按钮得到最终的输出值
最后,粉煤灰混凝土的抗压强度预测直接通过点击显示按钮。这个GUI开发主要用于本研究中使用的数据集,和未来的用户界面的优化,如添加新的数据集和其他影响参数可以被认为是使模型的预测更加准确。

7所示。结论

在这项工作中,混合GS-SVR机器学习模型用来预测与粉煤灰掺合料混凝土的抗压强度和数量的敏感性在随机环境中抗压强度。主要研究结果如下。(1)提出GS-SVR模型能够准确地捕捉七个输入参数之间的复杂非线性关系,混凝土的抗压强度与精度R超过98%的训练和测试阶段(2)从性能标准,该模型的预测性能优于原SVR模型,这是一个有前途的候选人评估粉煤灰混凝土的抗压强度(3)在随机环境中,使用的数据集在这项研究中,混凝土的抗压强度与粉煤灰掺合料对粉煤灰最敏感,其次是粗骨料,其他5个输入变量的灵敏度是虚弱的。(4)随着变量的随机性增加,抗压强度的分布范围变得更广泛和分散变大,和设计师和工程师应该更加注意随机变化的影响粉煤灰和粗骨料强度的不确定性。(5)这项研究提供了一个新的GUI,可以很容易地用来预测粉煤灰混凝土的抗压强度。这个工具已经被证明是非常成功的,表现出非常可靠的预测。否则,是理想主义的一些初步估计结果之前执行任何广泛的实验室工作或实地考察。

这项工作也展示一些局限性,需要未来的研究。首先,在这项研究中使用的数据集是不足够大,和骨料的影响大小和减水剂类型对模型预测精度并不研究由于缺乏数据集。第二,其他机器学习算法或混合模型也可以适当开发如果可以获得较高的预测精度。最后,当前GUI是相对简单和粗糙。添加新的数据集,需要重新训练模型和GUI需要进一步的更新和改进。

数据可用性

数据集用于支持本研究的发现和GUI可从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢金融支持河南省重点科学技术研究项目(222102210306)。