Прогнозирование прочности бетона на сжатие и осадки с использованием методов машинного обучения
Prediction of Concrete Compressive Strength and Slump by Machine Learning Methods
2019-01-01
SCID: 54.1/ab5e59bm
Discuss with AI
отбор признаков ReliefFпрочность бетона на сжатиеосадка бетонарегрессия на основе нечеткой логикинормализация min-max
Figures from the paper
Abstract (AI)
Методы машинного обучения успешно применяются во многих инженерных дисциплинах. Прогнозирование прочности бетона на сжатие (f_c) и его осадки (S) важно для оценки качества и устойчивости бетона. Целями настоящего исследования были: (i) определить наиболее эффективный метод нормализации наборов данных; (ii) выбрать оптимальный регрессионный метод для прогнозирования выходных параметров f_c и S; (iii) получить наилучшее подмножество признаков с использованием метода отбора признаков ReliefF; и (iv) сравнить результаты регрессии для исходного и отобранного подмножеств. Экспериментальные результаты показывают, что десятичное масштабирование и нормализация методом min–max являются наиболее эффективными методами прогнозирования прочности на сжатие и осадки соответственно. Согласно таким оценочным метрикам, как коэффициент корреляции, среднеквадратичная ошибка и средняя абсолютная ошибка, метод нечеткой логики обеспечивает более точные прогнозы, чем другие регрессионные методы. Кроме того, при сокращении числа входных переменных с семи до четырех с помощью метода отбора признаков ReliefF точность прогнозирования оставалась в пределах допустимой погрешности.
Key Findings
1
Десятичное масштабирование оказалось наиболее успешным методом нормализации для прогнозирования прочности бетона на сжатие.
2
Регрессия на основе нечёткой логики превзошла другие исследованные методы по коэффициенту корреляции, среднеквадратичной и средней абсолютной ошибкам.
3
Нормализация методом min–max обеспечила наилучшие результаты прогнозирования осадки бетонной смеси.
4
Метод ReliefF сократил число входных переменных с семи до четырёх, сохранив точность прогнозирования в пределах допустимой погрешности.
5
В исследовании сопоставлялись результаты прогнозирования с исходным набором признаков и набором, отобранным методом ReliefF, для обоих свойств бетона.
Research Object
Бетон, характеризуемый прочностью на сжатие и осадкой конуса
Research Subject
Точность прогнозирования прочности бетона на сжатие и осадки конуса, включая влияние нормализации, метода регрессии и отбора признаков
Publication Details
Publication Date
2019-01-01
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest