Метод прогнозирования прочности бетона при сжатии на основе машинного обучения

Точное прогнозирование прочности бетона при сжатии имеет большое значение для обеспечения качества и соблюдения сроков строительства. Для изучения современного состояния исследований в области прогнозирования прочности бетона при сжатии был проведён библиометрический анализ соответствующей литературы, опубликованной за последнее десятилетие. В качестве базы данных использовались 3135 журнальных статей, опубликованных в период с 2012 по 2021 год и проиндексированных в основной коллекции Web of Science. С помощью программного обеспечения для визуализации CiteSpace 6.1R2 была построена карта знаний, позволившая проанализировать данную область на макроуровне с точки зрения пространственно-временного распределения, распределения исследовательских направлений и тенденций их развития. Затем область была рассмотрена более подробно: методы прогнозирования прочности бетона при сжатии были разделены на две категории — традиционные методы и методы машинного обучения, — а также представлены типичные методы каждой категории. Кроме того, для прогнозирования прочности бетона при сжатии был предложен ансамблевый алгоритм машинного обучения на основе бустинга — алгоритм градиентного бустинга регрессионных деревьев (GBRT). В качестве набора данных были собраны 1030 наборов экспериментальных данных о прочности бетона при сжатии; 60% данных использовались для обучения модели, 20% — для её валидации и 20% — для тестирования обученной модели. Коэффициент детерминации (R²) модели GBRT составил 0,92, среднеквадратичная ошибка (MSE) — 22,09 МПа², а корень из среднеквадратичной ошибки (RMSE) — 4,7 МПа, что свидетельствует о высокой точности прогнозирования по сравнению с моделями, построенными с использованием других алгоритмов машинного обучения. Кроме того, была проведена пятичастная перекрёстная проверка, а также проанализирована важность признаков восьми входных переменных.