Vergleich verschiedener Algorithmen für maschinelles Lernen, die zur Vorhersage der Druckfestigkeit von Stahlfasern verwendet werden

Scientific Reports Band 13, Artikelnummer: 3646 (2023) Diesen Artikel zitieren

1578 Zugriffe

1 Zitate

10 Altmetrisch

Details zu den Metriken

Die Zugabe von hakenförmigen Industriestahlfasern (ISF) zu Beton erhöht dessen Zug- und Biegefestigkeit. Das Verständnis des Einflusses von ISF auf das Druckfestigkeitsverhalten (CS) von Beton wird jedoch von der wissenschaftlichen Gesellschaft immer noch in Frage gestellt. Das vorgestellte Papier zielt darauf ab, Algorithmen für maschinelles Lernen (ML) und Deep Learning (DL) zu verwenden, um die CS von Stahlfaserbeton (SFRC) mit hakenförmigem ISF auf der Grundlage der in der offenen Literatur gesammelten Daten vorherzusagen. Dementsprechend werden 176 Datensätze aus verschiedenen Zeitschriften und Konferenzbeiträgen gesammelt. Basierend auf der anfänglichen Sensitivitätsanalyse neigen die einflussreichsten Parameter wie das Wasser-Zement-Verhältnis (W/Z) und der Gehalt an Feinzuschlagstoffen (FA) dazu, den CS von SFRC zu verringern. In der Zwischenzeit könnte der CS von SFRC durch eine Erhöhung der Menge an Fließmittel (SP), Flugasche und Zement (C) verbessert werden. Zu den am wenigsten beitragenden Faktoren gehören die maximale Größe der Aggregate (Dmax) und das Länge-zu-Durchmesser-Verhältnis der Haken-ISFs (L/DISF). Mehrere statistische Parameter werden auch als Metriken verwendet, um die Leistung implementierter Modelle zu bewerten, wie z. B. das Bestimmtheitsmaß (R2), der mittlere absolute Fehler (MAE) und der mittlere quadratische Fehler (MSE). Unter den verschiedenen ML-Algorithmen weist das Convolutional Neural Network (CNN) mit R2 = 0,928, RMSE = 5,043 und MAE = 3,833 eine höhere Genauigkeit auf. Andererseits führt der K-Nearest-Neighbor-Algorithmus (KNN) mit R2 = 0,881, RMSE = 6,477 und MAE = 4,648 zur schwächsten Leistung.

ML ist eine Rechentechnik, die dazu dient, die menschliche Intelligenz zu simulieren und den Rechenvorgang durch kontinuierliches Lernen und Weiterentwicklung zu beschleunigen. ML-Techniken wurden in mehreren Branchen effektiv implementiert, darunter medizinische und biomedizinische Geräte, Unterhaltung, Finanzen und technische Anwendungen. ML kann im Bauingenieurwesen in verschiedenen Bereichen wie der Infrastrukturentwicklung, der Überwachung des strukturellen Zustands und der Vorhersage der mechanischen Eigenschaften von Materialien eingesetzt werden. Insbesondere wurden zahlreiche Studien durchgeführt, um die Eigenschaften von Beton vorherzusagen1,2,3,4,5,6,7

Einer der Nachteile von Beton als fragilem Material ist seine geringe Zugfestigkeit und Belastbarkeit. Um die Zugbelastbarkeit des Betons zu erhöhen, werden daher verschiedene Arten von Fasern zugesetzt. Zur Herstellung von faserverstärktem Beton (FRC) werden typischerweise kurze, diskontinuierliche Fasern verwendet, die zufällig in der Betonmatrix verteilt sind8. Bisher wurden Fasern vor allem zur Verbesserung des Verhaltens von Strukturelementen aus Gründen der Gebrauchstauglichkeit eingesetzt. Allerdings kann die Zugabe von ISF zum Beton und die Herstellung von SFRC auch für zusätzliche Festigkeitskapazität sorgen oder als primäre Verstärkung in Strukturelementen fungieren. Heutzutage gewinnt SFRC bei der Herstellung von vorgefertigten und Ortbetonkonstruktionen zunehmend an Bedeutung, z. B. als Sekundärbewehrung für vorübergehende Belastungsszenarien, zum Aufhalten von Schwindrissen und zur Begrenzung von Mikrorissen, die beim Transport oder beim Einbau von Fertigteilelementen (z. B. Tunnelauskleidung) auftreten Segmente), (b) teilweiser Ersatz der herkömmlichen Bewehrung, d. h. hybride Bewehrungssysteme, und (c) vollständiger Ersatz der typischen Bewehrung in druckbeanspruchten Elementen, z. B. dünnschalige Tragwerke, Bodenplatten, Fundamente usw Tunnelauskleidungen9. Eines der Hindernisse für die Verwendung von Fasern in Strukturanwendungen ist zweifellos die Schwierigkeit bei der Berechnung der FRC-Eigenschaften (insbesondere des CS-Verhaltens), die in aktuelle Entwurfstechniken einbezogen werden sollten10.

Dementsprechend wurden viele experimentelle Studien durchgeführt, um den CS von SFRC zu untersuchen. Han et al.11 berichteten, dass die Länge des ISF (LISF) einen unbedeutenden Einfluss auf den CS von SFRC hat. Setti et al.12 fügten dem Beton auch ISF mit unterschiedlichen Volumenanteilen (VISF) hinzu und berichteten über eine Verbesserung des CS von SFRC durch Erhöhung des ISF-Gehalts. Zhu et al.13 stellten einen linearen Anstieg von CS fest, indem sie den VISF von 0 auf 2,0 % erhöhten. Trotz der Verbesserung des CS von normalfestem Beton mit ISF wird bei Hochleistungsbetonmischungen durch Erhöhung des VISF keine signifikante Änderung des CS erzielt14,15. Dies unterstreicht die Rolle anderer Mischungskomponenten (wie W/Z-Verhältnis, Aggregatgröße und Zementgehalt) für das CS-Verhalten von SFRC. Aufgrund der Schwierigkeit der CS-Vorhersage durch lineare oder nichtlineare Regressionsanalyse werden daher datengesteuerte Modelle für eine genaue CS-Vorhersage von SFRC in die Praxis umgesetzt.

In letzter Zeit werden ML-Algorithmen häufig zur Vorhersage der CS von Beton eingesetzt. Beispielsweise wurden zahlreiche Studien1,2,3,7,16,17 zur Vorhersage der mechanischen Eigenschaften von Normalbeton (NC) durchgeführt. Offensichtlich umfasst SFRC eine größere Anzahl von Komponenten als NC, einschließlich LISF, L/DISF, Fasertyp, ISF-Durchmesser (DISF) und Zugfestigkeit von ISFs. In dieser Hinsicht ist die Entwicklung datengesteuerter Modelle zur Vorhersage des CS von SFRC ein vergleichsweise neuer Ansatz. Kang et al.18 sammelten einen Datensatz mit sieben Merkmalen (VISF und L/DISF als Eigenschaften von Fasern) und entwickelten 11 verschiedene ML-Techniken. Dabei stellten sie fest, dass die baumbasierten Modelle die beste Leistung bei der Vorhersage des CS von SFRC aufwiesen. Außerdem wurde der Schluss gezogen, dass das W/Z-Verhältnis und der Silikatrauchgehalt den größten Einfluss auf den CS von SFRC hatten. Mahesh et al.19 verwendeten ML-Algorithmen für einen 140-Rohdatensatz unter Berücksichtigung von acht verschiedenen Merkmalen (LISF, VISF und L/DISF als Fasereigenschaften) und kamen zu dem Schluss, dass das künstliche neuronale Netzwerk (ANN) die beste Leistung bei der Vorhersage des CS aufweist von SFRC mit einem Regressionskoeffizienten von 0,97. Darüber hinaus wurden in einer von Awolusi et al.20 durchgeführten Studie nur drei Merkmale (L/DISF als Fasereigenschaften) berücksichtigt und ANN und die genetischen Algorithmusmodelle wurden implementiert, um den CS von SFRC vorherzusagen. Es wurde beobachtet, dass das ANN-Modell insgesamt den genetischen Algorithmus bei der Vorhersage des CS von SFRC übertraf.

Der vorgelegten Literatur zufolge ist die wissenschaftliche Gemeinschaft immer noch unsicher über das CS-Verhalten von SFRC. Darüber hinaus sind die auf ML-Techniken basierenden Studien, die zur Vorhersage des CS von SFRC durchgeführt wurden, begrenzt, da es schwierig ist, umfassende experimentelle Daten zu sammeln, um Modelle für alle beitragenden Merkmale (wie die Eigenschaften von Fasern, Aggregaten und Beimischungen) zu entwickeln. . Daher zielt die vorgestellte Studie darauf ab, verschiedene ML-Algorithmen für die CS-Vorhersage von SFRC auf der Grundlage aller einflussreichen Parameter zu vergleichen. Zu diesem Zweck werden 176 experimentelle Daten mit 11 Merkmalen von SFRC aus verschiedenen Zeitschriftenartikeln gesammelt. Die primäre Sensitivitätsanalyse wird durchgeführt, um die wichtigsten Merkmale zu ermitteln. Basierend auf Expertenmeinungen und primärer Sensitivitätsanalyse wurden daher zwei Merkmale (Länge und Zugfestigkeit des ISF) weggelassen und nur neun Merkmale für das Training der Modelle übrig. Anschließend werden auf der Grundlage der Daten neun gut angenommene ML-Algorithmen entwickelt und verschiedene Metriken verwendet, um die Leistung dieser Algorithmen zu bewerten. Um eine Überanpassung zu verhindern, wird außerdem die Leave-One-Out-Cross-Validation-Methode (LOOCV) implementiert und 8 verschiedene Metriken werden verwendet, um die Effizienz der entwickelten Modelle zu bewerten.

Die SFRC-Mischungen mit Haken-ISF und deren 28-Tage-CS (getestet mit 150-mm-Kubikproben) wurden der Literatur entnommen11,13,21,22,23,24,25,26,27,28,29,30,31, 32,33. Einige der Mischungen wurden eliminiert, da sie recycelte Stahlfasern oder andere ISF-Typen (z. B. glatt und wellig) enthielten. Darüber hinaus wurden einige andere weggelassen, da die Informationen zu Mischkomponenten (wie FA, SP usw.) fehlten. Letztendlich wurden 63 Mischungen weggelassen und 176 Mischungen ausgewählt, um die Modelle bei der Vorhersage des CS von SFRC zu trainieren. Alle diese Mischungen hatten einige Merkmale wie DMAX, die Menge an ISF (ISF), L/DISF, C, W/C-Verhältnis, Grobzuschlagstoff (CA), FA, SP und Flugasche als Eingabeparameter (9 Merkmale). Außerdem wurde der CS von SFRC als einziger Ausgabeparameter berücksichtigt.

Die Korrelation aller Parameter untereinander (paarweise Korrelation) ist in Abb. 1 zu sehen. Abb. 2 veranschaulicht außerdem die Korrelation zwischen Eingabeparametern und dem CS von SFRC.

paarweise Korrelation zwischen Variablen.

Korrelation zwischen numerischen Variablen.

Der Korrelationskoeffizient (\(R\)) ist ein statistisches Maß, das die Stärke der linearen Beziehung zwischen zwei Datensätzen zeigt. Gleichung (1) ist die Kovarianz zwischen zwei Variablen (\(COV_{XY}\)) dividiert durch ihre Standardabweichungen (\(\sigma_{X}\), \(\sigma_{Y}\)). \(R\) zeigt die Richtung und Stärke einer Zwei-Variablen-Beziehung. Die lineare Beziehung zwischen zwei Variablen ist stärker, wenn \(R\) nahe bei + 1,00 oder − 1,00 liegt.

Wie in Abb. 2 zu sehen ist, ist es offensichtlich, dass der CS mit zunehmendem SP zunahm (R = 0,792), gefolgt von Flugasche (R = 0,688) und C (R = 0,501). Hingegen verringerte es sich durch Erhöhung des W/C-Verhältnisses (R = − 0,786), gefolgt von FA (R = − 0,521). Der CS von SFRC wurde jedoch nur unwesentlich von DMAX, CA und den Eigenschaften von ISF (ISF, L/DISF) beeinflusst. Die gleichen Ergebnisse werden auch von Kang et al.18 berichtet.

Statistische Merkmale der Eingabeparameter, einschließlich der minimalen, maximalen, durchschnittlichen und Standardabweichungswerte (SD) jedes Parameters, können in Tabelle 1 beobachtet werden.

Laut Tabelle 1 weisen die Eingabeparameter keine ähnliche Skala auf. Daher müssen die Daten normalisiert werden, um den Dominanzeffekt zu vermeiden, der durch Größenunterschiede zwischen Eingabeparametern verursacht wird34. Normalisierung ist eine Datenaufbereitungstechnik, die die Werte im Datensatz in eine Standardskala umwandelt. Es ist wichtig zu beachten, dass die Normalisierung im Allgemeinen das Lernen beschleunigt und zu einer schnelleren Konvergenz führt. Folglich wird die Max-Min-Normalisierungsmethode angewendet, um alle Datensätze mithilfe von Gleichung in einen Bereich von \(0\) bis \(1\) umzuformen. (2) wie folgt:

In einigen Studien34,35,36,37 wurden mehrere Metriken verwendet, um die durchgeführten Modelle ausreichend zu bewerten und ihre Robustheit zu vergleichen. Dementsprechend wurden mehrere statistische Parameter wie R2, MSE, mittlerer absoluter prozentualer Fehler (MAPE), quadratischer Mittelwertfehler (RMSE), durchschnittlicher Bias-Fehler (MBE), t-Statistiktest (Tstat) und Streuindex (SI) verwendet . R2 ist eine Metrik, die zeigt, wie gut ein Modell den Wert einer abhängigen Variablen vorhersagt und wie gut das Modell an die Daten angepasst ist. Verschiedene Ordnungen markierter und nicht markierter Fehler in Vorhersagen werden durch MSE, RMSE, MAE und MBE6 demonstriert. MAPE ist ein skalenunabhängiges Maß, das zur Bewertung der Genauigkeit von Algorithmen verwendet wird. TStat und SI sind die nichtdimensionalen Maße, die Unsicherheitsniveaus im Schritt der Vorhersage erfassen. SI ist eine Standardfehlermessung, deren kleinere Werte auf eine bessere Modellleistung hinweisen. Bewertungsmetriken sind in Tabelle 2 zu sehen, wo \(N\), \(y_{i}\), \(y_{i}^{\prime }\) und \(\overline{y}\) darstellen die Gesamtdatenmenge, der wahre CS der Stichprobe \(i{\text{th}}\), der geschätzte CS der Stichprobe \(i{\text{th}}\) und der Durchschnittswert der tatsächliche Festigkeitswerte bzw.

Um eine Überanpassung zu vermeiden, wurde der Datensatz in Trainings- und Testsätze aufgeteilt, wobei 80 % der Daten für das Training des Modells und 20 % für Tests verwendet wurden. Außerdem wurde ein spezieller Typ eines Kreuzvalidierungsalgorithmus (CV) namens LOOCV (Abb. 3) verwendet, um die Daten zu validieren und die Hyperparameter anzupassen. In LOOCV entspricht die Anzahl der Faltungen der Anzahl der Instanzen im Datensatz (n = 176).

Weglassen einer einmaligen Kreuzvalidierungsmethode.

Wie in Tabelle 3 zu sehen ist, wurden in dieser Forschung neun verschiedene Algorithmen implementiert, darunter MLR, KNN, SVR, RF, GB, XGB, AdaBoost, ANN und CNN.

MLR ist der einfachste überwachte ML-Algorithmus zur Lösung von Regressionsproblemen. Aufgrund seiner Einfachheit wurde dieses Modell in zahlreichen Studien zur Vorhersage der CS von Beton verwendet6,18,38,39. MLR sagt den Wert der abhängigen Variablen (\(y\)) basierend auf dem Wert der unabhängigen Variablen (\(x\)) voraus, indem die lineare Beziehung zwischen Eingaben (unabhängigen Parametern) und Ausgaben (abhängigen Parametern) basierend auf Gleichung hergestellt wird . (3):

wobei \(\hat{y}\), \(x_{n}\) und \(\alpha\) der abhängige Parameter, der unabhängige Parameter bzw. die Vorspannung sind18.

Die KNN-Methode ist eine einfache überwachte ML-Technik, die zur Lösung von Klassifizierungs- und Regressionsproblemen eingesetzt werden kann. Dieser Algorithmus versucht, den Wert eines neuen Punktes zu bestimmen, indem er eine Sammlung von Trainingssätzen untersucht, die sich in der Nähe befinden40. Dieser Algorithmus berechnet zunächst den euklidischen Abstand von K Nachbarn. Dann werden unter K Nachbarn die Datenpunkte jeder Kategorie gezählt. Abschließend wird das Modell erstellt, indem die neuen Datenpunkte der Kategorie mit den meisten Nachbarn zugeordnet werden.

Das SVR-Modell (wie in Abb. 4 zu sehen) wurde auch verwendet, um die CS von Beton vorherzusagen41,42. SVR gilt als überwachte ML-Technik, die diskrete Werte vorhersagt. Tatsächlich versucht SVR, die beste Anpassungslinie zu bestimmen. Die am besten passende Linie im SVR ist eine Hyperebene mit der größten Anzahl an Punkten. Der Hauptgrund für die Verwendung eines SVR besteht darin, dass das Problem möglicherweise nicht linear trennbar ist. In diesen Fällen wird ein SVR mit einem nichtlinearen Kernel (z. B. einer radialen Basisfunktion) verwendet. Im SVR ist \(\{ x_{i} ,y_{i} \} ,i = 1,2,...,k\) der Trainingssatz, wobei \(x_{i}\) und \(y_ {i}\) sind die Eingabe- bzw. Ausgabewerte. Darüber hinaus ist die Regressionsfunktion \(y = \left\langle {\alpha ,x} \right\rangle + \beta\) und das Ziel von SVR besteht darin, die Funktion so flach wie möglich zu machen18.

Unterstützt das Vektorregressionsmodell.

Alle baumbasierten Modelle können auf Regressionsprobleme (Vorhersage numerischer Werte) oder Klassifizierungsprobleme (Vorhersage kategorialer Werte) angewendet werden. In der aktuellen Forschung wurden baumbasierte Modelle (GB, XGB, RF und AdaBoost) verwendet, um den CS von SFRC vorherzusagen. Unter diesen Techniken ist AdaBoost der einfachste Boosting-Algorithmus, der auf der Idee basiert, dass durch die Kombination vieler weniger genauer Vorschriften eine sehr genaue Vorhersageregel erstellt werden kann43. Darüber hinaus ist GB ein AdaBoost-Entwicklungsmodell, ein Metaschätzer, der aus vielen sequentiellen Entscheidungsbäumen besteht und eine schrittweise Methode zum Aufbau eines additiven Modells verwendet6. XGB macht GB regelmäßiger und kontrolliert Überanpassung durch Erhöhung der Generalisierbarkeit6. RF besteht aus vielen parallelen Entscheidungsbäumen und berechnet den Durchschnitt angepasster Modelle für verschiedene Teilmengen des Datensatzes, um die Vorhersagegenauigkeit zu verbessern6.

Die Verwendung eines ANN-Algorithmus (Abb. 5) als leistungsstarkes Werkzeug zur Schätzung des CS von Beton ist mittlerweile allgemein bekannt6,38,44,45. Die Funktion des Gehirns wird als Grundlage für die Entwicklung von ANN6 genutzt. ANN kann verwendet werden, um komplizierte Muster zu modellieren und Probleme vorherzusagen. Das ANN-Modell besteht aus Neuronen, Gewichten und Aktivierungsfunktionen18. Die Eingabewerte werden mit Gleichung gewichtet und summiert. (4).

wobei \(x_{i} ,w_{ij} ,net_{j} ,\) und \(b\) die Eingabewerte sind, das Gewicht jedes Signals, die gewichtete Summe der \(j{\text{th }}\) Neuron bzw. Bias18. In der aktuellen Studie bestand das ANN-Modell aus einer Ausgabeschicht und vier verborgenen Schichten mit jeweils 50, 150, 100 und 150 Neuronen. Nach jeder verborgenen Schicht gibt es eine Dropout-Schicht (die Dropout-Schicht setzt die Eingabeeinheiten bei jedem Trainingsschritt zufällig mit einer Häufigkeitsrate auf Null und verhindert so eine Überanpassung). Als Optimierungsfunktion wurde Adam mit einer Lernrate von 0,01 ausgewählt. Es ist unbedingt darauf hinzuweisen, dass der MSE-Ansatz während des gesamten Optimierungsprozesses als Verlustfunktion verwendet wurde. Tabelle 3 zeigt die Ergebnisse der Verwendung eines Rasters und einer Zufallssuche zur Optimierung der anderen Hyperparameter.

Künstliches neuronales Netzwerkmodell.

In den letzten Jahren wurde der CNN-Algorithmus (Abb. 6) zunehmend zur Vorhersage des CS von Beton verwendet34,46,47,48,49. Das CNN-Modell ist eine neue Architektur für DL, die aus mehreren Schichten besteht, die eine Eingabe verarbeiten und umwandeln, um eine Ausgabe zu erzeugen. In der aktuellen Studie bestand die verwendete Architektur aus einer eindimensionalen Faltungsschicht, einer eindimensionalen maximalen Pooling-Schicht, einer eindimensionalen durchschnittlichen Pooling-Schicht und einer vollständig verbundenen Schicht. Darüber hinaus wurde ReLU als Aktivierungsfunktion für jede Faltungsschicht und die Adam-Funktion als Optimierer verwendet. Tabelle 3 zeigt die geänderten Hyperparameter jeder Faltungs-, Flatten-, Hidden- und Pooling-Schicht, einschließlich Kernel- und Filtergröße und Lernrate.

Faltungsmodell eines neuronalen Netzwerks.

Um die Hyperparameter des Validierungssatzes anzupassen, wurden Zufallssuch- und Rastersuchalgorithmen verwendet. Tabelle 3 enthält detaillierte Informationen zu den abgestimmten Hyperparametern jedes Modells. Die vorgestellte Arbeit nutzt die Programmiersprache Python und die TensorFlow-Plattform sowie das Scikit-learn-Paket.

Der CS von SFRC wurde durch verschiedene ML-Techniken vorhergesagt, wie im Abschnitt „Implementierte Algorithmen“ beschrieben. Die vorhergesagten Werte wurden mit den tatsächlichen Werten verglichen, um die Machbarkeit von ML-Algorithmen zu demonstrieren (Abb. 7). Wie in Tabelle 4 zu sehen ist, wurde die Leistung der implementierten Algorithmen anhand verschiedener Metriken bewertet.

Leistung implementierter Algorithmen bei der Vorhersage der CS von stahlfaserverstärktem Beton (SFRC).

Als einfachste ML-Technik wurde MLR zur Vorhersage des CS von SFRC implementiert und zeigte einen R2 von 0,888, einen RMSE von 6,301 und einen MAE von 5,317. Al-Abdaly et al.50 berichteten, dass der MLR-Algorithmus (mit R2 = 0,64, RMSE = 8,68, MAE = 5,66) bei der Vorhersage des CS-Verhaltens von SFRC schlecht abschnitt. Khademi et al.51 verwendeten MLR zur Vorhersage des CS von NC und stellten fest, dass es nicht als genaues Modell angesehen werden kann (mit R2 = 0,518). Darüber hinaus wurde gemäß den von Kang et al.18 berichteten Ergebnissen gezeigt, dass die Verwendung von MLR zu einem signifikanten Unterschied zwischen tatsächlichen und vorhergesagten Werten für die Vorhersage des CS von SFRC führte (RMSE = 12,4273, MAE = 11,3765). Hameed et al.52 entwickelten ein MLR-Modell zur Vorhersage des CS von Hochleistungsbeton (HPC) und stellten fest, dass MLR eine schlechte Korrelation zwischen dem tatsächlichen und dem vorhergesagten CS von HPC aufwies (R = 0,789, RMSE = 8,288). Basierend auf der MLR-Leistung bei der Vorhersage des CS von SFRC und der Konsistenz mit früheren Studien (bei der Verwendung des MLR zur Vorhersage des CS von NC, HPC und SFRC) wurde daher vorgeschlagen, dass aufgrund der Komplexität der Korrelation zwischen den CS und Betonmischungseigenschaften konnten lineare Modelle (wie MLR) die komplizierte Beziehung zwischen unabhängigen Variablen nicht erklären. Daher wurden komplexere ML-Modelle wie KNN, baumbasierte SVR-Modelle, ANN und CNN vorgeschlagen und implementiert, um die CS von SFRC zu untersuchen.

KNN (R2 = 0,881, RMSE = 6,477, MAE = 4,648) zeigte im Vergleich zu MLR eine geringere Genauigkeit bei der Vorhersage des CS von SFRC. Kang et al.18 beobachteten, dass KNN die CS von SFRC mit einem großen Unterschied zwischen tatsächlichen und vorhergesagten Werten vorhersagte. Asadi et al.6 berichteten auch, dass KNN bei der Vorhersage des CS von Beton, der Abfallmarmormehl enthält, schlecht abschnitt. Darüber hinaus wurde der KS von gummiertem Beton mithilfe des KNN-Algorithmus von Hadzima-Nyarko et al.53 vorhergesagt, und es wurde berichtet, dass KNN möglicherweise nicht für die Schätzung des KS von Beton mit Abfallgummi geeignet ist (RMSE = 8,725, MAE = 5,87). Daher wurde gemäß den KNN-Ergebnissen bei der Vorhersage des CS von SFRC und der Kompatibilität mit früheren Studien (bei der Verwendung des KNN bei der Vorhersage des CS verschiedener Betontypen) beobachtet, dass die KNN-Technik wie MLR bei der Vorhersage des CS keine vielversprechende Leistung erbringen konnte von SFRC. Dies kann darauf zurückzuführen sein, dass KNN alle Merkmale gleich berücksichtigt, auch wenn sie alle unterschiedlich zum CS von Beton beitragen6.

Im Vergleich zu den vorherigen ML-Algorithmen (MLR und KNN) war die Leistung von SVR besser (R2 = 0,918, RMSE = 5,397, MAE = 4,559). Außerdem berichteten Kang et al.18 über einen signifikanten Unterschied zwischen tatsächlichen und vorhergesagten Werten bei der Vorhersage des CS von SFRC (RMSE = 18,024). Zur Vorhersage des CS-Verhaltens von NC implementierten Kabirvu et al.5 SVR und stellten fest, dass SVR eine hohe Genauigkeit aufwies (mit R2 = 0,97). Koya et al.39 und Li et al.54 hingegen berichteten, dass der SVR bei der Vorhersage des CS von NC einen großen Unterschied zwischen experimentellen und erwarteten Werten aufwies. Basierend auf den Ergebnissen der Implementierung von SVR zur Vorhersage des CS von SFRC und den Ergebnissen früherer Studien zur Verwendung des SVR zur Vorhersage des CS von NC und SFRC wurde der Schluss gezogen, dass SVR in einigen Untersuchungen eine akzeptable Leistung zeigte. Im Gegensatz dazu berichteten andere, dass SVR bei der Vorhersage des CS von Beton eine schwache Leistung zeigte. Dies kann an der unterschiedlichen Anzahl der Eingabeparameter liegen.

Basierend auf den Ergebnissen dieser Studie schnitten baumbasierte Modelle bei der Vorhersage des CS von SFRC schlechter ab als SVR. Es ist jedoch erwähnenswert, dass ihre Leistung bei der Vorhersage des CS von SFRC der von KNN und MLR überlegen war. Unter diesen baumbasierten Modellen waren AdaBoost (mit R2 = 0,888, RMSE = 6,29, MAE = 4,433) und XGB (mit R2 = 0,901, RMSE = 5,929, MAE = 4,288) die schwächsten und stärksten Modelle bei der Vorhersage des CS von SFRC , jeweils. Wie von Kang et al.18 berichtet, schnitt XGB unter den implementierten baumbasierten Modellen bei der Vorhersage des CS von SFRC besser ab. Al-Abdaly et al.50 berichteten auch, dass RF (R2 = 0,88, RMSE = 5,66, MAE = 3,8) bei der Vorhersage des CS von SFRC eine bessere Leistung erbrachte als MLR (R2 = 0,64, RMSE = 8,68, MAE = 5,66). Khan et al.55 berichteten außerdem, dass RF (R2 = 0,96, RMSE = 3,1) akzeptablere Ergebnisse zeigte als XGB und GB mit einem R2 von 0,9 bzw. 0,95 im Vorhersage-CS von SFRC. Darüber hinaus stellten Nguyen-Sy et al.56 und Rathakrishnan et al.57 nach der Implementierung des XGB fest, dass der XGB das beste Modell zur Vorhersage des CS von NC sei. Basierend auf den Ergebnissen der baumbasierten Technik bei der Vorhersage des CS von SFRC und der Kompatibilität mit früheren Studien zur Verwendung baumbasierter Modelle zur Vorhersage des CS verschiedener Betonarten (SFRC und NC) wurde daher der Schluss gezogen, dass baumbasierte Modelle (insbesondere XGB) zeigte eine gute Leistung.

Es wurde beobachtet, dass ANN (mit R2 = 0,896, RMSE = 6,056, MAE = 4,383) bei der Vorhersage des CS von SFRC eine bessere Leistung erbrachte als MLR, KNN und baumbasierte Modelle (außer XGB), seine Genauigkeit jedoch geringer war als die des SVR und XGB-Techniken (sowohl in Validierungs- als auch in Testsätzen). Mahesh et al.19 stellten fest, dass ANN nach der Optimierung des Modells (Anzahl der verborgenen Schichten = 20, Aktivierungsfunktion = Tansin Purelin) eine überlegene Leistung bei der Vorhersage des CS von SFRC zeigte (R2 = 0,95). Karahan et al.58 implementierten ANN mit der Levenberg-Marquardt-Variante als Backpropagation-Lernalgorithmus und berichteten, dass ANN den CS von SFRC genau vorhersagte (R2 = 0,96). Asadi et al.6 nutzten ANN auch zur Schätzung des CS von NC, das Abfallmarmorpulver enthielt (LOOCV wurde zur Abstimmung der Hyperparameter verwendet) und berichteten, dass ANN im Validierungssatz nicht in der Lage war, einen so hohen R2 wie GB und XGB zu erreichen. Allerdings hat ANN bei der Vorhersage des CS von NC unter Einbeziehung von Abfallmarmorpulver (R2 = 0,97) in den Testsatz eine genaue Leistung erbracht. Schließlich wird beobachtet, dass ANN aufgrund der Nichtkonvexität der Verlustoberfläche des mehrschichtigen Perzeptrons hinsichtlich R2 im Validierungssatz schwächer abschneidet als SVR und XGB. Daher ist es häufig erforderlich, ein lokales Maximum in der Nähe des globalen Minimums zu lokalisieren59. Daher kann nach jeder Modelltrainingssitzung die Generalisierung der Hold-out-Stichprobe schlecht sein, was den R2 im Validierungssatz 6 verringert. Es wird jedoch vorgeschlagen, dass ANN verwendet werden kann, um den CS von SFRC vorherzusagen.

Letztendlich zeigte CNN (mit R2 = 0,928, RMSE = 5,043, MAE = 3,833) unter allen entwickelten ML-Algorithmen eine überlegene Leistung bei der Vorhersage des CS von SFRC. Im Vergleich zu den anderen besprochenen Methoden war CNN in der Lage, den CS von SFRC mit einem deutlich geringeren Streuungsgrad in den Abbildungen, die die Beziehung zwischen tatsächlichem und erwartetem CS von SFRC darstellen, genau vorherzusagen. Mithilfe der CNN-Modellierung berichteten Chen et al.34, dass CNN eine hervorragende Leistung bei der Vorhersage des CS von SFRS und NC zeigen konnte. Deng et al.47 beobachteten außerdem, dass CNN den CS von recyceltem Beton besser vorhersagen konnte (durchschnittlicher relativer Fehler = 3,65) als andere Methoden. Schließlich stimmten die Ergebnisse der CNN-Technik mit denen früherer Studien überein, und CNN zeigte eine effiziente Vorhersage des CS von SFRC.

Tabelle 4 zeigt die Leistung von ML-Modellen anhand verschiedener Bewertungsmetriken. Es ist zu beobachten, dass CNN in Vergleichsmodellen mit R2, MSE, RMSE und SI das beste Ergebnis bei der Vorhersage des CS von SFRC zeigt, gefolgt von SVR und XGB. Im Gegensatz dazu zeigt KNN unter den entwickelten ML-Modellen die schlechteste Leistung bei der Vorhersage des CS von SFRC. Beim Vergleich implementierter ML-Algorithmen im Hinblick auf Tstat wird beobachtet, dass XGB die beste Leistung zeigt, gefolgt von ANN und SVR bei der Vorhersage des CS von SFRC. In Bezug auf Tstat zeigen die Ergebnisse jedoch, dass die CNN-Leistung etwa 58 % niedriger war als die von XGB. Beim Vergleich von ML-Modellen im Hinblick auf MAE und MAPE zeigt sich, dass CNN bei der Vorhersage des CS von SFRC überlegen ist, gefolgt von GB und XGB. Andererseits zeigt MLR den höchsten MAE bei der Vorhersage des CS von SFRC. In Bezug auf MBE erreichte XGB den Mindestwert von MBE, gefolgt von ANN, SVR und CNN.

Abbildung 8 zeigt die Variabilität der Restfehler (tatsächliche CS – vorhergesagte CS) für alle angewandten Modelle. Wenn die Schwankung des Restfehlers geringer ist und die Restfehler um Null schwanken, ist die Leistung des Modells besser. Daher wies aus Abb. 8 hervor, dass der SVR die herausragendste Leistung und die geringste Restfehlerschwankungsrate aufwies, gefolgt vom RF. Im Gegensatz dazu wiesen XGB und KNN die größte Fluktuationsrate auf. Darüber hinaus erreichte CNN eine um etwa 28 % geringere Restfehlerschwankung als SVR.

Fehlerschwankungen (tatsächliche CS – vorhergesagte CS) für verschiedene Algorithmen.

Wie in Abb. 9 dargestellt, gehören die minimalen und maximalen Interquartilbereiche (IQRs) zu AdaBoost bzw. MLR. Beim Vergleich von ML-Algorithmen im Hinblick auf den IQR-Index zeigte die CNN-Modellierung eine um etwa 31 % geringere Fehlerstreuung als die SVR-Technik. Darüber hinaus ergab die Vorhersage von CNN und XGB zwei Ausreißer mehr als die Restfehler von SVR, RF und MLR (null Ausreißer). Unterdessen hat AdaBoost die CS von SFRC mit einem breiteren Fehlerbereich vorhergesagt.

Fehlerverteilungen in MPa (tatsächlicher CS – vorhergesagter CS) für verschiedene Methoden.

Abbildung 10 zeigt auch die Normalverteilung des Restfehlers der vorgeschlagenen Modelle für die Vorhersage-CS von SFRC. Wenn die Restfehlerverteilung eines Modells näher an der Normalverteilung liegt, ist die Wahrscheinlichkeit größer, dass Vorhersagefehler um den Mittelwert herum auftreten6. Auf dieser Grundlage hatte CNN die Verteilung, die der Normalverteilung am nächsten kam, und lieferte die besten Ergebnisse für die Vorhersage des CS von SFRC, gefolgt von SVR und RF. Insgesamt lässt sich der Schluss ziehen, dass CNN genauere Vorhersagen des CS von SFRC mit geringerer Unsicherheit liefert, gefolgt von SVR und XGB.

Normalverteilung der Fehler (tatsächliche CS – vorhergesagte CS) für verschiedene Methoden.

Die Sensitivitätsanalyse untersucht die Bedeutung der Größe von Eingabeparametern in Bezug auf den Ausgabeparameter. Die Merkmalsbedeutung der ML-Algorithmen wurde in Abb. 11 verglichen. Die Sensitivitätsanalyse zeigte, dass unter den verschiedenen Eingabevariablen W/C-Verhältnis, Flugasche und SP den größten Einfluss auf das CS-Verhalten von SFRC hatten, gefolgt von Menge an ISF. Unter diesen Parametern wurde allgemein festgestellt, dass das W/Z-Verhältnis der wichtigste Parameter ist, der den CS von SFRC beeinflusst (mit steigendem W/C-Verhältnis erhöht sich auch der CS von SFRC). Knag et al.18 berichteten, dass Silicastaub, W/C-Verhältnis und DMAX die einflussreichsten Parameter sind, die den CS von SFRC vorhersagen. Außerdem haben die Eigenschaften von ISF (VISF, L/DISF) einen geringen Einfluss auf den CS von SFRC. Li et al.54 stellten fest, dass der CS von SFRC mit steigenden Mengen an C und Silikatrauch zunahm und mit steigenden Mengen an Wasser und SP abnahm. Daher können die ML-Algorithmen zur Vorhersage des CS von SFRC auf der Grundlage der Sensitivitätsanalyse als angemessen erachtet werden.

Merkmalsbedeutung von CS unter Verwendung verschiedener Algorithmen.

Eine parametrische Analyse wurde durchgeführt, um zu bestimmen, wie gut die entwickelten ML-Algorithmen die Auswirkung verschiedener Eingabeparameter auf das CS-Verhalten von SFRC vorhersagen können. Zur Durchführung der parametrischen Analyse zur Analyse des Einflusses eines bestimmten Parameters (z. B. W/Z-Verhältnis) auf die vorhergesagte CS von SFRC wurden die tatsächlichen Werte dieses Parameters (W/Z-Verhältnis) und die Mittelwerte für alle berücksichtigt Die anderen Eingabeparameterwerte wurden eingeführt. Das implementierte Verfahren wurde auch für andere Parameter wiederholt, wobei die drei Algorithmen mit der besten Leistung berücksichtigt wurden, nämlich SVR, XGB und ANN. Diese Methode wurde auch in anderen Forschungsarbeiten wie der von Khan et al.60 verwendet. Das Ergebnis dieser Analyse ist in Abb. 12 zu sehen.

Parametrische Analyse zwischen Parametern und vorhergesagtem CS in verschiedenen Algorithmen.

Wie in Abb. 12 dargestellt, ist das W/Z-Verhältnis der Parameter, der den vorhergesagten CS stark beeinflusst. Mit anderen Worten: Der vorhergesagte CS nimmt mit zunehmendem W/C-Verhältnis ab. Im Allgemeinen können die entwickelten ML-Modelle die Auswirkung des W/Z-Verhältnisses auf den vorhergesagten CS genau vorhersagen. Darüber hinaus zeigt SVR unter den drei hier vorgeschlagenen ML-Modellen eine überlegene Leistung bei der Schätzung des Einflusses des W/C-Verhältnisses auf die vorhergesagte CS von SFRC mit einer Korrelation von R = − 0,999, gefolgt von CNN mit einer Korrelation von R = − 0,96 . Die Leistung des XGB-Algorithmus ist ebenfalls angemessen, da sich für die Korrelation ein Wert von R = − 0,867 ergibt.

Darüber hinaus veranschaulicht Abb. 12 den Einfluss von SP auf die vorhergesagte CS von SFRC. Wie in Abb. 12 zu sehen ist, hat der SP einen mittleren Einfluss auf den vorhergesagten CS von SFRC. Darüber hinaus schnitt SVR unter den vorgeschlagenen ML-Modellen mit einer Korrelation von R = 0,999 besser bei der Vorhersage des Einflusses des SP auf die vorhergesagte CS von SFRC ab, gefolgt von CNN und XGB mit einer Korrelation von R = 0,992 bzw. R = 0,95 .

Es wird jedoch dargestellt, dass die schwache Korrelation zwischen der ISF-Menge in der SFRC-Mischung und dem vorhergesagten CS besteht. Dies weist darauf hin, dass der CS von SFRC nicht allein anhand der Menge an ISF in der Mischung vorhergesagt werden kann. Mit anderen Worten: Bei der CS-Vorhersage von SFRC müssen alle Komponenten der Mischungen dargestellt werden (wie beispielsweise die entwickelten ML-Algorithmen in der aktuellen Studie).

Der Einfluss der Flugasche auf den vorhergesagten CS von SFRC ist in Abb. 12 zu sehen. Alle drei vorgeschlagenen ML-Algorithmen zeigen eine überlegene Leistung bei der Vorhersage der Korrelation zwischen der Flugaschemenge und dem vorhergesagten CS von SFRC. Dies bedeutet, dass alle ML-Modelle in der Lage waren, die Auswirkung der Flugasche auf die CS von SFRC vorherzusagen. Darüber hinaus ist es wichtig zu erwähnen, dass nur 26 % der vorgestellten Mischungen Flugasche enthielten und die erzielten Ergebnisse denen dieser Mischungen entsprachen. Daher können diese Ergebnisse Mängel aufweisen.

Basierend auf den entwickelten Modellen zur Vorhersage des CS von SFRC (Abb. 12) haben C, DMAX, L/DISF und CA relativ geringe Auswirkungen auf den CS. Darüber hinaus zeigen die Ergebnisse, dass eine Erhöhung der FA-Menge zu einer Verringerung des CS von SFRC führt (Abb. 12). Alle diese Ergebnisse stimmen mit den Ergebnissen der Sensitivitätsanalyse überein, die in Abb. 11 dargestellt ist, und mit der Korrelation zwischen Eingabeparametern und dem CS von SFRC, die in Abb. 11 dargestellt ist. 1 und 2.

Diese Studie modellierte und prognostizierte die CS von SFRC mithilfe mehrerer ML-Algorithmen wie MLR, baumbasierte Modelle, SVR, KNN, ANN und CNN. Aus der offenen Literatur wurde ein Datensatz gesammelt, der 176 verschiedene Betondrucktestsätze umfasste. Diese Forschung führt zu folgenden Schlussfolgerungen:

Unter den verschiedenen ML-Techniken, die in dieser Forschung verwendet wurden, erzielte CNN eine überlegene Leistung (R2 = 0,928, RMSE = 5,043, MAE = 3,833), gefolgt von SVR (R2 = 0,918, RMSE = 5,397, MAE = 4,559). Im Gegensatz dazu zeigte KNN (R2 = 0,881, RMSE = 6,477, MAE = 4,648) die schwächste Leistung bei der Vorhersage des CS von SFRC.

Baumbasierte Modelle schnitten bei der Vorhersage des CS von SFRC schlechter ab als SVR. Ihre Leistung bei der Vorhersage des CS von SFRC war jedoch der von KNN und MLR überlegen.

Die Leistungsfähigkeit von ML-Algorithmen wurde durch eine Sensitivitätsanalyse und eine parametrische Analyse demonstriert. Es wurde beobachtet, dass unter den Eigenschaften der Betonmischung das W/Z-Verhältnis, die Flugasche und der SP den größten Einfluss auf den CS von SFRC hatten (das W/Z-Verhältnis war der wirksamste Parameter). Außerdem haben C, DMAX, L/DISF und CA relativ geringe Auswirkungen auf den CS von SFRC.

Gemäß den Ergebnissen der parametrischen Analyse kann SVR unter den entwickelten Modellen den Einfluss von W/C-Verhältnis, SP und Flugasche auf den CS von SFRC, gefolgt von CNN, genau vorhersagen.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel enthalten. Die Rohdaten sind auf begründete Anfrage auch beim entsprechenden Autor erhältlich.

Chou, J.-S. & Pham, A.-D. Verbesserte künstliche Intelligenz für den Ensemble-Ansatz zur Vorhersage der Druckfestigkeit von Hochleistungsbeton. Konstr. Bauen. Mater. 49, 554–563 (2013).

Artikel Google Scholar

Chou, J.-S., Tsai, C.-F., Pham, A.-D. & Lu, Y.-H. Maschinelles Lernen in Betonfestigkeitssimulationen: Datenanalyse über mehrere Nationen hinweg. Konstr. Bauen. Mater. 73, 771–780 (2014).

Artikel Google Scholar

Duan, J., Asteris, PG, Nguyen, H., Bui, X.-N. & Moayedi, H. Eine neuartige Technik der künstlichen Intelligenz zur Vorhersage der Druckfestigkeit von Recyclingbeton mithilfe des ICA-XGBoost-Modells. Ing. Berechnen. 37(4), 3329–3346 (2021).

Artikel Google Scholar

Gupta, S. Unterstützt vektormaschinenbasierte Modellierung der Betonfestigkeit. Weltakademie. Wissenschaft. Ing. Technol. 36(1), 305–311 (2007).

MathSciNet Google Scholar

Kabiru, OA, Owolabi, TO, Ssennoga, T. & Olatunji, SO Leistungsvergleich von SVM und ANN bei der Vorhersage der Druckfestigkeit von Beton (2014).

Shamsabadi, EA et al. Auf maschinellem Lernen basierende Modellierung der Druckfestigkeit von Beton mit Marmorabfällen. Konstr. Bauen. Mater. 324, 126592 (2022).

Artikel Google Scholar

Young, BA, Hall, A., Pilon, L., Gupta, P. & Sant, G. Kann die Druckfestigkeit von Beton aus der Kenntnis der Mischungsverhältnisse geschätzt werden?: Neue Erkenntnisse aus statistischen Analysen und Methoden des maschinellen Lernens. Cem. Konz. Res. 115, 379–388 (2019).

Artikel CAS Google Scholar

Behbahani, H., Nematollahi, B. & Farasatpour, M. Stahlfaserbeton: Eine Rezension (2011).

Marcos-Meson, V. et al. Korrosionsbeständigkeit von Stahlfaserbeton – Eine Literaturübersicht. Cem. Konz. Res. 103, 1–20 (2018).

Artikel CAS Google Scholar

de Montaignac, R., Massicotte, B., Charron, J.-P. & Nour, A. Design von SFRC-Strukturelementen: Messung der Zugfestigkeit nach dem Riss. Mater. Struktur. 45(4), 609–622 (2012).

Artikel Google Scholar

Han, J., Zhao, M., Chen, J. & Lan, X. Auswirkungen der Stahlfaserlänge und der maximalen Grobaggregatgröße auf die mechanischen Eigenschaften von stahlfaserverstärktem Beton. Konstr. Bauen. Mater. 209, 577–591 (2019).

Artikel Google Scholar

Setti, F., Ezziane, K. & Setti, B. Untersuchung der mechanischen Eigenschaften und des Einflusses der Probengröße auf stahlfaserverstärkten Beton. J. Adhes. Wissenschaft. Technol. 34(13), 1426–1441 (2020).

Artikel CAS Google Scholar

Zhu, H., Li, C., Gao, D., Yang, L. & Cheng, S. Studie zu mechanischen Eigenschaften und Festigkeitsbeziehungen zwischen Würfel- und Zylinderproben aus stahlfaserverstärktem Beton. Adv. Mech. Ing. 11(4), 1687814019842423 (2019).

Artikel Google Scholar

Lee, S.-C., Oh, J.-H. & Cho, J.-Y. Druckverhalten von Faserbeton mit endhakenförmigen Stahlfasern. Materialien 8(4), 1442–1458 (2015).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ren, G., Wu, H., Fang, Q. & Liu, J. Auswirkungen des Stahlfasergehalts und -typs auf die statischen mechanischen Eigenschaften von UHPCC. Konstr. Bauen. Mater. 163, 826–839 (2018).

Artikel Google Scholar

Deepa, C., SathiyaKumari, K. & Sudha, VP Vorhersage der Druckfestigkeit von Hochleistungsbetonmischungen mithilfe baumbasierter Modellierung. Int. J. Comput. Appl. 6(5), 18–24 (2010).

Google Scholar

Erdal, HI Zweistufige und hybride Ensembles von Entscheidungsbäumen für die Vorhersage der Druckfestigkeit von Hochleistungsbeton. Ing. Appl. Artif. Intel. 26(7), 1689–1697 (2013).

Artikel Google Scholar

Kang, M.-C., Yoo, D.-Y. & Gupta, R. Auf maschinellem Lernen basierende Vorhersage für Druck- und Biegefestigkeiten von stahlfaserverstärktem Beton. Konstr. Bauen. Mater. 266, 121117 (2021).

Artikel Google Scholar

Mahesh, R. & Sathyan, D. Modellierung der Härteeigenschaften von stahlfaserverstärktem Beton mithilfe von ANN. Mater. Heute Proc. 49, 2081–2089 (2022).

Artikel Google Scholar

Awolusi, T., Oke, O., Akinkurolere, O., Sojobi, A. & Aluko, O. Leistungsvergleich neuronaler Netzwerk-Trainingsalgorithmen in den Modellierungseigenschaften von stahlfaserverstärktem Beton. Heliyon 5(1), e01115 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Al-Baghdadi, HM, Al-Merib, FH, Ibrahim, AA, Hassan, RF & Hussein, HH Auswirkungen der maximalen Größe grober Zuschlagstoffe auf die Leistung von synthetischem/stahlfaserverstärktem Beton mit unterschiedlichen Faserparametern. Gebäude 11(4), 158 (2021).

Artikel Google Scholar

Atiş, CD & Karahan, O. Eigenschaften von stahlfaserverstärktem Flugaschebeton. Konstr. Bauen. Mater. 23(1), 392–399 (2009).

Artikel Google Scholar

Caggiano, A., Folino, P., Lima, C., Martinelli, E. & Pepe, M. Zur mechanischen Reaktion von Hybridfaserbeton mit recycelten und industriellen Stahlfasern. Konstr. Bauen. Mater. 147, 286–295 (2017).

Artikel Google Scholar

Graeff, Â. G., Pilakoutas, K., Lynsdale, C. & Neocleous, K. Korrosionsbeständigkeit von recyceltem Stahlfaserbeton. Schneiden. Schneiden. 6(4) (2009).

Hu, H., Papastergiou, P., Angelakopoulos, H., Guadagnini, M. & Pilakoutas, K. Mechanische Eigenschaften von SFRC unter Verwendung von gemischt hergestellten und recycelten Reifenstahlfasern. Konstr. Bauen. Mater. 163, 376–389 (2018).

Artikel Google Scholar

Jamshidi Avanaki, M., Abedi, M., Hoseini, A. & Maerefat, MS Auswirkungen des Faservolumenanteils und des Aspektverhältnisses auf die mechanischen Eigenschaften von Hybridstahlfaserbeton. Neue Ansätze Zivil. Ing. 2(2), 49–64 (2018).

Google Scholar

Leone, M., Centonze, G., Colonna, D., Micelli, F. & Aiello, M. Faserbeton mit geringem Anteil an recycelten Stahlfasern: Scherverhalten. Konstr. Bauen. Mater. 161, 141–155 (2018).

Artikel Google Scholar

Leone, M., Centonze, G., Colonna, D., Micelli, F. & Aiello, MA Experimentelle Studie zum Verbundverhalten in faserverstärktem Beton mit geringem Anteil an recycelten Stahlfasern. J. Mater. Zivil. Ing. 28(9), 04016068 (2016).

Artikel Google Scholar

Martinelli, E., Caggiano, A. & Xargay, H. Eine experimentelle Studie zum Nachrissverhalten von hybridem Industriebeton/Faserbeton aus recyceltem Stahl. Konstr. Bauen. Mater. 94, 290–298 (2015).

Artikel Google Scholar

Olivito, R. & Zuccarello, F. Eine experimentelle Studie zur Zugfestigkeit von stahlfaserverstärktem Beton. Kompositionen. B Eng. 41(3), 246–255 (2010).

Artikel Google Scholar

Sanjeev, J. & Nitesh, KS Studie über die Wirkung von Stahl- und Glasfasern auf die Frisch- und Aushärteeigenschaften von Rüttelbeton und selbstverdichtendem Beton. Mater. Heute Proc. 27, 1559–1568 (2020).

Artikel CAS Google Scholar

Skarżyński, Ł & Suchorzewski, J. Mechanische und Brucheigenschaften von Beton, der mit recycelten und industriellen Stahlfasern verstärkt ist, unter Verwendung der Technik der digitalen Bildkorrelation und der Röntgenmikrocomputertomographie. Konstr. Bauen. Mater. 183, 283–299 (2018).

Artikel Google Scholar

Zhang, Y. & Gao, L. Einfluss von aus Reifen recycelten Stahlfasern auf Festigkeit und Biegeverhalten von Stahlbeton. Adv. Mater. Wissenschaft. Ing. 2020, 1–7 (2020).

Artikel MathSciNet CAS Google Scholar

Chen, H., Yang, J. & Chen, X. Ein faltungsbasierter Deep-Learning-Ansatz zur Schätzung der Druckfestigkeit von faserverstärktem Beton bei erhöhten Temperaturen. Konstr. Bauen. Mater. 313, 125437 (2021).

Artikel Google Scholar

Dao, DV, Ly, H.-B., Vu, H.-LT, Le, T.-T. & Pham, BT Untersuchung und Optimierung der C-ANN-Struktur zur Vorhersage der Druckfestigkeit von Schaumbeton. Materialien 13(5), 1072 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Golafshani, EM, Behnood, A. & Arashpour, M. Vorhersage der Druckfestigkeit von Normal- und Hochleistungsbetonen unter Verwendung von ANN und ANFIS, hybridisiert mit Gray Wolf Optimizer. Konstr. Bauen. Mater. 232, 117266 (2020).

Artikel Google Scholar

Kandiri, A., Golafshani, EM & Behnood, A. Schätzung der Druckfestigkeit von Betonen, die gemahlene granulierte Hochofenschlacke enthalten, unter Verwendung eines hybridisierten Multiobjektiv-ANN- und Salp-Swarm-Algorithmus. Konstr. Bauen. Mater. 248, 118676 (2020).

Artikel Google Scholar

Güçlüer, K., Özbeyaz, A., Göymen, S. & Günaydın, O. Eine vergleichende Untersuchung mit Methoden des maschinellen Lernens zur Schätzung der Betondruckfestigkeit. Mater. Heute Komm. 27, 102278 (2021).

Artikel Google Scholar

Koya, BP, Aneja, S., Gupta, R. & Valeo, C. Vergleichende Analyse verschiedener maschineller Lernalgorithmen zur Vorhersage mechanischer Eigenschaften von Beton. Mech. Adv. Mater. Struktur. 1–18 (2021).

de-Prado-Gil, J., Palencia, C., Silva-Monteiro, N. & Martínez-García, R. Vorhersage der Druckfestigkeit von selbstverdichtendem Beton mit recycelten Zuschlagstoffen mithilfe von Ensemble-Modellen für maschinelles Lernen. Gehäusebolzen. Konstr. Mater. 16, e01046 (2022).

Google Scholar

Azimi-Pour, M., Eskandari-Naddaf, H. & Pakzad, A. Lineare und nichtlineare SVM-Vorhersage für Frischeigenschaften und Druckfestigkeit von großvolumigem selbstverdichtenden Flugaschebeton. Konstr. Bauen. Mater. 230, 117021 (2020).

Artikel Google Scholar

Tanyildizi, H. Vorhersage der Festigkeitseigenschaften von kohlenstofffaserverstärktem Leichtbeton, der hohen Temperaturen ausgesetzt ist, mithilfe eines künstlichen neuronalen Netzwerks und einer Support-Vektor-Maschine. Adv. Zivil. Ing. 2018, 1–10 (2018).

Artikel Google Scholar

Schapire, RE Erklärt Adaboost. In Empirical Inference: Festschrift zu Ehren von Vladimir N. Vapnik 37–52 (2013).

Huang, J., Liew, J. & Liew, K. Datengesteuerter maschineller Lernansatz zur Erforschung und Bewertung der mechanischen Eigenschaften von mit Kohlenstoffnanoröhren verstärkten Zementverbundwerkstoffen. Kompositionen. Struktur. 267, 113917 (2021).

Artikel CAS Google Scholar

Song, H. et al. Vorhersage der Druckfestigkeit von Beton mit Flugaschezumischung mithilfe von Algorithmen für maschinelles Lernen. Konstr. Bauen. Mater. 308, 125021 (2021).

Artikel CAS Google Scholar

Abuodeh, OR, Abdalla, JA & Hawileh, RA Bewertung der Druckfestigkeit von Ultrahochleistungsbeton mithilfe tiefgreifender maschineller Lerntechniken. Appl. Soft Comput. 95, 106552 (2020).

Artikel Google Scholar

Deng, F. et al. Vorhersage der Druckfestigkeit von Recyclingbeton basierend auf Deep Learning. Konstr. Bauen. Mater. 175, 562–569 (2018).

Artikel Google Scholar

Jang, Y., Ahn, Y. & Kim, HY Schätzung der Druckfestigkeit von Beton mithilfe tiefer Faltungs-Neuronalnetze mit digitalen Mikroskopbildern. J. Comput. Zivil. Ing. 33(3), 04019018 (2019).

Artikel Google Scholar

Ly, H.-B., Nguyen, T.-A. & Tran, VQ Entwicklung eines tiefen neuronalen Netzwerkmodells zur Vorhersage der Druckfestigkeit von Gummibeton. Konstr. Bauen. Mater. 301, 124081 (2021).

Artikel Google Scholar

Al-Abdaly, NM, Al-Taai, SR, Imran, H. & Ibrahim, M. Entwicklung eines Vorhersagemodells für die Druckfestigkeit von stahlfaserverstärktem Beton unter Verwendung eines Random-Forest-Algorithmus in Kombination mit Hyperparameter-Tuning und k-facher Kreuzvalidierung. Ost. EUR. J. Enterp. Technol. 5(7), 113 (2021).

Google Scholar

Khademi, F., Akbari, M. & Jamal, SM Vorhersage der Druckfestigkeit von Beton durch datengesteuerte Modelle. Ich schaffe es. J Civ Eng 5(2), 16–23 (2015).

Google Scholar

Hameed, MM & AlOmar, MK Vorhersage der Druckfestigkeit von Hochleistungsbeton: Hybride Technik der künstlichen Intelligenz. InInternational Conference on Applied Computing to Support Industry: Innovation and Technology 323–335 (Springer, 2019).

Hadzima-Nyarko, M., Nyarko, EK, Lu, H. & Zhu, S. Ansätze des maschinellen Lernens zur Schätzung der Druckfestigkeit von Beton. EUR. Physik. J. Plus 135(8), 682 (2020).

Artikel CAS Google Scholar

Li, Y. et al. Druckfestigkeit von stahlfaserverstärktem Beton unter Verwendung überwachter maschineller Lerntechniken. Materialien 15(12), 4209 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Khan, K. et al. Druckfestigkeitsschätzung von Wechselwirkungen zwischen Stahlfaserbeton und Rohstoffen mithilfe fortschrittlicher Algorithmen. Polymere 14(15), 3065 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Nguyen-Sy, T. et al. Vorhersage der Druckfestigkeit von Beton anhand seiner Zusammensetzung und seines Alters mithilfe der Extreme-Gradient-Boosting-Methode. Konstr. Bauen. Mater. 260, 119757 (2020).

Artikel Google Scholar

Rathakrishnan, V., Beddu, S. & Ahmed, AN Vergleichsstudien zwischen maschinellen Lernoptimierungstechniken zur Vorhersage der Betondruckfestigkeit (2021).

Karahan, O., Tanyildizi, H. & Atis, CD Ein künstlicher neuronaler Netzwerkansatz zur Vorhersage langfristiger Festigkeitseigenschaften von stahlfaserverstärktem Beton, der Flugasche enthält. J. Zhejiang Univ. Wissenschaft. A 9(11), 1514–1523 (2008).

Artikel MATH Google Scholar

Choromanska, A., Henaff, M., Mathieu, M., Arous, GB & LeCun, Y. Die Verlustflächen mehrschichtiger Netzwerke. In Künstliche Intelligenz und Statistik 192–204. PMLR (2015)

Khan, MA et al. Druckfestigkeit von Geopolymerbeton auf Flugaschebasis durch Genexpressionsprogrammierung und Zufallswald. Adv. Zivil. Ing. 2021, 1–17 (2021).

Google Scholar

Referenzen herunterladen

Fakultät für Bauingenieurwesen, Fakultät für Ingenieurwissenschaften, Ferdowsi-Universität Mashhad, Mashhad, Iran

Seyed Soroush Pakzad, Naeim Roshan und Mansour Ghalehnovi

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SSP: Untersuchung, Konzeptualisierung, Methodik, Datenkuration, formale Analyse, Schreiben – Originalentwurf; NR: Konzeptualisierung, Methodik, Untersuchung, Datenkuratierung, Schreiben – Originalentwurf, Visualisierung; MG: Validierung, Schreiben – Überprüfen und Bearbeiten.

Korrespondenz mit Mansour Ghalehnovi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Pakzad, SS, Roshan, N. & Ghalehnovi, M. Vergleich verschiedener maschineller Lernalgorithmen zur Vorhersage der Druckfestigkeit von stahlfaserverstärktem Beton. Sci Rep 13, 3646 (2023). https://doi.org/10.1038/s41598-023-30606-y

Zitat herunterladen

Eingegangen: 10. Oktober 2022

Angenommen: 27. Februar 2023

Veröffentlicht: 04. März 2023

DOI: https://doi.org/10.1038/s41598-023-30606-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.