基于集成学习理论,首次将人工神经网络和极端梯度提升算法进行集成,提出一种全新的算法:HEMNG(hybrid ensemble model based on neural networks and gradient boosting),旨在更准确地预测混凝土抗压强度。采用303组混凝土配合比数据进...基于集成学习理论,首次将人工神经网络和极端梯度提升算法进行集成,提出一种全新的算法:HEMNG(hybrid ensemble model based on neural networks and gradient boosting),旨在更准确地预测混凝土抗压强度。采用303组混凝土配合比数据进行建模,以水胶比、砂率、浆骨比、粉煤灰替代比例和养护龄期5个可解释特征作为输入,抗压强度为输出。为了分析HEMNG模型在抗压强度预测中的优势,采用人工神经网络、极端梯度提升、支持向量机、随机森林等模型进行比较,并将模型迁移到全新数据中,以探究其在未知数据上的泛化能力。基于训练良好的HEMNG模型进行敏感性研究,量化3个重要特征对抗压强度的影响。结果表明:HEMNG模型采用5个可解释特征,可准确、可靠地预测抗压强度,在测试集中预测值与实际值的拟合度为0.961,均方根误差为2.704,模型预测精度和泛化能力均明显优于其他模型;将HEMNG模型迁移到新数据中,强度预测值与实际强度值较为吻合,最大绝对误差仅为7 MPa,模型表现出良好的稳健性;根据模型敏感性研究显示,存在一个最佳砂率使抗压强度达到最大;增大水胶比会降低混凝土抗压强度,最佳砂率会随水胶比增大而减小;随着浆骨比的增大,最佳砂率会表现出先增大后减小的趋势,模型能量化分析各参数对抗压强度的影响。开发的HEMNG模型为评估混凝土抗压强度提供了新的思路和方法。展开更多
文摘基于集成学习理论,首次将人工神经网络和极端梯度提升算法进行集成,提出一种全新的算法:HEMNG(hybrid ensemble model based on neural networks and gradient boosting),旨在更准确地预测混凝土抗压强度。采用303组混凝土配合比数据进行建模,以水胶比、砂率、浆骨比、粉煤灰替代比例和养护龄期5个可解释特征作为输入,抗压强度为输出。为了分析HEMNG模型在抗压强度预测中的优势,采用人工神经网络、极端梯度提升、支持向量机、随机森林等模型进行比较,并将模型迁移到全新数据中,以探究其在未知数据上的泛化能力。基于训练良好的HEMNG模型进行敏感性研究,量化3个重要特征对抗压强度的影响。结果表明:HEMNG模型采用5个可解释特征,可准确、可靠地预测抗压强度,在测试集中预测值与实际值的拟合度为0.961,均方根误差为2.704,模型预测精度和泛化能力均明显优于其他模型;将HEMNG模型迁移到新数据中,强度预测值与实际强度值较为吻合,最大绝对误差仅为7 MPa,模型表现出良好的稳健性;根据模型敏感性研究显示,存在一个最佳砂率使抗压强度达到最大;增大水胶比会降低混凝土抗压强度,最佳砂率会随水胶比增大而减小;随着浆骨比的增大,最佳砂率会表现出先增大后减小的趋势,模型能量化分析各参数对抗压强度的影响。开发的HEMNG模型为评估混凝土抗压强度提供了新的思路和方法。
