Bài báo khoa học

Dự đoán chính xác và dễ hiểu về cường độ nén của bê tông (CCS) và xác định hỗn hợp tối ưu để tối đa hóa CCS là nhiệm vụ quan trọng trong các cấu trúc kỹ thuật. Khi dự đoán CCS dựa trên thử nghiệm nén thử nghiệm Phương pháp học máy (ML) tốn nhiều công sức, tốn kém và tốn thời gian có thể được sử dụng để dự đoán chính xác CCS và sớm. Tuy nhiên, những mô hình ML như vậy rất khó hiểu do thiếu lời giải thích. Bài viết này tìm hiểu các công suất của bốn mô hình ML tăng cường, bao gồm tăng cường thích ứng (AdaBoost), cây hồi quy tăng cường độ dốc (GBRT), tăng cường độ dốc cực cao (XGBoost) và tăng cường độ dốc phân loại (CatBoost), trong việc dự đoán CCS. Với mục đích này, cơ sở dữ liệu toàn diện về CCS có sẵn trong tài liệu được sử dụng để phát triển bốn mô hình ML tăng cường. Các siêu tham số của các mô hình ML tăng cường được xác định bằng thuật toán tối ưu hóa bayes (BO) và gấp 10 lần xác thực chéo. Kết quả của bốn mô hình ML tăng cường được đánh giá và so sánh bằng cách sử dụng hệ số tương quan, sai số bình phương trung bình gốc và sai số tuyệt đối trung bình. Kết quả so sánh cho thấy mô hình XGBoost vượt trội hơn người mẫu khác. Sau đó, phương pháp SHApley Additive exPlanations (SHAP) được sử dụng để diễn giải các dự đoán của Mô hình XGBoost trên toàn cầu và cục bộ. Sau đó, một ứng dụng web dựa trên XGBoost hiệu quả (XGBoost-WA) được phát triển để dự đoán CCS một cách nhanh chóng. Cuối cùng, thuật toán Tối ưu hóa Moth-fame (MFO) dựa trên XGBoost, được gọi là XGBoost-MFO, là được áp dụng để tối ưu hóa hỗn hợp để tối đa hóa CCS. Kết quả cho thấy sự cải thiện 11% CCS khi sử dụng phương pháp đề xuất Mô hình XGBoost-MFO.