Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  23,450,334
  • Công bố khoa học và công nghệ Việt Nam

67

Kỹ thuật xây dựng

BB

Dự báo cường độ chịu kéo của bê tông được gia cường bởi cốt sợi bazan dựa trên các phương pháp trí tuệ nhân tạo

Predicting the splitting tensile strength of basalt fiber-reinforced concrete based on machine learning method

Tạp chí Giao thông vận tải

2024

6

44-47

2354-0818

Nghiên cứu này tập trung vào việc phát triển các mô hình dự đoán về cường độ kéo đứt (STS) của bê tông cốt sợi bazan bằng kỹ thuật học máy. Bộ dữ liệu gồm 114 mẫu thí nghiệm với 9 thông số đầu vào, bao gồm xi măng, cốt liệu mịn, cốt liệu thô, nước, chất siêu dẻo, tro bay, tỷ lệ sợi bazan, chiều dài sợi và thời gian lưu hóa, được thu thập từ các nghiên cứu đã công bố. Hai phương pháp mô hình hóa, eXtreme Gradient Boosting (XGB) và Lập trình di truyền cải tiến (GP-GOMEA), đã được sử dụng để dự đoán các giá trị STS. Mô hình XGB đạt được độ chính xác cao hơn, với R2 là 0,96 và sai số tuyệt đối trung bình (MAE) là 0,15 MPa, so với R2 của mô hình GP-GOMEA là 0,94 và MAE là 0,17 MPa. Tuy nhiên, mô hình GP-GOMEA đã cung cấp một phương trình toán học rõ ràng biểu thị mối quan hệ giữa cường độ chịu kéo và các tham số đầu vào. Ngoài ra, phân tích SHApley Additive exPlanations (SHAP) đã được tiến hành để đánh giá tác động của từng tham số đầu vào lên các giá trị cường độ chịu kéo dự đoán. Kết quả cho thấy chất siêu dẻo, cốt liệu mịn và thời gian lưu hóa là những yếu tố có ảnh hưởng lớn nhất, trong khi tro bay có tác động ít nhất đến dự đoán cường độ chịu kéo.

This study focuses on developing predictive models for the splitting tensile strength (STS) of basalt fiber-reinforced concrete using machine learning techniques. A dataset containing 114 experimental samples with nine input parameters, including cement, fine aggregate, coarse aggregate, water, superplasticizer, fly ash, basalt fiber ratio, fiber length, and curing time, was collected from published studies. Two modeling approaches, eXtreme Gradient Boosting (XGB) and Genetic Programming with Gene-pool Optimal Mixing Evolutionary Algorithm (GP-GOMEA), were employed to predict the STS values. The XGB model achieved higher accuracy, with an R^2 of 0.96 and a mean absolute error (MAE) of 0.15 MPa, compared to the GP-GOMEA model’s R^2 of 0.94 and MAE of 0.17 MPa. However, the GP-GOMEA model provided an explicit mathematical equation representing the relationship between STS and the input parameters. Additionally, a SHapley Additive exPlanations (SHAP) analysis was conducted to evaluate the impact of each input parameter on the predicted STS values. The results revealed that superplasticizer, fine aggregate, and curing time were the most influential factors, while fly ash had the least impact on STS prediction. The developed models and insights can contribute to optimizing the design of basalt fiber-reinforced concrete mixtures for desired splitting tensile strength.

TTKHCNQG, CVb 12