Сравнение различных алгоритмов машинного обучения, используемых для прогнозирования прочности стальной фибры на сжатие

Научные отчеты, том 13, Номер статьи: 3646 (2023) Цитировать эту статью

1578 Доступов

1 Цитаты

10 Альтметрика

Подробности о метриках

Добавление в бетон крючковатых промышленных стальных волокон (ISF) повышает его прочность на растяжение и изгиб. Однако понимание влияния ISF на прочность бетона на сжатие (CS) до сих пор подвергается сомнению научным сообществом. Представленная статья направлена ​​на использование алгоритмов машинного обучения (ML) и глубокого обучения (DL) для прогнозирования CS сталефибробетона (SFRC) с включенным ISF на основе данных, собранных из открытой литературы. Соответственно, 176 наборов данных собираются из разных журналов и материалов конференций. На основании первоначального анализа чувствительности наиболее влиятельные параметры, такие как соотношение воды и цемента (W/C) и содержание мелких заполнителей (FA), имеют тенденцию снижать CS СФБ. Между тем, CS СФБ можно повысить за счет увеличения количества суперпластификатора (СП), летучей золы и цемента (Ц). Наименее влияющие факторы включают максимальный размер агрегатов (Dmax) и соотношение длины к диаметру зацепленных ISF (L/DISF). Несколько статистических параметров также используются в качестве показателей для оценки эффективности реализованных моделей, таких как коэффициент детерминации (R2), средняя абсолютная ошибка (MAE) и среднее квадратичная ошибка (MSE). Среди различных алгоритмов ML сверточная нейронная сеть (CNN) с R2 = 0,928, RMSE = 5,043 и MAE = 3,833 показывает более высокую точность. С другой стороны, алгоритм K-ближайшего соседа (KNN) с R2 = 0,881, RMSE = 6,477 и MAE = 4,648 дает самую низкую производительность.

ML — это вычислительная технология, предназначенная для моделирования человеческого интеллекта и ускорения вычислительных процедур посредством непрерывного обучения и эволюции. Методы МО эффективно внедрены в нескольких отраслях, включая медицинское и биомедицинское оборудование, развлечения, финансы и инженерные приложения. Машинное обучение можно использовать в гражданском строительстве в различных областях, таких как развитие инфраструктуры, мониторинг состояния конструкций и прогнозирование механических свойств материалов. В частности, были проведены многочисленные исследования для прогнозирования свойств бетона1,2,3,4,5,6,7.

Одним из недостатков бетона как хрупкого материала является его низкая прочность на растяжение и деформационная способность. Следовательно, для увеличения несущей способности бетона добавляются различные типы волокон. Для создания фибробетона (FRC) волокна обычно короткие, прерывистые и беспорядочно распределены по бетонной матрице8. До сих пор волокна использовались в основном для улучшения поведения элементов конструкции в целях повышения удобства эксплуатации. Однако добавление ISF в бетон и производство СФБ может также обеспечить дополнительную прочность или действовать в качестве основного армирования в элементах конструкции. В настоящее время для производства сборных и монолитных бетонных конструкций СФБ получает признание, например, в качестве вторичного армирования для сценариев временных нагрузок, остановки усадочных трещин, ограничения микротрещин, возникающих во время транспортировки или установки сборных железобетонных элементов (например, облицовки туннелей). сегментов), (б) частичная замена традиционной арматуры, т. е. гибридными системами армирования, и (в) полная замена типичной арматуры в элементах, подвергающихся сжатию, например, тонкостенных конструкциях, опирающихся на грунт плитах, фундаментах и ​​т. д. облицовка туннелей9. Несомненно, одним из барьеров, препятствующих использованию волокон в конструкционных целях, является сложность расчета свойств FRC (особенно поведения CS), которые должны быть включены в современные методы проектирования10.

Соответственно, было проведено множество экспериментальных исследований по изучению КС СФРК. Хан и др.11 сообщили, что длина ISF (LISF) оказывает незначительное влияние на CS SFRC. Сетти и др.12 также ввели в бетон ISF с различными объемными фракциями (VISF) и сообщили об улучшении CS SFRC за счет увеличения содержания ISF. Чжу и др.13 заметили линейное увеличение CS при увеличении VISF от 0 до 2,0%. Несмотря на улучшение CS бетона нормальной прочности с добавлением ISF, для высокоэффективных бетонных смесей существенного изменения CS при увеличении VISF14,15 не получено. Это подчеркивает роль других компонентов смеси (таких как соотношение В/Ц, размер заполнителя и содержание цемента) на поведение SFRC. Таким образом, из-за сложности прогнозирования CS с помощью линейного или нелинейного регрессионного анализа, модели, основанные на данных, применяются на практике для точного прогнозирования CS SFRC.