0430 论文阅读 predicting concrete compressive strength using hybrid ensembling of surrogata machine learning model

predicting concrete compressive strength using hybrid ensembling of surrogata machine learning models

传说中的CCR cement and concrete research Q1

2020\10\27投稿 2021\2\4返修 2021\3\28接收 2021\4\17在线

keywords: artifical intelligence, soft computing, compressive strength, hybrid modelling, score analysis

0 abstract

交待背景：

为预测土木工程中混凝土的抗压强度CS提供一个技术，在耐久性和使用周期有着很大作用

研究方法、内容：

数据库：machine learning repository of the University of California, Irvine.

四种传统机器学习CML，ANN.MARS-L,MARS-C,GPR,MPMR

此基础上结合ANN的HENSM

主要结论:

HENSM有效处理CML的过拟合问题，很好预测CS的特性

1 introduction

大背景：混凝土

混凝土是世界上最广泛使用的建筑材料

小背景：代替粘合剂AB

产生二氧化碳 通过粉煤灰FA 高炉炉渣代替材料 BFS减轻环境污染

however FA\BFS降低早期混凝土强度 nonetheless 降低长期强度和耐久性

---

引出CS模型、优化算法使用

AB让CS预测更难、更复杂 hence 许多计算机技术被用于预测

in material science中许多人使用ANNs

in the last decade 除了ANN模型还有模糊算法、遗传算法使用

a detailed review of the literature reveals 大多对于CS研究使用CML、混合或者元启发算法

引出自己研究重要性

许多模型采用混合算法解决模型限制，但没有很好解决

判断哪一个技术是适合混凝土的CS预测是很重要的

---

主要研究内容

文章提出一种预测混凝土CS的混合新方法

for this purpose四种模型建立、分析、讨论

later开发出一个混合技术结合CML和ANN

note that是基于集成比单个方法好的前提下

more specifically ANN被用来整合输出

在所有数据集上验证了模型的稳定性

2 research significance

环保和可持续发展

混凝土也在降低二氧化碳排放

计算机方法成为一个重要的手段

本论文展现了一个CML算法

提供了一个更好的手段预测，减小污染，更加可持续

3 material and methods

3.1 soft computing techniques

选择计算模型的方法

3.1.1 ANN

3.1.2 Multivariate Adaptive Regression Spline MARS

3.1.3 gaussian process regression GPR

一堆公式

3.1.4 Minimax Probability Machine Regression MPMR

一堆公式

3.1.5 methodological development of hybrid ensemble model

集成学习的三大优点

本文算法的特点

3.2 concrete database

可靠的数据库的特点

采用的数据库的来源以及为什么可靠

数据的均值、方差、标准差如表所示

相关系数

输入参数的频率直方图

3.3 ensitivity analysis of the compressive strength based on experimental database

数据库的敏感度分析判断输出是否受到输入的影响 使用CAM法

3.3 performance evaluation

不同参数的理想值

最终的误差在±0.2之间即为可行

4 results and discussion

4.1 simulation of soft computing models

测试集与训练集划分为7：3 对性能进行测试

4.1.1 ANN model

4.1.2 MARS modelling

最佳参数

MARS-L的详细信息

MARS-C

4.1.3/4/5 GPR/MPMR/HENSM model

HENSM流程图

4.3.Visual interpretation of results

4.3.1. Regression error characteristic (REC) curve

回归误差特征曲线

4.3.2. Score analysis

4.3.3. Statistical testing

4.4.Discussion of results

GPR在CML中模型最好，HENSM模型更好

4.5.The overfitting problem

曲线很平滑表示并没有出现过拟合的现象

4.6.Mapping and discussing the effect of key parameters on compressive strength for HENSM

(i) 8 new maps of concrete compressive strength vs the water-to-binder ratio (at different ages)

(ii) two new maps of concrete compressive strength vs curing time

(iii) two new maps of concrete compressive strength vs AB

(iv) twelve maps of concrete compressive strength vs the water-to-binder ratio (at different ages) for three different coarse to fine aggregates ratios

5 Summary and conclusion

可靠的CS估计有利于成本的效果优化，本文介绍5个学习模型，使用数据集训练和验证，对精度进行比较和分析，hensm模型很好解决GPR模型的过拟合问题结论如下

1、CML集成模型效果更好

2、HENSM研究很有可能

3、程序简单

4、消耗计算机资源少，具有代表性

展望进一步改进和前景

As per the authors’ knowledge, this study presents the application of a hybrid ensemble of CML models for predicting the concrete CS for the first time.