Розробка моделі прогнозування міцності на стиск сталефібробетону з використанням алгоритму випадкового лісу в поєднанні з налаштуванням гіперпараметрів і k-кратною перехресною перевіркою

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2021.242986

Ключові слова:

машинне навчання, випадковий ліс, фібробетон, міцність на стиск

Анотація

Завдяки введенню переривчастих волокон сталефібробетон (СФБ) перевершує звичайний бетон. Однак через складність і обмеженість наявних даних розробка методів прогнозування міцності СФБ все ще знаходиться в зародковому стані в порівнянні зі стандартним бетоном. У даній роботі на основі різних змінних з використанням моделі випадкового лісу виконано прогнозування міцності на стиск сталефібробетону. Для цієї мети були використані тематичні дослідження 133 зразків. Для розробки та перевірки моделей ми створили навчальні та тестові набори даних. Запропоновані моделі були розроблені з використанням десяти важливих параметрів матеріалу для характеристики сталефібробетону. Щоб звести до мінімуму систематичну помилку під час поділу навчальних та тестових даних, підхід, використаний в дослідженні, був перевірений з використанням процедури 10-кратної перехресної перевірки. Для визначення оптимальних гіперпараметрів для алгоритму випадкового лісу був використаний підхід перехресної перевірки з пошуком по сітці. Для перевірки і порівняння моделей використовувалися середньоквадратична помилка (RMSE), коефіцієнт детермінації (R2) і середня абсолютна помилка (MAE) виміряних і розрахункових значень. Ефективність прогнозування з RMSE=5,66, R2=0,88 і MAE=3,80 для моделі випадкового лісу. У порівнянні з традиційною моделлю лінійної регресії результати показали, що модель випадкового лісу дозволяє отримати більш точні результати прогнозування міцності на стиск сталефібробетону. Результати показують, що налаштування гіперпараметрів з пошуком по сітці і перехресною перевіркою є ефективним способом пошуку оптимальних параметрів для методу ВЛ. Крім того, ВЛ дає хороші результати і надає альтернативний спосіб прогнозування міцності на стиск СФБ

Біографії авторів

Nadia Moneem Al-Abdaly, Al-Furat Al-Awsat Technical University

Doctor of Engineering, Building Material, Assistant Professor

Department of Civil

Najaf Technical Institute

Salwa R. Al-Taai, Mustansiriyah University

Master of Civil Engineering

Department of Civil Engineering

College of Engineering

Hamza Imran, Al-karkh University of Science

Master of Civil Engineering, Assistant Lecturer

Department of Construction and Project

Majed Ibrahim, Institute of Earth and Environmental Sciences

PhD, Associate Professor

Department of Geographic Information Systems and Remote Sensing

Посилання

  1. Mehta, P. K., Monteiro, P. J. M. (2014). Concrete: microstructure, properties, and materials. McGraw-Hill. Available at: https://www.accessengineeringlibrary.com/content/book/9780071797870
  2. Report on Fiber Reinforced Concrete. Reported by ACI Committee 544. ACI 544.1R-96. Available at: http://indiafiber.com/Files/ACI%20report.pdf
  3. Brandt, A. M. (2008). Fibre reinforced cement-based (FRC) composites after over 40 years of development in building and civil engineering. Composite Structures, 86 (1-3), 3–9. doi: https://doi.org/10.1016/j.compstruct.2008.03.006
  4. Romualdi, J. P., Batson, G. B. (1963). Mechanics of Crack Arrest in Concrete. Journal of the Engineering Mechanics Division, 89 (3), 147–168. doi: https://doi.org/10.1061/jmcea3.0000381
  5. Romualdi, J. P., Mandel, J. A. (1964). Tensile strength of concrete affected by uniformly distributed and closely spaced short lengths of wire reinforcement. Journal Proceedings, 61 (6), 657–672. doi: https://doi.org/10.14359/7801
  6. Yazıcı, Ş., İnan, G., Tabak, V. (2007). Effect of aspect ratio and volume fraction of steel fiber on the mechanical properties of SFRC. Construction and Building Materials, 21 (6), 1250–1253. doi: https://doi.org/10.1016/j.conbuildmat.2006.05.025
  7. Nili, M., Azarioon, A., Danesh, A., Deihimi, A. (2016). Experimental study and modeling of fiber volume effects on frost resistance of fiber reinforced concrete. International Journal of Civil Engineering, 16 (3), 263–272. doi: https://doi.org/10.1007/s40999-016-0122-2
  8. Bentur, A., Mindess, S. (2006). Fibre reinforced cementitious composites. CRC Press, 624. doi: https://doi.org/10.1201/9781482267747
  9. Nuruddin, M. F., Ullah Khan, S., Shafiq, N., Ayub, T. (2015). Strength Prediction Models for PVA Fiber-Reinforced High-Strength Concrete. Journal of Materials in Civil Engineering, 27 (12), 04015034. doi: https://doi.org/10.1061/(asce)mt.1943-5533.0001279
  10. Awolusi, T. F., Oke, O. L., Akinkurolere, O. O., Sojobi, A. O., Aluko, O. G. (2019). Performance comparison of neural network training algorithms in the modeling properties of steel fiber reinforced concrete. Heliyon, 5 (1), e01115. doi: https://doi.org/10.1016/j.heliyon.2018.e01115
  11. Abubakar, A. U., Tabra, M. S. (2019). Prediction of Compressive Strength in High Performance Concrete with Hooked-End Steel Fiber using K-Nearest Neighbor Algorithm. International Journal of Integrated Engineering, 11 (1). doi: https://doi.org/10.30880/ijie.2019.11.01.016
  12. Karthiyaini, S., Senthamaraikannan, K., Priyadarshini, J., Gupta, K., Shanmugasundaram, M. (2019). Prediction of Mechanical Strength of Fiber Admixed Concrete Using Multiple Regression Analysis and Artificial Neural Network. Advances in Materials Science and Engineering, 2019, 1–7. doi: https://doi.org/10.1155/2019/4654070
  13. Qu, D., Cai, X., Chang, W. (2018). Evaluating the Effects of Steel Fibers on Mechanical Properties of Ultra-High Performance Concrete Using Artificial Neural Networks. Applied Sciences, 8 (7), 1120. doi: https://doi.org/10.3390/app8071120
  14. Sadrossadat, E., Basarir, H., Karrech, A., Elchalakani, M. (2021). Multi-objective mixture design and optimisation of steel fiber reinforced UHPC using machine learning algorithms and metaheuristics. Engineering with Computers. doi: https://doi.org/10.1007/s00366-021-01403-w
  15. Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. doi: https://doi.org/10.1023/A:1010933404324
  16. Açikgenç, M., Ulaş, M., Alyamaç, K. E. (2014). Using an Artificial Neural Network to Predict Mix Compositions of Steel Fiber-Reinforced Concrete. Arabian Journal for Science and Engineering, 40 (2), 407–419. doi: https://doi.org/10.1007/s13369-014-1549-x
  17. Zhou, J., Shi, X., Du, K., Qiu, X., Li, X., Mitri, H. S. (2017). Feasibility of Random-Forest Approach for Prediction of Ground Settlements Induced by the Construction of a Shield-Driven Tunnel. International Journal of Geomechanics, 17 (6), 04016129. doi: https://doi.org/10.1061/(asce)gm.1943-5622.0000817
  18. Rodriguez, J. D., Perez, A., Lozano, J. A. (2010). Sensitivity Analysis of k-Fold Cross Validation in Prediction Error Estimation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 32 (3), 569–575. doi: https://doi.org/10.1109/tpami.2009.187
  19. Asteris, P. G., Tsaris, A. K., Cavaleri, L., Repapis, C. C., Papalou, A., Di Trapani, F., Karypidis, D. F. (2016). Prediction of the Fundamental Period of Infilled RC Frame Structures Using Artificial Neural Networks. Computational Intelligence and Neuroscience, 2016, 1–12. doi: https://doi.org/10.1155/2016/5104907
  20. Kuhn, M. (2008). Building predictive models in R using the caret package. Journal of statistical software, 28 (5), 1–26. doi: https://doi.org/10.18637/jss.v028.i05
  21. Ahmed, S. N., Ali, S. J., Al-Zubaidi, Η. Α. Μ., Ali, A. H., Ajeel, M. A. (2020). Improvement of organic matter removal in water produced of oilfields using low cost Moringa peels as a new green environmental adsorbent. Global Nest, 22 (2), 268–274. doi: https://doi.org/10.30955/gnj.003098

##submission.downloads##

Опубліковано

2021-10-29

Як цитувати

Al-Abdaly, N. M., Al-Taai, S. R., Imran, H., & Ibrahim, M. (2021). Розробка моделі прогнозування міцності на стиск сталефібробетону з використанням алгоритму випадкового лісу в поєднанні з налаштуванням гіперпараметрів і k-кратною перехресною перевіркою. Eastern-European Journal of Enterprise Technologies, 5(7 (113), 59–65. https://doi.org/10.15587/1729-4061.2021.242986

Номер

Том 5 № 7 (113) (2021): Прикладна механіка

Розділ

Прикладна механіка

Ліцензія

Авторське право (c) 2021 Nadia Moneem Al-Abdaly, Salwa R. Al-Taai, Hamza Imran, Majed Ibrahim

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.