Language
鋼繊維の圧縮強度予測に使用される各種機械学習アルゴリズムの比較
ホームページホームページ > ニュース > 鋼繊維の圧縮強度予測に使用される各種機械学習アルゴリズムの比較
最新ニュース

鋼繊維の圧縮強度予測に使用される各種機械学習アルゴリズムの比較

Jan 25, 2024

Scientific Reports volume 13、記事番号: 3646 (2023) この記事を引用

1578 アクセス

1 引用

10 オルトメトリック

メトリクスの詳細

フック付き工業用鋼繊維 (ISF) をコンクリートに添加すると、引張強度と曲げ強度が向上します。 しかし、コンクリートの圧縮強度 (CS) 挙動に対する ISF の影響についての理解は、依然として科学協会によって疑問視されています。 発表された論文は、公開文献から収集されたデータに基づいて、機械学習 (ML) および深層学習 (DL) アルゴリズムを使用して、フック付き ISF を組み込んだ鋼繊維強化コンクリート (SFRC) の CS を予測することを目的としています。 したがって、176 セットのデータがさまざまな雑誌や会議論文から収集されます。 初期感度分析に基づくと、水対セメント (W/C) 比や細骨材 (FA) 含有量などの最も影響力のあるパラメータは、SFRC の CS を低下させる傾向があります。 一方、SFRC の CS は、減水剤 (SP)、フライアッシュ、セメント (C) の量を増やすことによって強化できます。 寄与が最も少ない要因には、骨材の最大サイズ (Dmax) およびフック型 ISF の長さ対直径の比 (L/DISF) が含まれます。 決定係数 (R2)、平均絶対誤差 (MAE)、平均二乗誤差 (MSE) など、実装されたモデルのパフォーマンスを評価するためのメトリックとしてもいくつかの統計パラメーターが使用されます。 さまざまな ML アルゴリズムの中でも、R2 = 0.928、RMSE = 5.043、MAE = 3.833 の畳み込みニューラル ネットワーク (CNN) が高い精度を示しています。 一方、R2 = 0.881、RMSE = 6.477、MAE = 4.648 の K 最近傍 (KNN) アルゴリズムでは、パフォーマンスが最も低くなります。

ML は、人間の知能をシミュレートし、継続的な学習と進化によってコンピューティング手順を高速化することを目的とした計算技術です。 ML 技術は、医療および生物医学機器、エンターテイメント、金融、エンジニアリング アプリケーションなど、いくつかの業界で効果的に導入されています。 ML は、インフラ開発、構造健全性の監視、材料の機械的特性の予測など、さまざまな分野の土木工学で使用できます。 より具体的には、コンクリートの特性を予測するために数多くの研究が行われてきました1、2、3、4、5、6、7。

壊れやすい材料としてのコンクリートの欠点の 1 つは、引張強度とひずみ容量が低いことです。 したがって、コンクリートの引張耐荷重能力を高めるために、さまざまな種類の繊維が添加されます。 繊維強化コンクリート (FRC) を生成するには、通常、使用される繊維は短く、不連続で、コンクリート マトリックス全体にランダムに分散されます 8。 これまで、繊維は主に保守性を目的として構造要素の動作を改善するために使用されてきました。 ただし、コンクリートに ISF を添加して SFRC を製造すると、追加の強度能力が得られたり、構造要素の主要な補強材として機能したりする可能性があります。 現在、プレハブおよび現場コンクリート構造物の製造において、SFRC は、(a) 一時的な荷重シナリオの二次補強、収縮亀裂の阻止、プレキャスト部材 (トンネル覆工など) の輸送または設置中に発生する微小亀裂の制限などの用途で受け入れられてきています。 (b) 従来の鉄筋の部分的な置き換え、すなわちハイブリッド鉄筋システム、および (c) 圧縮にさらされる要素（例：薄殻構造、地面で支持されたスラブ、基礎、およびトンネル覆工9． 疑いもなく、構造用途でのファイバーの使用を妨げる障壁の 1 つは、現在の設計技術に含めるべき FRC 特性 (特に CS 挙動) の計算の難しさでした10。

したがって、SFRC の CS を調査するために多くの実験研究が行われました。 Han ら 11 は、ISF (LISF) の長さが SFRC の CS に与える影響はわずかであると報告しました。 Setti ら 12 も、異なる体積分率 (VISF) の ISF をコンクリートに導入し、ISF の含有量を増やすことによって SFRC の CS が改善されたことを報告しました。 Zhu et al.13 は、VISF を 0 から 2.0% に増加させることによって CS が直線的に増加することに気づきました。 ISF を組み込んだ通常強度コンクリートの CS は向上しますが、高性能コンクリート混合物では VISF を増加しても CS に大きな変化は得られません 14,15。 これは、SFRC の CS 挙動に対する他の配合成分 (W/C 比、骨材サイズ、セメント含有量など) の役割を強調しています。 したがって、線形または非線形回帰分析による CS 予測は困難であるため、SFRC の正確な CS 予測のためにデータ駆動型モデルが実用化されています。

最近、コンクリートの CS を予測するために ML アルゴリズムが広く使用されています。 たとえば、通常のコンクリート (NC) の機械的特性を予測するために、多数の研究 1、2、3、7、16、17 が実施されています。 明らかに、SFRC は、LISF、L/DISF、繊維の種類、ISF の直径 (DISF)、および ISF の引張強度など、NC よりも多くのコンポーネントで構成されています。 この点において、SFRC の CS を予測するためのデータ駆動型モデルの開発は、比較的新しいアプローチです。 Kang ら 18 は、7 つの特徴 (繊維の特性として VISF および L/DISF) を含むデータセットを収集し、11 のさまざまな ML 手法を開発し、SFRC の CS を予測する際にツリーベースのモデルが最高のパフォーマンスを発揮することを観察しました。 また、W/C 比とシリカフューム含有量が SFRC の CS に最も大きな影響を与えると結論付けられました。 Mahesh et al.19 は、8 つの異なる特徴 (ファイバー特性として LISF、VISF、および L/DISF) を考慮した 140 の生データセットに対して ML アルゴリズムを使用し、人工ニューラル ネットワーク (ANN) が CS の予測において最高のパフォーマンスを発揮すると結論付けました。 SFRC の回帰係数は 0.97 です。 さらに、Awolusi et al.20 が実施した研究では、3 つの特徴 (繊維特性としての L/DISF) のみが考慮され、SFRC の CS を予測するために ANN と遺伝的アルゴリズム モデルが実装されました。 全体として、ANN モデルは SFRC の CS の予測において遺伝的アルゴリズムよりも優れていることが観察されました。

提示された文献によると、科学界は SFRC の CS の挙動についてまだ不確かです。 さらに、SFRC の CS を予測するために行われた ML 技術に基づく研究は、すべての寄与する特徴 (繊維、骨材、混合物の特性など) に関するモデルを開発するための包括的な実験データを収集することが難しいため、限られています。 。 したがって、提示された研究は、すべての影響力のあるパラメーターに基づいて、SFRC の CS 予測のためのさまざまな ML アルゴリズムを比較することを目的としています。 この目的のために、SFRC の 11 の特徴を含む 176 の実験データがさまざまな雑誌論文から収集されました。 一次感度分析は、最も重要な機能を決定するために実行されます。 したがって、専門家の意見と一次感度分析に基づいて、2 つの特徴 (ISF の長さと引張強度) が省略され、9 つの特徴のみがモデルのトレーニング用に残されました。 次に、評判の高い 9 つの ML アルゴリズムがデータに基づいて開発され、さまざまな指標を使用してこれらのアルゴリズムのパフォーマンスが評価されました。 また、過学習を防ぐために、リーブワンアウト相互検証法 (LOOCV) が実装され、開発されたモデルの効率を評価するために 8 つの異なる指標が使用されます。

フック付き ISF とその 28 日 CS を含む SFRC ミックス (150 mm 立方体サンプルでテスト) は文献から収集されました 11,13,21,22,23,24,25,26,27,28,29,30,31、 32、33。 混合物の一部は、リサイクルされたスチール繊維または他のタイプの ISF (滑らかな ISF、波状 ISF など) を含んでいたために除去されました。 また、配合成分（FA、SPなど）の情報が不足しているため、一部省略させていただきました。 最終的に、SFRC の CS を予測するモデルのトレーニング用に 63 のミックスが省略され、176 のミックスが選択されました。 これらすべての混合物には、入力パラメーターとして、DMAX、ISF 量 (ISF)、L/DISF、C、W/C 比、粗骨材 (CA)、FA、SP、フライアッシュなどのいくつかの特徴がありました (9 特徴)。 また、SFRC の CS が唯一の出力パラメータとみなされました。

すべてのパラメータの相互の相関関係（ペアワイズ相関関係）を図 1 に示します。また、図 2 に、入力パラメータと SFRC の CS 間の相関関係を示します。

変数間のペアごとの相関。

数値変数間の相関関係。

相関係数 (\(R\)) は、2 セットのデータ間の線形関係の強さを示す統計的尺度です。 式 (1) は、2 つの変数間の共分散 (\(COV_{XY}\)) をその標準偏差 (\(\sigma_{X}\)、\(\sigma_{Y}\)) で割ったものです。 \(R\) は、2 変数の関係の方向と強さを示します。 \(R\) が + 1.00 または - 1.00 に近い場合、2 つの変数間の線形関係はより強くなります。

図 2 からわかるように、SP (R = 0.792)、フライアッシュ (R = 0.688) および C (R = 0.501) の増加に伴って CS が増加したことは明らかです。 一方、W/C 比 (R = − 0.786) に続いて FA (R = − 0.521) を増加させると減少しました。 ただし、SFRC の CS は、DMAX、CA、および ISF の特性 (ISF、L/DISF) によってわずかに影響されました。 同じ結果が Kang らによっても報告されています 18。

各パラメータの最小値、最大値、平均値、標準偏差 (SD) 値など、入力パラメータの統計的特性を表 1 に示します。

表 1 によると、入力パラメータには同様のスケールがありません。 したがって、入力パラメータ間の大きさの違いによって引き起こされる支配効果を回避するには、データを正規化する必要があります34。 正規化は、データセット内の値を標準スケールに変換するデータ準備手法です。 一般に、正規化により学習が高速化され、より高速な収束につながることに注意することが重要です。 その結果、最大-最小正規化法が採用され、式 (1) を使用してすべてのデータセットが \(0\) から \(1\) の範囲に再形成されます。 (2) 次のとおりです。

いくつかの研究 34、35、36、37 では、実行されたモデルを十分に評価し、その堅牢性を比較するために、いくつかの指標が使用されました。 したがって、R2、MSE、平均絶対パーセント誤差 (MAPE)、二乗平均平方根誤差 (RMSE)、平均バイアス誤差 (MBE)、t 統計検定 (Tstat)、散乱指数 (SI) などのいくつかの統計パラメータが使用されました。 。 R2 は、モデルが従属変数の値をどの程度正確に予測するか、およびモデルがデータにどの程度よく適合するかを示すメトリクスです。 予測におけるマーク付きエラーとマークなしエラーのさまざまな次数が、MSE、RMSE、MAE、MBE6 によって示されています。 MAPE は、アルゴリズムの精度を評価するために使用されるスケールに依存しない尺度です。 TStat と SI は、予測の段階での不確実性レベルを捉える無次元の尺度です。 SI は標準誤差の測定値であり、値が小さいほどモデルのパフォーマンスが優れていることを示します。 評価指標は表 2 に示されています。ここで、\(N\)、\(y_{i}\)、\(y_{i}^{\prime }\)、および \(\overline{y}\) は、データの総量、サンプル \(i{\text{th}}\) の真の CS、サンプル \(i{\text{th}}\) の推定 CS、およびそれぞれ実際の強度値。

過学習を避けるために、データセットはトレーニング セットとテスト セットに分割され、データの 80% がモデルのトレーニングに使用され、20% がテストに使用されました。 また、LOOCV (図 3) と呼ばれる特定の種類の相互検証 (CV) アルゴリズムを使用して、データを検証し、ハイパーパラメーターを調整しました。 LOOCV では、フォールドの数はデータセット内のインスタンスの数と等しくなります (n = 176)。

リーブワンアウト相互検証法。

表 3 に見られるように、この調査では、MLR、KNN、SVR、RF、GB、XGB、AdaBoost、ANN、CNN を含む 9 つの異なるアルゴリズムが実装されました。

MLR は、回帰問題を解決するための最も簡単な教師あり ML アルゴリズムです。 このモデルはその単純さのため、数多くの研究でコンクリートの CS を予測するために使用されてきました 6、18、38、39。 MLR は、式に基づいて入力 (独立パラメーター) と出力 (従属パラメーター) の間に線形関係を確立することにより、独立変数 (\(x\)) の値に基づいて従属変数 (\(y\)) の値を予測します。 。 (3):

ここで、\(\hat{y}\)、\(x_{n}\)、\(\alpha\) はそれぞれ従属パラメータ、独立パラメータ、バイアスです18。

KNN メソッドは、分類問題と回帰問題の両方を解決するために利用できるシンプルな教師あり ML 手法です。 このアルゴリズムは、近くにあるトレーニング セットのコレクションを探索することによって、新しいポイントの値を決定しようとします40。 このアルゴリズムでは、まず K 個の近傍のユークリッド距離を計算します。 次に、K 個の近傍の間で、各カテゴリのデータ ポイントがカウントされます。 最後に、新しいデータ ポイントを最も近傍のカテゴリに割り当てることによってモデルが作成されます。

SVR モデル (図 4 に見られるように) は、コンクリートの CS を予測するためにも使用されています 41,42。 SVR は、離散値を予測する教師あり ML 手法と見なされます。 実際、SVR は最適な線を決定しようとします。 SVR で最も適合する線は、最大数の点を持つ超平面です。 SVR を使用する主な根拠は、問題が線形に分離できない可能性があることです。 このような場合、非線形カーネル (放射基底関数など) を備えた SVR が使用されます。 SVR では、 \(\{ x_{i} ,y_{i} \} ,i = 1,2,...,k\) がトレーニング セットです。ここで、 \(x_{i}\) と \(y_ {i}\) はそれぞれ入力値と出力値です。 さらに、回帰関数は \(y = \left\langle {\alpha ,x} \right\rangle + \beta\) であり、SVR の目的は関数を可能な限り平坦にすることです18。

ベクトル回帰モデルをサポートします。

すべてのツリーベースのモデルは、回帰 (数値の予測) 問題または分類 (カテゴリ値の予測) 問題に適用できます。 現在の研究では、SFRC の CS を予測するためにツリーベースのモデル (GB、XGB、RF、および AdaBoost) が使用されました。 これらの手法の中で、AdaBoost は、精度の低い規制を多数組み合わせることで非常に正確な予測ルールを作成できるという考えに基づいた、最も単純なブースティング アルゴリズムです43。 さらに、GB は AdaBoost 開発モデルであり、段階的な手法を使用して加算モデルを構築する多数の逐次決定ツリーで構成されるメタ推定ツールです6。 XGB は GB をより規則的にし、一般化可能性を高めることで過剰適合を制御します6。 RF は多数の並列決定木で構成され、データセットのさまざまなサブセットに適合したモデルの平均を計算して、予測精度を高めます6。

コンクリートの CS を推定するための強力なツールとして ANN アルゴリズム (図 5) を使用することは現在よく知られています 6,38,44,45。 脳の機能はANN6の発達の基盤として利用されます。 ANN を使用すると、複雑なパターンをモデル化し、問題を予測できます。 ANN モデルは、ニューロン、重み、および活性化関数で構成されます18。 入力値は、式を使用して重み付けされ、合計されます。 (4)。

ここで \(x_{i} ,w_{ij} ,net_{j} ,\) と \(b\) は入力値、各信号の重み、\(j{\text{th }}\) ニューロン、バイアス、それぞれ 18. 現在の研究では、ANN モデルは 1 つの出力層と、それぞれ 50、150、100、150 個のニューロンを持つ 4 つの隠れ層で構成されています。 各隠れ層の後にドロップアウト層があります (ドロップアウト層は、各トレーニング ステップの周波数レートで入力ユニットをランダムにゼロに設定するため、過剰学習を防止します)。 Adam は、学習率 0.01 のオプティマイザー関数として選択されました。 MSE アプローチが最適化プロセス全体を通じて損失関数として使用されたことを指摘することが重要です。 表 3 は、グリッドとランダム検索を使用して他のハイパーパラメーターを調整した結果を示しています。

人工ニューラル ネットワーク モデル。

近年、CNNアルゴリズム（図6）がコンクリートのCSを予測するために使用されることが増えています34、46、47、48、49。 CNN モデルは、入力を処理および変換して出力を生成する複数のレイヤーで構成される DL の新しいアーキテクチャです。 現在の研究では、使用されたアーキテクチャは、1 次元畳み込み層、1 次元最大プーリング層、1 次元平均プーリング層、および全結合層で構成されています。 また、各畳み込み層の活性化関数としてReLUを、最適化関数としてAdam関数を採用しました。 表 3 は、カーネルとフィルターのサイズと学習率を含む、各畳み込み層、平坦化層、隠れ層、およびプーリング層の変更されたハイパーパラメーターを示しています。

畳み込みニューラル ネットワーク モデル。

検証セットのハイパーパラメータを調整するには、ランダム検索アルゴリズムとグリッド検索アルゴリズムが使用されました。 表 3 に、各モデルの調整されたハイパーパラメーターに関する詳細情報を示します。 提示された作業では、Python プログラミング言語と TensorFlow プラットフォーム、および Scikit-learn パッケージが使用されています。

SFRC の CS は、「実装されたアルゴリズム」セクションで説明されているように、さまざまな ML 技術を通じて予測されました。 予測値を実際の値と比較して、ML アルゴリズムの実現可能性を実証しました (図 7)。 表 4 に見られるように、実装されたアルゴリズムのパフォーマンスはさまざまな指標を使用して評価されました。

鋼繊維強化コンクリート (SFRC) の CS を予測する際の実装されたアルゴリズムのパフォーマンス。

最も単純な ML 手法として、SFRC の CS を予測するために MLR が実装され、R2 が 0.888、RMSE が 6.301、MAE が 5.317 であることが示されました。 Al-Abdaly et al.50 は、MLR アルゴリズム (R2 = 0.64、RMSE = 8.68、MAE = 5.66) が SFRC の CS 動作を予測する際のパフォーマンスが低いと報告しました。 Khademi et al.51 は MLR を使用して NC の CS を予測しましたが、これは正確なモデルとはみなせないことがわかりました (R2 = 0.518)。 さらに、Kang et al.18 によって報告された結果によれば、MLR を使用すると、SFRC の CS の予測において実際の値と予測値の間に有意な差が生じることが示されました (RMSE = 12.4273、MAE = 11.3765)。 Hameed et al.52 は、高性能コンクリート (HPC) の CS を予測するための MLR モデルを開発し、MLR が HPC の実際の CS と予測された CS の間に相関性が低いことを指摘しました (R = 0.789、RMSE = 8.288)。 したがって、SFRC の予測 CS における MLR のパフォーマンスと以前の研究 (NC、HPC、および SFRC の CS を予測するための MLR の使用) との一貫性に基づいて、CS 間の相関関係の複雑さにより、次のことが示唆されました。具体的な混合特性については、線形モデル (MLR など) では独立変数間の複雑な関係を説明できませんでした。 そこで、SFRC の CS を研究するために、KNN、SVR ツリーベース モデル、ANN、CNN などのより複雑な ML モデルが提案され、実装されました。

KNN (R2 = 0.881、RMSE = 6.477、MAE = 4.648) は、SFRC の CS の予測において、MLR と比較して精度が低いことを示しました。 Kang ら 18 は、KNN が SFRC の CS を予測し、実際の値と予測値の間に大きな差があることを観察しました。 Asadi ら 6 は、廃大理石粉末を含むコンクリートの CS を予測する際に KNN のパフォーマンスが不十分であることも報告しました。 さらに、ゴム引きコンクリートの CS は、Hadzima-Nyarko らによって KNN アルゴリズムを使用して予測されました 53 が、KNN は廃ゴムを含むコンクリートの CS の推定には適切ではない可能性があることが報告されています (RMSE = 8.725、MAE = 5.87)。 したがって、SFRC の CS を予測する際の KNN の結果と以前の研究 (さまざまな具体的なタイプの CS を予測する際の KNN の使用) との互換性によれば、MLR と同様に、KNN 技術は CS の予測において期待できるパフォーマンスを発揮できないことが観察されました。 SFRCの。 これは、concrete6 の CS への寄与がすべて異なる場合でも、KNN がすべての特性を同等に考慮するという事実を指します。

以前の ML アルゴリズム (MLR および KNN) と比較して、SVR のパフォーマンスは優れていました (R2 = 0.918、RMSE = 5.397、MAE = 4.559)。 また、SFRC の CS の予測において、実際の値と予測値の間に有意な差があることが Kang らによって報告されました 18 (RMSE = 18.024)。 NC の CS 挙動を予測するために、Kabirvu ら 5 は SVR を実装し、SVR が高い精度 (R2 = 0.97) を示すことを観察しました。 一方、Koya et al.39 と Li et al.54 は、NC の CS の予測において SVR が実験値と予想値の間に大きな差を示したと報告しています。 SFRC の CS を予測する際の SVR の実装から得られた結果と、NC および SFRC の CS を予測するために SVR を使用した以前の研究の結果に基づいて、一部の研究では SVR が許容可能なパフォーマンスを示したと結論付けられました。 対照的に、コンクリートの CS の予測において SVR のパフォーマンスが弱いと報告した人もいます。 これは、入力パラメータの数の違いが原因である可能性があります。

この研究の結果に基づくと、SFRC の CS の予測において、ツリーベースのモデルは SVR よりも悪いパフォーマンスを示しました。 ただし、SFRC の CS を予測するパフォーマンスが KNN や MLR のパフォーマンスよりも優れていたことは注目に値します。 これらのツリーベースのモデルの中で、AdaBoost (R2 = 0.888、RMSE = 6.29、MAE = 4.433) と XGB (R2 = 0.901、RMSE = 5.929、MAE = 4.288) は、SFRC の CS を予測する上で最も弱いモデルと最も強いモデルでした。 、 それぞれ。 Kang et al.18 によって報告されているように、実装されたツリーベースのモデルの中で、XGB は SFRC の CS の予測において優れた性能を発揮しました。 Al-Abdaly ら 50 は、SFRC の CS の予測において、RF (R2 = 0.88、RMSE = 5.66、MAE = 3.8) が MLR (R2 = 0.64、RMSE = 8.68、MAE = 5.66) よりも優れたパフォーマンスを示したと報告しています。 Khan ら 55 は、RF (R2 = 0.96、RMSE = 3.1) が、SFRC の予測 CS における R2 がそれぞれ 0.9 および 0.95 の XGB および GB よりも許容可能な結果を​​示したと報告しました。 さらに、Nguyen-Sy et al.56 と Rathakrishnan et al.57 は、XGB の実装後、XGB が NC の CS を予測するための最良のモデルであると指摘しました。 したがって、SFRC の CS を予測する際のツリーベースの手法の成果と、さまざまなコンクリート タイプ (SFRC および NC) の CS を予測するためのツリーベースのモデルを使用した以前の研究との互換性に基づいて、ツリーベースのモデル (特にXGB) が良好なパフォーマンスを示しました。

ANN (R2 = 0.896、RMSE = 6.056、MAE = 4.383) は、SFRC の CS の予測において、MLR、KNN、およびツリーベースのモデル (XGB を除く) よりも優れたパフォーマンスを示しましたが、その精度は SVR よりも低かったことが観察されました。および XGB (検証セットとテスト セットの両方) 手法。 Mahesh et al.19 は、モデルを調整した後 (隠れ層の数 = 20、活性化関数 = Tansin Purelin)、ANN が SFRC の CS の予測において優れたパフォーマンスを示したことに注目しました (R2 = 0.95)。 Karahan ら 58 は、バックプロパゲーション学習アルゴリズムとして Levenberg-Marquardt 変種を使用した ANN を実装し、ANN が SFRC の CS を正確に予測したことを報告しました (R2 = 0.96)。 Asadi ら 6 も、廃大理石粉末を含む NC の CS の推定に ANN を使用し (ハイパーパラメータの調整に LOOCV が使用されました)、検証セットでは ANN が GB や XGB と同じくらい高い R2 に到達できなかったことを報告しました。 ただし、ANN は、テスト セットに廃大理石粉末 (R2 = 0.97) を組み込んだ NC の CS を正確に予測しました。 最後に、多層パーセプトロンの損失曲面の非凸性により、検証セットの R2 に関して ANN のパフォーマンスが SVR および XGB よりも低いことが観察されます。 したがって、極大値を大域最小値の近くに配置することが頻繁に必要になります59。 したがって、各モデル トレーニング セッションの後、ホールドアウト サンプルの汎化が不十分になる可能性があり、検証セット 6 の R2 が減少します。ただし、ANN を利用して SFRC の CS を予測できることが示唆されます。

最終的に、開発されたすべての ML アルゴリズムの中で、CNN (R2 = 0.928、RMSE = 5.043、MAE = 3.833) が SFRC の CS の予測において優れたパフォーマンスを示しました。 他の議論された方法と比較して、CNN は、SFRC の実際の CS と予想される CS の関係を示す図の分散度を大幅に低減しながら、SFRC の CS を正確に予測することができました。 Chen et al.34 は、CNN モデリングを使用して、CNN が SFRS と NC の CS の予測において優れたパフォーマンスを示す可能性があると報告しました。 Deng ら 47 は、CNN が他の方法よりもリサイクルコンクリートの CS の予測に優れていることも観察しました (平均相対誤差 = 3.65)。 最後に、CNN 手法の結果は以前の研究と一致しており、CNN は SFRC の CS の予測において効率的に機能しました。

表 4 は、さまざまな評価指標による ML モデルのパフォーマンスを示しています。 R2、MSE、RMSE、および SI との比較モデルでは、SFRC の CS の予測において CNN が最良の結果を示し、次に SVR、XGB が続くことが観察されます。 対照的に、KNN は、SFRC の CS を予測する際に、開発された ML モデルの中で最悪のパフォーマンスを示します。 Tstat の観点から実装された ML アルゴリズムを比較すると、SFRC の CS の予測において XGB が最高のパフォーマンスを示し、次に ANN と SVR が続くことが観察されます。 ただし、Tstat に関しては、CNN のパフォーマンスが XGB よりも約 58% 低いことが結果によって示されています。 MAE と MAPE に関する ML モデルを比較すると、CNN が SFRC の CS の予測において優れたパフォーマンスを発揮し、次に GB と XGB が続くことがわかります。 一方、MLR は SFRC の CS を予測する際に最も高い MAE を示します。 MBE に関しては、XGB が MBE の最小値を達成し、続いて ANN、SVR、CNN が続きました。

図 8 は、適用されたすべてのモデルの残差誤差 (実際の CS と予測された CS) の変動を示しています。 残差誤差の変動が小さく、残差誤差がゼロ付近で変動する場合、モデルのパフォーマンスは向上します。 したがって、図 8 からわかるように、SVR が最も優れたパフォーマンスを示し、残留誤差変動率が最も小さく、次いで RF でした。 対照的に、XGB と KNN の変動率が最も大きかった。 さらに、CNN は SVR よりも約 28% 低い残留誤差変動を実現しました。

さまざまなアルゴリズムの誤差 (実際の CS – 予測された CS) の変動。

図 9 に示すように、最小四分位範囲 (IQR) と最大四分位範囲 (IQR) はそれぞれ AdaBoost と MLR に属します。 IQR インデックスに関して ML アルゴリズムを比較すると、CNN モデリングは SVR 手法よりも約 31% 低い誤差分散を示しました。 さらに、CNN と XGB の予測では、SVR、RF、MLR の残差誤差よりも 2 つ多い外れ値が生成されました (外れ値はゼロ)。 一方、AdaBoost は、より広い誤差範囲で SFRC の CS を予測しました。

いくつかの方法の誤差の分布 (MPa 単位) (実際の CS – 予測された CS)。

図 10 は、SFRC の予測 CS に対して提案されたモデルの残差誤差の正規分布も示しています。 モデルの残差誤差分布が正規分布に近い場合、平均値付近で予測ミスが発生する可能性が高くなります6。 これに基づいて、CNN は正規分布に最も近い分布を持ち、SFRC の CS を予測するのに最良の結果をもたらし、次に SVR と RF が続きました。 全体として、CNN が不確実性が少なく、SFRC の CS のより正確な予測を生成し、次に SVR と XGB が続くと結論付けることができます。

さまざまな手法の誤差の正規分布 (実際の CS – 予測された CS)。

感度分析では、出力パラメータに対する入力パラメータの重要性の大きさを調査します。 ML アルゴリズムの特徴の重要性を図 11 で比較しました。感度分析により、さまざまな入力変数の中で、W/C 比、フライアッシュ、SP が SFRC の CS 挙動に最も寄与する効果があり、次にISFの量。 これらのパラメーターの中で、W/C 比が SFRC の CS に影響を与える最も重要なパラメーターであることが一般的にわかりました (W/C 比が増加すると、SFRC の CS も増加します)。 Knag et al.18 は、シリカフューム、W/C 比、および DMAX が SFRC の CS を予測する最も影響力のあるパラメーターであると報告しました。 また、ISF (VISF、L/DISF) の特性は SFRC の CS に若干の影響を与えます。 Li ら 54 は、SFRC の CS は C とシリカフュームの量が増加すると増加し、水と SP の量が増加すると減少すると指摘しました。 したがって、感度分析に基づいて、SFRC の CS を予測するための ML アルゴリズムは合理的であると考えることができます。

さまざまなアルゴリズムを使用したCSの重要性を特徴付けます。

開発された ML アルゴリズムが SFRC の CS 動作に対するさまざまな入力パラメータの影響をどの程度正確に予測できるかを判断するために、パラメトリック分析が実行されました。 パラメトリック分析を実行して、SFRC の予測 CS に対する 1 つの特定のパラメーター (W/C 比など) の影響を分析するには、そのパラメーター (W/C 比) の実際の値が考慮されますが、すべてのパラメーターの平均値が考慮されます。他の入力パラメータ値が導入されました。 実装された手順は、SVR、XGB、および ANN の 3 つの最もパフォーマンスの高いアルゴリズムを考慮して、他のパラメータに対しても同様に繰り返されました。 この方法は、Khan et al.60 が行ったような他の研究でも使用されています。 この分析の結果を図 12 に示します。

さまざまなアルゴリズムでのパラメーターと予測 CS 間のパラメトリック分析。

図 12 に示すように、W/C 比は予測 CS に大きな影響を与えるパラメータです。 言い換えれば、W/C 比が増加するにつれて、予測 CS は減少します。 一般に、開発された ML モデルは、予測される CS に対する W/C 比の影響を正確に予測できます。 さらに、ここで提案されている 3 つの ML モデルのうち、SVR は SFRC の予測 CS に対する W/C 比の影響を推定する際に優れたパフォーマンスを示し、相関関係は R = − 0.999 であり、次に CNN が相関関係 R = − 0.96 です。 。 XGB アルゴリズムのパフォーマンスも、相関の値が R = − 0.867 となることからも妥当です。

さらに、図１２は、ＳＦＲＣの予測ＣＳに対するＳＰの影響を示す。 図１２から分かるように、ＳＰは、ＳＦＲＣの予測ＣＳに対して中程度の影響を与える。 さらに、提案された ML モデルの中で、SFRC の予測 CS に対する SP の影響の予測においては、SVR が R = 0.999 の相関でより優れたパフォーマンスを示し、次に CNN と XGB がそれぞれ R = 0.992 と R = 0.95 の相関で続きました。 。

ただし、SFRC ミックス内の ISF の量と予測される CS の間には弱い相関関係があることが示されています。 これは、混合中の ISF の量だけでは SFRC の CS を予測できないことを示しています。 言い換えれば、SFRC の CS 予測では、すべてのミックスのコンポーネント (現在の研究で開発された ML アルゴリズムなど) が提示される必要があります。

SFRC の予測 CS に対するフライアッシュの影響を図 12 に示します。提案された 3 つの ML アルゴリズムはすべて、フライアッシュの量と SFRC の予測 CS の間の相関関係を予測する際に優れたパフォーマンスを示しています。 これは、すべての ML モデルが SFRC の CS に対するフライアッシュの影響を予測できたことを意味します。 さらに、提示された混合物の 26% のみにフライアッシュが含まれており、得られた結果はこれらの混合物に従っていることを言及することが重要です。 したがって、これらの結果には欠陥がある可能性があります。

SFRC の CS を予測するために開発されたモデル (図 12) に基づくと、C、DMAX、L/DISF、および CA は CS に比較的小さな影響を与えます。 さらに、結果は、FAの量の増加がSFRCのCSの減少を引き起こすことを示しています（図12）。 これらの結果はすべて、図 11 に示されている感度分析の結果、および図 1 と図 2 に示されている SFRC の入力パラメータと CS 間の相関関係と一致しています。 1と2。

この研究では、MLR、ツリーベース モデル、SVR、KNN、ANN、CNN などのいくつかの ML アルゴリズムを使用して、SFRC の CS をモデル化し、予測しました。 公開されている文献から、176 の異なるコンクリート圧縮テスト セットを含むデータセットが収集されました。 この研究により、次の結論が導き出されます。

この研究で使用されたいくつかの ML 手法の中で、CNN が優れたパフォーマンス (R2 = 0.928、RMSE = 5.043、MAE = 3.833) を達成し、SVR (R2 = 0.918、RMSE = 5.397、MAE = 4.559) がそれに続きました。 対照的に、KNN (R2 = 0.881、RMSE = 6.477、MAE = 4.648) は、SFRC の CS の予測において最も弱いパフォーマンスを示しました。

ツリーベースのモデルは、SFRC の CS を予測する際に SVR よりも悪いパフォーマンスを示しました。 ただし、SFRC の CS を予測するパフォーマンスは、KNN および MLR のパフォーマンスよりも優れていました。

ML アルゴリズムの機能は、感度分析とパラメトリック分析を通じて実証されました。 コンクリート混合特性の中で、W/C 比、フライアッシュ、SP が SFRC の CS に最も大きな影響を与えることが観察されました (W/C 比が最も効果的なパラメータでした)。 また、C、DMAX、L/DISF、CA は SFRC の CS にあまり影響しません。

パラメトリック解析から得られた結果によると、開発したモデルのうち、SVR は SFRC の CS に対する W/C 比、SP、フライアッシュの影響を正確に予測でき、次に CNN が続きます。

この研究中に生成または分析されたすべてのデータは、この公開記事に含まれています。 生データは、合理的な要求に応じて責任著者から入手することもできます。

チョウ、J.-S. & ファム、A.-D. 高性能コンクリートの圧縮強度を予測するためのアンサンブル アプローチのための強化された人工知能。 構造建てる。 メーター。 49、554–563 (2013)。

記事 Google Scholar

Chou、J.-S.、Tsai、C.-F.、Pham、A.-D. & Lu、Y.-H. コンクリート強度シミュレーションにおける機械学習: 多国籍データ分析。 構造建てる。 メーター。 73、771–780 (2014)。

記事 Google Scholar

Duan、J.、Asteris、PG、Nguyen、H.、Bui、X.-N. & Moayedi, H. ICA-XGBoost モデルを使用して再生骨材コンクリートの圧縮強度を予測する新しい人工知能技術。 工学計算します。 37(4)、3329–3346 (2021)。

記事 Google Scholar

Gupta, S. コンクリート強度のモデリングに基づいたベクター マシンをサポート。 世界アカデミー。 科学。 工学テクノロジー。 36(1)、305–311 (2007)。

MathSciNet Google Scholar

Kabiru, OA、Owolabi, TO、Ssennoga, T. & Olatunji, SO コンクリートの圧縮強度の予測における SVM と ANN の性能比較 (2014)。

シャムサバディ、EA 他廃大理石粉末を組み込んだコンクリートの機械学習ベースの圧縮強度モデリング。 構造建てる。 メーター。 324、126592 (2022)。

記事 Google Scholar

Young, BA、Hall, A.、Pilon, L.、Gupta, P. & Sant, G. コンクリートの圧縮強度は、混合比率の知識から推定できますか?: 統計分析と機械学習手法からの新しい洞察。 セム。 結論解像度 115、379–388 (2019)。

記事 CAS Google Scholar

Behbahani, H.、Nematollahi, B.、Farasatpour, M. 鋼繊維強化コンクリート: レビュー (2011)。

Marcos-Meson, V. et al. 鋼繊維鉄筋コンクリートの耐食性 - 文献レビュー。 セム。 結論解像度 103、1–20 (2018)。

記事 CAS Google Scholar

ド・モンテニャック、R.、マシコット、B.、シャロン、J.-P. & Nour、A. SFRC 構造要素の設計: 亀裂後の引張強度の測定。 メーター。 構造体。 45(4)、609–622 (2012)。

記事 Google Scholar

Han, J.、Zhao, M.、Chen, J.、Lan, X. 鋼繊維強化コンクリートの機械的特性に及ぼす鋼繊維の長さと粗骨材の最大サイズの影響。 構造建てる。 メーター。 209、577–591 (2019)。

記事 Google Scholar

Setti, F.、Ezziane, K. & Setti, B. 鋼繊維強化コンクリートの機械的特性と試験片サイズの影響の調査。 Ｊ．接着剤。 科学。 テクノロジー。 34(13)、1426–1441 (2020)。

記事 CAS Google Scholar

Zhu, H.、Li, C.、Gao, D.、Yang, L.、Cheng, S. 鋼繊維強化コンクリートの立方体試験片と円筒試験片の機械的特性と強度関係に関する研究。 上級メカ。 工学 11(4)、1687814019842423 (2019)。

記事 Google Scholar

リー、S.-C.、オー、J.-H. & チョー、J.-Y. 端部に鋼繊維をフックした繊維強化コンクリートの圧縮挙動。 資料 8(4)、1442–1458 (2015)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Ren, G.、Wu, H.、Fang, Q.、Liu, J. UHPCC の静的機械的特性に対する鋼繊維の含有量と種類の影響。 構造建てる。 メーター。 163、826–839 (2018)。

記事 Google Scholar

Deepa, C.、SathiyaKumari, K.、Sudha, VP ツリーベースのモデリングを使用した高性能コンクリート混合物の圧縮強度の予測。 内部。 Ｊ．Ｃｏｍｐｕｔ． 応用 6(5)、18–24 (2010)。

Google スカラー

ハワイ州エルダル 高性能コンクリート圧縮強度予測のためのデシジョン ツリーの 2 レベルおよびハイブリッド アンサンブル。 工学応用アーティフ。 知性。 26(7)、1689–1697 (2013)。

記事 Google Scholar

カン、M.-C.、ユ、D.-Y. & Gupta, R. 鋼繊維強化コンクリートの圧縮強度と曲げ強度の機械学習ベースの予測。 構造建てる。 メーター。 266、121117 (2021)。

記事 Google Scholar

Mahesh, R. & Sathyan, D. ANN を使用した鋼繊維鉄筋コンクリートの硬化特性のモデル化。 メーター。 今日はProc. 49、2081–2089 (2022)。

記事 Google Scholar

Awolusi, T.、Oke, O.、Akinkurolere, O.、Sojobi, A. & Aluko, O. 鋼繊維鉄筋コンクリートのモデリング特性におけるニューラル ネットワーク トレーニング アルゴリズムのパフォーマンスの比較。 Heliyon 5(1)、e01115 (2019)。

論文 CAS PubMed PubMed Central Google Scholar

Al-Baghdadi、HM、Al-Merib、FH、Ibrahim、AA、Hassan、RF、Hussein、HH 異なる繊維パラメータでの合成/鋼繊維強化コンクリートの性能に対する粗骨材の最大サイズの影響。 11号館(4)、158号館(2021年)。

記事 Google Scholar

Atiş、CD & Karahan、O. 鋼繊維強化フライアッシュ コンクリートの特性。 構造建てる。 メーター。 23(1)、392–399 (2009)。

記事 Google Scholar

Caggiano, A.、Folino, P.、Lima, C.、Martinelli, E. & Pepe, M. リサイクルおよび工業用鋼繊維を使用したハイブリッド繊維強化コンクリートの機械的応答について。 構造建てる。 メーター。 147、286–295 (2017)。

記事 Google Scholar

グラエフ、A. G.、Pilakoutas、K.、Lynsdale、C.、Neocleous、K. 再生鋼繊維強化コンクリートの耐食性。 交差します。 交差します。 6(4) (2009)。

Hu, H.、Papastergiou, P.、Angelakopoulos, H.、Guadagnini, M.、Pilakoutas, K. 混合製造タイヤ鋼繊維とリサイクルタイヤ鋼繊維を使用した SFRC の機械的特性。 構造建てる。 メーター。 163、376–389 (2018)。

記事 Google Scholar

Jamshidi Avanaki, M.、Abedi, M.、Hoseini, A. & Maerefat, MS ハイブリッド鋼繊維強化コンクリートの機械的特性に対する繊維体積分率とアスペクト比の影響。 新しいアプローチ Civ. 工学 2(2)、49–64 (2018)。

Google スカラー

Leone, M.、Centonze, G.、Colonna, D.、Micelli, F. & Aiello, M. リサイクル鋼繊維の含有量が低い繊維強化コンクリート: せん断挙動。 構造建てる。 メーター。 161、141–155 (2018)。

記事 Google Scholar

Leone, M.、Centonze, G.、Colonna, D.、Micelli, F.、Aiello, MA 再生鋼繊維の含有量が低い繊維強化コンクリートの結合挙動に関する実験的研究。 J. メーター。 文明工学 28(9)、04016068 (2016)。

記事 Google Scholar

Martinelli, E.、Caggiano, A. & Xargay, H. ハイブリッド工業用/再生鋼繊維強化コンクリートのひび割れ後の挙動に関する実験的研究。 構造建てる。 メーター。 94、290–298 (2015)。

記事 Google Scholar

Olivito, R. & Zuccarello, F. 鋼繊維強化コンクリートの引張強度に関する実験的研究。 コンポ。 工学部B 41(3)、246–255 (2010)。

記事 Google Scholar

Sanjeev, J. & Nitesh, KS 振動コンクリートおよび自己充填コンクリートのフレッシュおよび硬化特性に対するスチールおよびガラス繊維の影響に関する研究。 メーター。 今日はProc. 27、1559–1568 (2020)。

記事 CAS Google Scholar

Skarżyński, Ł & Sugarzewski, J. デジタル画像相関技術と X 線マイクロ コンピューター断層撮影法を使用した、再生鋼繊維と工業用鋼繊維で強化されたコンクリートの機械的特性と破壊特性。 構造建てる。 メーター。 183、283–299 (2018)。

記事 Google Scholar

Zhang, Y. & Gao, L. タイヤリサイクル鋼繊維が鉄筋コンクリートの強度と曲げ挙動に及ぼす影響。 上級メーター。 科学。 工学 2020、1–7 (2020)。

記事 MathSciNet CAS Google Scholar

Chen, H.、Yang, J. & Chen, X. 高温での繊維強化コンクリートの圧縮強度を推定するための畳み込みベースの深層学習アプローチ。 構造建てる。 メーター。 313、125437 (2021)。

記事 Google Scholar

Dao、DV、Ly、H.-B.、Vu、H.-LT、Le、T.-T. & Pham、BT 発泡コンクリートの圧縮強度を予測する際の C-ANN 構造の調査と最適化。 資料 13(5)、1072 (2020)。

論文 ADS PubMed PubMed Central Google Scholar

Golafshani, EM、Behnood, A. & Arashpour, M. Gray Wolf Optimizer とハイブリッド化した ANN および AFIS を使用して、通常コンクリートおよび高性能コンクリートの圧縮強度を予測します。 構造建てる。 メーター。 232、117266 (2020)。

記事 Google Scholar

Kandiri, A.、Golafshani, EM、Behnood, A. ハイブリッド多目的 ANN およびサルプ群アルゴリズムを使用した、高炉スラグ微粉末を含むコンクリートの圧縮強度の推定。 構造建てる。 メーター。 248、118676 (2020)。

記事 Google Scholar

Güçlüer, K.、Özbeyaz, A.、Göymen, S.、Günaydın, O. コンクリート圧縮強度推定のための機械学習手法を使用した比較調査。 メーター。 今日はコミュ。 27、102278 (2021)。

記事 Google Scholar

Koya, BP、Aneja, S.、Gupta, R. & Valeo, C. コンクリートの機械的特性を予測するためのさまざまな機械学習アルゴリズムの比較分析。 メカ。 上級メーター。 構造体。 1 ～ 18 (2021)。

de-Prado-Gil, J.、Palencia, C.、Silva-Monteiro, N. & Martínez-García, R. アンサンブル機械学習モデルを利用して、リサイクル骨材を使用した自己圧縮コンクリートの圧縮強度を予測します。 ケーススタッド。 構造メーター。 16、e01046 (2022)。

Google スカラー

Azimi-Pour, M.、Eskandari-Naddaf, H. & Pakzad, A. 高容量フライアッシュ自己充填コンクリートのフレッシュ特性と圧縮強度に関する線形および非線形 SVM 予測。 構造建てる。 メーター。 230、117021 (2020)。

記事 Google Scholar

Tanyildizi, H. 人工ニューラル ネットワークとサポート ベクター マシンを使用した、高温にさらされた炭素繊維強化軽量コンクリートの強度特性の予測。 上級文明工学 2018 年 1 ～ 10 日 (2018 年)。

記事 Google Scholar

Schapire、RE adaboost について説明しています。 経験的推論: ウラジミール N. ヴァプニクを讃えるフェストシュリフト 37–52 (2013)。

Huang, J.、Liew, J. & Liew, K. カーボン ナノチューブ強化セメント複合材料の機械的特性を調査および評価するためのデータ駆動型機械学習アプローチ。 コンポ。 構造体。 267、113917 (2021)。

記事 CAS Google Scholar

ソン、Ｈら。 機械学習アルゴリズムを使用して、フライアッシュ混和剤を使用したコンクリートの圧縮強度を予測します。 構造建てる。 メーター。 308、125021 (2021)。

記事 CAS Google Scholar

オレゴン州アブオデ、JA 州アブダラ、RA 州ハウィレ 深層機械学習技術を使用した超高性能コンクリートの圧縮強度の評価。 応用ソフトコンピューティング。 95、106552 (2020)。

記事 Google Scholar

デン、F.ら。 深層学習に基づく再生コンクリートの圧縮強度予測。 構造建てる。 メーター。 175、562–569 (2018)。

記事 Google Scholar

Jang, Y.、Ahn, Y. & Kim, HY デジタル顕微鏡画像とディープ畳み込みニューラル ネットワークを使用してコンクリートの圧縮強度を推定します。 Ｊ．Ｃｏｍｐｕｔ． 文明工学 33(3)、04019018 (2019)。

記事 Google Scholar

リー、H.-B.、グエン、T.-A. & Tran、VQ ゴムコンクリートの圧縮強度を予測するためのディープ ニューラル ネットワーク モデルの開発。 構造建てる。 メーター。 301、124081 (2021)。

記事 Google Scholar

Al-Abdaly, NM、Al-Taai, SR、Imran, H. & Ibrahim, M. ハイパーパラメータ調整および k 分割交差検証と組み合わせたランダム フォレスト アルゴリズムを使用した、鋼繊維強化コンクリートの圧縮強度の予測モデルの開発。 東。 ユーロ。 Ｊ．エンタープ． テクノロジー。 5(7)、113 (2021)。

Google スカラー

Khademi, F.、Akbari, M.、Jamal, SM データ駆動モデルによるコンクリートの圧縮強度の予測。 私は管理します。 J Civ Eng 5(2)、16–23 (2015)。

Google スカラー

Hamed, MM & AlOmar, MK 高性能コンクリートの圧縮強度の予測: ハイブリッド人工知能技術。 InInternational Conference on Applied Computing to Support Industry: Innovation and Technology 323–335 (Springer、2019)。

Hadzima-Nyarko, M.、Nyarko, EK、Lu, H.、Zhu, S. コンクリートの圧縮強度を推定するための機械学習アプローチ。 ユーロ。 物理学。 J. プラス 135(8)、682 (2020)。

記事 CAS Google Scholar

リー、Ｙら。 教師付き機械学習技術を使用した鋼繊維強化コンクリートの圧縮強度。 資料 15(12)、4209 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

カーン、Ｋ．ら。 高度なアルゴリズムを使用した、鋼繊維強化コンクリートと原材料の相互作用の圧縮強度推定。 ポリマー 14(15)、3065 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Nguyen-Sy、T.ら。 極度勾配ブースティング法を使用して、コンクリートの組成と年齢から圧縮強度を予測します。 構造建てる。 メーター。 260、119757 (2020)。

記事 Google Scholar

Rathakrishnan, V.、Beddu, S. & Ahmed, AN コンクリート圧縮強度の予測に関する機械学習最適化手法間の比較研究 (2021)。

Karahan, O.、Tanyildizi, H.、Atis, CD フライアッシュを含む鋼繊維強化コンクリートの長期強度特性を予測するための人工ニューラル ネットワーク アプローチ。 J.浙江大学科学。 A 9(11)、1514–1523 (2008)。

記事 MATH Google Scholar

Choromanska, A.、Henaff, M.、Mathieu, M.、Arous, GB & LeCun, Y. 多層ネットワークの損失曲面。 人工知能と統計 192–204。 PMLR (2015)

マサチューセッツ州カーンら。 遺伝子発現プログラミングとランダムフォレストによるフライアッシュベースのジオポリマーコンクリートの圧縮強度。 上級文明工学 2021 年 1 月 1 日から 17 日まで（2021 年）。

Google スカラー

リファレンスをダウンロードする

マシュハドフェルドウシ大学工学部土木工学科、マシュハド、イラン

セイエド・ソローシュ・パクザド、ナイム・ロシャン、マンスール・ガレノヴィ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

SSP: 調査、概念化、方法論、データキュレーション、形式分析、執筆—オリジナルドラフト。 NR: 概念化、方法論、調査、データキュレーション、執筆—原案、視覚化。 MG: 検証、執筆 - レビューと編集。

マンスール・ガレノヴィへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Pakzad, SS、Roshan, N.、Ghalehnovi, M. 鋼繊維強化コンクリートの圧縮強度予測に使用されるさまざまな機械学習アルゴリズムの比較。 Sci Rep 13、3646 (2023)。 https://doi.org/10.1038/s41598-023-30606-y

引用をダウンロード

受信日: 2022 年 10 月 10 日

受理日: 2023 年 2 月 27 日

公開日: 2023 年 3 月 4 日

DOI: https://doi.org/10.1038/s41598-023-30606-y

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。