Language
Comparación de varios algoritmos de aprendizaje automático utilizados para la predicción de la resistencia a la compresión de la fibra de acero
HogarHogar > Noticias > Comparación de varios algoritmos de aprendizaje automático utilizados para la predicción de la resistencia a la compresión de la fibra de acero
ÚLTIMAS NOTICIAS

Comparación de varios algoritmos de aprendizaje automático utilizados para la predicción de la resistencia a la compresión de la fibra de acero

Jan 25, 2024

Scientific Reports volumen 13, Número de artículo: 3646 (2023) Citar este artículo

1578 Accesos

1 Citas

10 Altmetric

Detalles de métricas

La adición de fibras de acero industriales enganchadas (ISF) al concreto aumenta su resistencia a la tracción y la flexión. Sin embargo, la comprensión de la influencia de ISF en el comportamiento de la resistencia a la compresión (CS) del concreto aún es cuestionada por la sociedad científica. El documento presentado tiene como objetivo utilizar algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL) para predecir el CS del hormigón reforzado con fibra de acero (SFRC) que incorpora ISF enganchado en función de los datos recopilados de la literatura abierta. En consecuencia, se recopilan 176 conjuntos de datos de diferentes revistas y documentos de conferencias. Con base en el análisis de sensibilidad inicial, los parámetros más influyentes como la relación agua-cemento (W/C) y el contenido de agregados finos (FA) tienden a disminuir el CS de SFRC. Mientras tanto, el CS de SFRC podría mejorarse aumentando la cantidad de superplastificante (SP), cenizas volantes y cemento (C). Los factores que menos contribuyen incluyen el tamaño máximo de los agregados (Dmax) y la relación longitud-diámetro de los ISF en forma de gancho (L/DISF). Varios parámetros estadísticos también se utilizan como métricas para evaluar el rendimiento de los modelos implementados, como el coeficiente de determinación (R2), el error absoluto medio (MAE) y el error medio cuadrático (MSE). Entre los diferentes algoritmos de ML, la red neuronal convolucional (CNN) con R2 = 0,928, RMSE = 5,043 y MAE = 3,833 muestra una mayor precisión. Por otro lado, el algoritmo K-vecino más cercano (KNN) con R2 = 0,881, RMSE = 6,477 y MAE = 4,648 da como resultado el rendimiento más débil.

ML es una técnica computacional destinada a simular la inteligencia humana y agilizar el proceso de cómputo mediante el aprendizaje y la evolución continuos. Las técnicas de ML se han implementado de manera efectiva en varias industrias, incluidos equipos médicos y biomédicos, entretenimiento, finanzas y aplicaciones de ingeniería. ML se puede usar en ingeniería civil en varios campos, como el desarrollo de infraestructura, el monitoreo de la salud estructural y la predicción de las propiedades mecánicas de los materiales. Más concretamente, se han realizado numerosos estudios para predecir las propiedades del hormigón1,2,3,4,5,6,7

Uno de los inconvenientes del hormigón como material frágil es su baja resistencia a la tracción y su baja capacidad de deformación. Por lo tanto, se agregan varios tipos de fibras para aumentar la capacidad de carga de tracción del concreto. Para generar hormigón reforzado con fibra (FRC), las fibras utilizadas suelen ser cortas, discontinuas y dispersas aleatoriamente por toda la matriz de hormigón8. Hasta ahora, las fibras se han utilizado principalmente para mejorar el comportamiento de los elementos estructurales con fines de servicio. Sin embargo, la adición de ISF al hormigón y la producción del SFRC también pueden proporcionar capacidad de resistencia adicional o actuar como refuerzo principal en elementos estructurales. Hoy en día, para la producción de estructuras de hormigón prefabricadas e in situ, el SFRC está ganando aceptación como (a) refuerzo secundario para escenarios de carga temporal, detención de grietas por contracción, limitación de microfisuras que ocurren durante el transporte o la instalación de elementos prefabricados (como revestimiento de túneles segmentos), (b) sustitución parcial del refuerzo convencional, es decir, sistemas de refuerzo híbridos, y (c) reemplazo total del refuerzo típico en elementos expuestos a compresión, por ejemplo, estructuras de capa delgada, losas apoyadas en el suelo, cimentaciones y revestimientos de túneles9. Sin duda, una de las barreras que ha impedido el uso de fibras en aplicaciones estructurales ha sido la dificultad para calcular las propiedades de FRC (especialmente el comportamiento CS) que deberían incluirse en las técnicas de diseño actuales10.

En consecuencia, se realizaron muchos estudios experimentales para investigar el CS de SFRC. Han et al.11 informaron que la longitud del ISF (LISF) tiene un efecto insignificante en el CS de SFRC. Setti et al.12 también introdujeron ISF con diferentes fracciones de volumen (VISF) al concreto y reportaron la mejora de CS de SFRC al aumentar el contenido de ISF. Zhu et al.13 notaron un aumento lineal de CS al aumentar el VISF de 0 a 2,0%. A pesar de la mejora de CS del hormigón de resistencia normal que incorpora ISF, no se obtiene ningún cambio significativo de CS para mezclas de hormigón de alto rendimiento al aumentar VISF14,15. Esto destaca el papel de otros componentes de la mezcla (como la relación A/C, el tamaño de los agregados y el contenido de cemento) en el comportamiento CS del SFRC. Por lo tanto, debido a la dificultad de la predicción de CS a través del análisis de regresión lineal o no lineal, los modelos basados ​​en datos se ponen en práctica para la predicción precisa de CS de SFRC.

Recientemente, los algoritmos de ML se han utilizado ampliamente para predecir el CS del hormigón. Por ejemplo, se han realizado numerosos estudios1,2,3,7,16,17 para predecir las propiedades mecánicas del hormigón normal (CN). Evidentemente, SFRC comprende una mayor cantidad de componentes que NC, incluidos LISF, L/DISF, tipo de fibra, diámetro de ISF (DISF) y la resistencia a la tracción de ISF. En este sentido, el desarrollo de modelos basados ​​en datos para predecir el CS de SFRC es un enfoque comparativamente novedoso. Kang et al.18 recopilaron conjuntos de datos que contenían 7 características (VISF y L/DISF como las propiedades de las fibras) y desarrollaron 11 diversas técnicas de ML y observaron que los modelos basados ​​en árboles tenían el mejor rendimiento en la predicción del CS de SFRC. Además, se concluyó que la relación W/C y el contenido de humo de sílice tuvieron el mayor impacto en el CS de SFRC. Mahesh et al.19 utilizaron algoritmos ML en un conjunto de datos sin procesar de 140 considerando 8 características diferentes (LISF, VISF y L/DISF como propiedades de la fibra) y concluyeron que la red neuronal artificial (ANN) tuvo el mejor rendimiento en la predicción del CS de SFRC con un coeficiente de regresión de 0,97. Además, en un estudio realizado por Awolusi et al.20 solo se consideraron 3 características (L/DISF como las propiedades de la fibra), y se implementaron ANN y los modelos de algoritmos genéticos para predecir el CS de SFRC. Se observó que, en general, el modelo ANN superó al algoritmo genético en la predicción del CS de SFRC.

De acuerdo con la literatura presentada, la comunidad científica aún no está segura sobre el comportamiento de CS de SFRC. Además, los estudios basados ​​en técnicas de ML que se han realizado para predecir la CS de SFRC son limitados, ya que es difícil recopilar datos experimentales inclusivos para desarrollar modelos con respecto a todas las características que contribuyen (como las propiedades de las fibras, los agregados y las mezclas) . Por lo tanto, el estudio presentado tiene como objetivo comparar varios algoritmos de ML para la predicción de CS de SFRC en función de todos los parámetros influyentes. Para este propósito, se recopilan 176 datos experimentales que contienen 11 características de SFRC de diferentes artículos de revistas. El análisis de sensibilidad primario se lleva a cabo para determinar las características más importantes. Por lo tanto, según la opinión de expertos y el análisis de sensibilidad primario, se omitieron dos características (longitud y resistencia a la tracción de ISF) y solo quedaron nueve características para entrenar los modelos. Luego, se desarrollaron nueve algoritmos de ML bien recibidos sobre los datos y se usaron diferentes métricas para evaluar el rendimiento de estos algoritmos. Además, para evitar el sobreajuste, se implementa el método de validación cruzada dejar uno fuera (LOOCV) y se utilizan 8 métricas diferentes para evaluar la eficiencia de los modelos desarrollados.

Las mezclas de SFRC que contienen ISF enganchado y su CS de 28 días (probado por muestras cúbicas de 150 mm) se recolectaron de la literatura11,13,21,22,23,24,25,26,27,28,29,30,31, 32,33. Algunas de las mezclas se eliminaron por contener fibras de acero reciclado u otros tipos de ISF (como lisos y ondulados). Además, se omitieron algunos otros por no tener la información de los componentes de la mezcla (como FA, SP, etc.). Eventualmente, se omitieron 63 mezclas y se seleccionaron 176 para entrenar los modelos en la predicción del CS de SFRC. Todas estas mezclas tenían algunas características como DMAX, la cantidad de ISF (ISF), L/DISF, C, relación W/C, agregado grueso (CA), FA, SP y cenizas volantes como parámetros de entrada (9 características). Además, el CS de SFRC se consideró como el único parámetro de salida.

La correlación de todos los parámetros entre sí (correlación por pares) se puede ver en la Fig. 1. Además, la Fig. 2 ilustra la correlación entre los parámetros de entrada y el CS de SFRC.

correlación por pares entre variables.

Correlación entre variables numéricas.

El coeficiente de correlación (\(R\)) es una medida estadística que muestra la fuerza de la relación lineal entre dos conjuntos de datos. La ecuación (1) es la covarianza entre dos variables (\(COV_{XY}\)) dividida por sus desviaciones estándar (\(\sigma_{X}\), \(\sigma_{Y}\)). \(R\) muestra la dirección y la fuerza de una relación de dos variables. La relación lineal entre dos variables es más fuerte si \(R\) está cerca de + 1.00 o − 1.00.

Como se puede ver en la Fig. 2, es obvio que el CS aumentó al aumentar el SP (R = 0,792), seguido de las cenizas volantes (R = 0,688) y C (R = 0,501). Mientras que disminuyó al aumentar la relación W/C (R = − 0,786) seguido de FA (R = − 0,521). Sin embargo, el CS de SFRC fue insignificantemente influenciado por DMAX, CA y propiedades de ISF (ISF, L/DISF). Los mismos resultados también son reportados por Kang et al.18.

Las características estadísticas de los parámetros de entrada, incluidos los valores mínimo, máximo, promedio y desviación estándar (SD) de cada parámetro, se pueden observar en la Tabla 1.

De acuerdo con la Tabla 1, los parámetros de entrada no tienen una escala similar. Por lo tanto, los datos deben normalizarse para evitar el efecto de dominancia causado por las diferencias de magnitud entre los parámetros de entrada34. La normalización es una técnica de preparación de datos que convierte los valores del conjunto de datos en una escala estándar. Es esencial tener en cuenta que la normalización generalmente acelera el aprendizaje y conduce a una convergencia más rápida. en consecuencia, se adopta el método de normalización máximo-mínimo para remodelar todos los conjuntos de datos a un rango de \(0\) a \(1\) usando la ecuación. (2) de la siguiente manera:

En algunos estudios34,35,36,37, se utilizaron varias métricas para evaluar suficientemente los modelos realizados y comparar su robustez. En consecuencia, se utilizaron varios parámetros estadísticos como R2, MSE, error porcentual absoluto medio (MAPE), error cuadrático medio (RMSE), error de sesgo promedio (MBE), prueba estadística t (Tstat) e índice de dispersión (SI). . R2 es una métrica que demuestra qué tan bien un modelo predice el valor de una variable dependiente y qué tan bien se ajusta el modelo a los datos. MSE, RMSE, MAE y MBE6 demuestran varios órdenes de errores marcados y no marcados en las predicciones. MAPE es una medida independiente de la escala que se utiliza para evaluar la precisión de los algoritmos. TStat y SI son las medidas no dimensionales que capturan los niveles de incertidumbre en el paso de la predicción. SI es una medida de error estándar, cuyos valores más pequeños indican un rendimiento superior del modelo. Las métricas de evaluación se pueden ver en la Tabla 2, donde \(N\), \(y_{i}\), \(y_{i}^{\prime }\) y \(\overline{y}\) representan la cantidad total de datos, el CS verdadero de la muestra \(i{\text{th}}\), el CS estimado de la muestra \(i{\text{th}}\), y el valor promedio de la valores reales de fuerza, respectivamente.

Para evitar el sobreajuste, el conjunto de datos se dividió en conjuntos de entrenamiento y prueba, con el 80 % de los datos utilizados para entrenar el modelo y el 20 % para probar. Además, se utilizó un tipo específico de algoritmo de validación cruzada (CV) llamado LOOCV (Fig. 3) para validar los datos y ajustar los hiperparámetros. En LOOCV, el número de pliegues es igual al número de instancias en el conjunto de datos (n = 176).

Método de validación cruzada dejar uno fuera.

Como se puede ver en la Tabla 3, en esta investigación se implementaron nueve algoritmos diferentes, incluidos MLR, KNN, SVR, RF, GB, XGB, AdaBoost, ANN y CNN.

MLR es el algoritmo de aprendizaje automático supervisado más sencillo para resolver problemas de regresión. Debido a su simplicidad, este modelo se ha utilizado para predecir la CS del hormigón en numerosos estudios6,18,38,39. MLR predice el valor de la variable dependiente (\(y\)) en función del valor de la variable independiente (\(x\)) al establecer la relación lineal entre las entradas (parámetros independientes) y la salida (parámetro dependiente) en función de Eq . (3):

donde \(\hat{y}\), \(x_{n}\) y \(\alpha\) son el parámetro dependiente, el parámetro independiente y el sesgo, respectivamente18.

El método KNN es una técnica simple de aprendizaje automático supervisado que se puede utilizar para resolver problemas de clasificación y regresión. Este algoritmo intenta determinar el valor de un nuevo punto explorando una colección de conjuntos de entrenamiento ubicados cerca40. Este algoritmo primero calcula la distancia euclidiana de K vecinos. Luego, entre K vecinos, se cuentan los puntos de datos de cada categoría. Finalmente, el modelo se crea asignando los nuevos puntos de datos a la categoría con más vecinos.

El modelo SVR (como se puede ver en la Fig. 4) también se ha utilizado para predecir la CS del hormigón41,42. SVR se considera una técnica de ML supervisada que predice valores discretos. De hecho, SVR trata de determinar la mejor línea de ajuste. La línea que mejor se ajusta en SVR es un hiperplano con el mayor número de puntos. La razón principal para usar un SVR es que el problema puede no ser separable linealmente. En estos casos, se utiliza una SVR con un núcleo no lineal (por ejemplo, una función de base radial). En SVR, \(\{ x_{i} ,y_{i} \} ,i = 1,2,...,k\) es el conjunto de entrenamiento, donde \(x_{i}\) y \(y_ {i}\) son los valores de entrada y salida, respectivamente. Además, la función de regresión es \(y = \left\langle {\alpha,x} \right\rangle + \beta\) y el objetivo de SVR es aplanar la función lo más posible18.

Modelo de regresión vectorial de soporte.

Todos los modelos basados ​​en árboles se pueden aplicar a problemas de regresión (predicción de valores numéricos) o clasificación (predicción de valores categóricos). En la investigación actual, se utilizaron modelos basados ​​en árboles (GB, XGB, RF y AdaBoost) para predecir el CS de SFRC. Entre estas técnicas, AdaBoost es el algoritmo de impulso más directo que se basa en la idea de que se puede hacer una regla de predicción muy precisa al combinar muchas regulaciones menos precisas43. Además, GB es un modelo de desarrollo de AdaBoost, un metaestimador que consta de muchos árboles de decisión secuenciales que utilizan un método paso a paso para construir un modelo aditivo6. XGB hace que GB sea más regular y controla el sobreajuste al aumentar la capacidad de generalización6. RF consta de muchos árboles de decisión paralelos y calcula el promedio de modelos ajustados en diferentes subconjuntos del conjunto de datos para mejorar la precisión de la predicción6.

El uso de un algoritmo ANN (Fig. 5) como una poderosa herramienta para estimar el CS del hormigón es ahora bien conocido6,38,44,45. El funcionamiento del cerebro se utiliza como base para el desarrollo de ANN6. ANN se puede utilizar para modelar patrones complicados y predecir problemas. El modelo ANN consta de neuronas, pesos y funciones de activación18. los valores de entrada se ponderan y se suman utilizando la ecuación. (4).

donde \(x_{i} ,w_{ij} ,net_{j} ,\) y \(b\) son los valores de entrada, el peso de cada señal, la suma ponderada de \(j{\text{th }}\) neurona y sesgo, respectivamente18. En el estudio actual, el modelo ANN estaba compuesto por una capa de salida y cuatro capas ocultas con 50, 150, 100 y 150 neuronas cada una. Hay una capa de abandono después de cada capa oculta (la capa de abandono establece las unidades de entrada en cero al azar con una tasa de frecuencia en cada paso de entrenamiento, evitando así el sobreajuste). Adam fue seleccionado como la función de optimización con una tasa de aprendizaje de 0,01. Es fundamental señalar que se utilizó el enfoque MSE como función de pérdida durante todo el proceso de optimización. La Tabla 3 muestra los resultados del uso de una cuadrícula y una búsqueda aleatoria para ajustar los otros hiperparámetros.

Modelo de red neuronal artificial.

En los últimos años, el algoritmo CNN (Fig. 6) se ha utilizado cada vez más para predecir la CS del hormigón34,46,47,48,49. El modelo CNN es una nueva arquitectura para DL que se compone de varias capas que procesan y transforman una entrada para producir una salida. En el estudio actual, la arquitectura utilizada se componía de una capa convolucional unidimensional, una capa de agrupación máxima unidimensional, una capa de agrupación promedio unidimensional y una capa totalmente conectada. Además, se utilizó ReLU como función de activación para cada capa convolucional y la función de Adam como optimizador. La Tabla 3 muestra los hiperparámetros modificados de cada capa convolucional, aplanada, oculta y de agrupación, incluido el tamaño del kernel y del filtro y la tasa de aprendizaje.

Modelo de red neuronal convolucional.

Para ajustar los hiperparámetros del conjunto de validación, se utilizaron algoritmos de búsqueda aleatoria y de búsqueda en cuadrícula. La Tabla 3 proporciona información detallada sobre los hiperparámetros sintonizados de cada modelo. El trabajo presentado utiliza el lenguaje de programación Python y la plataforma TensorFlow, así como el paquete Scikit-learn.

El CS de SFRC se predijo a través de varias técnicas de ML como se describe en la sección "Algoritmos implementados". Los valores pronosticados se compararon con los valores reales para demostrar la viabilidad de los algoritmos de ML (Fig. 7). Como puede verse en la Tabla 4, el rendimiento de los algoritmos implementados se evaluó utilizando varias métricas.

Desempeño de algoritmos implementados en la predicción de CS de esconcreto reforzado con fibra de acero (SFRC).

Como la técnica de ML más simple, se implementó MLR para predecir el CS de SFRC y mostró un R2 de 0,888, un RMSE de 6,301 y un MAE de 5,317. Al-Abdaly et al.50 informaron que el algoritmo MLR (con R2 = 0,64, RMSE = 8,68, MAE = 5,66) tuvo un desempeño deficiente en la predicción del comportamiento de CS de SFRC. Khademi et al.51 utilizaron MLR para predecir el CS de NC y encontraron que no puede considerarse un modelo preciso (con R2 = 0,518). Además, de acuerdo con los resultados informados por Kang et al.18, se demostró que el uso de MLR condujo a una diferencia significativa entre los valores reales y predichos para la predicción de CS de SFRC (RMSE = 12.4273, MAE = 11.3765). Hameed et al.52 desarrollaron un modelo MLR para predecir la CS del hormigón de alto rendimiento (HPC) y observaron que la MLR tenía una correlación deficiente entre la CS real y la prevista de HPC (R = 0,789, RMSE = 8,288). Por lo tanto, con base en el desempeño de MLR en la predicción CS de SFRC y la consistencia con estudios previos (en el uso de MLR para predecir el CS de NC, HPC y SFRC), se sugirió que, debido a la complejidad de la correlación entre el CS y las propiedades de la mezcla de concreto, los modelos lineales (como MLR) no pudieron explicar la complicada relación entre las variables independientes. Entonces, se propusieron e implementaron modelos ML más complejos como KNN, modelos basados ​​en árboles SVR, ANN y CNN para estudiar el CS de SFRC.

KNN (R2 = 0,881, RMSE = 6,477, MAE = 4,648) mostró una menor precisión en comparación con MLR en la predicción del CS de SFRC. Kang et al.18 observaron que KNN predijo la CS de SFRC con una gran diferencia entre los valores reales y predichos. Asadi et al.6 también informaron que KNN tuvo un desempeño deficiente en la predicción de la CS del concreto que contenía polvo de mármol de desecho. Además, Hadzima-Nyarko et al.53 predijeron la CS del hormigón cauchutado utilizando el algoritmo KNN, y se informó que KNN podría no ser apropiado para estimar la CS del hormigón que contiene residuos de caucho (RMSE = 8,725, MAE = 5,87). Por lo tanto, de acuerdo con los resultados de KNN en la predicción del CS de SFRC y la compatibilidad con estudios previos (al usar el KNN para predecir el CS de varios tipos concretos), se observó que, al igual que MLR, la técnica KNN no podía funcionar de manera prometedora en la predicción del CS. de la SFRC. Esto puede referirse al hecho de que KNN considera todas las características por igual, incluso si todas contribuyen de manera diferente al SC de concrete6.

En comparación con los algoritmos de ML anteriores (MLR y KNN), el rendimiento de SVR fue mejor (R2 = 0,918, RMSE = 5,397, MAE = 4,559). Además, Kang et al.18 informaron una diferencia significativa entre los valores reales y predichos al predecir el CS de SFRC (RMSE = 18.024). Para la predicción del comportamiento de CS de NC, Kabirvu et al.5 implementaron SVR y observaron que SVR mostró una alta precisión (con R2 = 0.97). Mientras que Koya et al.39 y Li et al.54 informaron que la RVS mostró una alta diferencia entre los valores experimentales y anticipados en la predicción de la CS de NC. Con base en los resultados obtenidos de la implementación de SVR para predecir el CS de SFRC y los resultados de estudios previos en el uso de SVR para predecir el CS de NC y SFRC, se concluyó que en algunas investigaciones, SVR demostró un rendimiento aceptable. Por el contrario, otros informaron que SVR mostró un rendimiento débil en la predicción de la CS del hormigón. Esto puede deberse a la diferencia en el número de parámetros de entrada.

Según los resultados de este estudio, los modelos basados ​​en árboles funcionaron peor que SVR en la predicción del CS de SFRC. Sin embargo, vale la pena señalar que su desempeño en la predicción del CS de SFRC fue superior al de KNN y MLR. Entre estos modelos basados ​​en árboles, AdaBoost (con R2 = 0,888, RMSE = 6,29, MAE = 4,433) y XGB (con R2 = 0,901, RMSE = 5,929, MAE = 4,288) fueron los modelos más débiles y fuertes para predecir el CS de SFRC , respectivamente. Como informan Kang et al.18, entre los modelos basados ​​en árboles implementados, XGB se desempeñó de manera superior en la predicción del CS de SFRC. Al-Abdaly et al.50 también informaron que RF (R2 = 0,88, RMSE = 5,66, MAE = 3,8) funcionó mejor que MLR (R2 = 0,64, RMSE = 8,68, MAE = 5,66) en la predicción del CS de SFRC. Khan et al.55 también informaron que RF (R2 = 0,96, RMSE = 3,1) mostró resultados más aceptables que XGB y GB con un R2 de 0,9 y 0,95 en la predicción CS de SFRC, respectivamente. Además, Nguyen-Sy et al.56 y Rathakrishnan et al.57, después de implementar el XGB, observaron que el XGB era el mejor modelo para predecir el CS de NC. Por lo tanto, con base en los resultados de la técnica basada en árboles para predecir el CS de SFRC y la compatibilidad con estudios previos en el uso de modelos basados ​​en árboles para predecir el CS de varios tipos de hormigón (SFRC y NC), se concluyó que los modelos basados ​​en árboles (especialmente XGB) mostró un buen desempeño.

Se observó que ANN (con R2 = 0.896, RMSE = 6.056, MAE = 4.383) se desempeñó mejor que MLR, KNN y modelos basados ​​en árboles (excepto XGB) en la predicción del CS de SFRC, pero su precisión fue menor que la SVR y técnicas XGB (tanto en conjuntos de validación como de prueba). Mahesh et al.19 observaron que después de ajustar el modelo (número de capas ocultas = 20, función de activación = Tansin Purelin), ANN mostró un rendimiento superior en la predicción del CS de SFRC (R2 = 0,95). Karahan et al.58 implementaron ANN con la variante de Levenberg-Marquardt como algoritmo de aprendizaje de retropropagación e informaron que ANN predijo con precisión el CS de SFRC (R2 = 0,96). Asadi et al.6 también usaron ANN para estimar el CS de NC que contenía polvo de mármol de desecho (se usó LOOCV para ajustar los hiperparámetros) e informaron que en el conjunto de validación, ANN no pudo alcanzar un R2 tan alto como GB y XGB. Sin embargo, ANN se desempeñó con precisión al predecir el CS de NC al incorporar polvo de mármol de desecho (R2 = 0,97) en el conjunto de prueba. Finalmente, se observa que ANN tiene un desempeño más débil que SVR y XGB en términos de R2 en el conjunto de validación debido a la no convexidad de la superficie de pérdida del perceptrón multicapa. En consecuencia, con frecuencia se requiere ubicar un máximo local cerca del mínimo global59. Por lo tanto, después de cada sesión de entrenamiento del modelo, la generalización de la muestra reservada puede ser deficiente, lo que reduce el R2 en el conjunto de validación 6. Sin embargo, se sugiere que ANN se puede utilizar para predecir el CS de SFRC.

Eventualmente, entre todos los algoritmos de ML desarrollados, CNN (con R2 = 0,928, RMSE = 5,043, MAE = 3,833) demostró un rendimiento superior en la predicción del CS de SFRC. En comparación con los otros métodos discutidos, CNN pudo predecir con precisión la CS de SFRC con un grado de dispersión significativamente reducido en las figuras que muestran la relación entre la CS real y la esperada de SFRC. Utilizando el modelo de CNN, Chen et al.34 informaron que CNN podría mostrar un excelente rendimiento en la predicción del CS de SFRS y NC. Deng et al.47 también observaron que la CNN predecía mejor la CS del hormigón reciclado (error relativo medio = 3,65) que otros métodos. Finalmente, los resultados de la técnica CNN fueron consistentes con los estudios previos, y CNN se desempeñó de manera eficiente en la predicción del CS de SFRC.

La Tabla 4 indica el rendimiento de los modelos de ML según varias métricas de evaluación. Se observa que en los modelos de comparación con R2, MSE, RMSE y SI, CNN muestra el mejor resultado en la predicción del CS de SFRC, seguido de SVR y XGB. Por el contrario, KNN muestra el peor rendimiento entre los modelos ML desarrollados en la predicción del CS de SFRC. Comparando los algoritmos de ML implementados en términos de Tstat, se observa que XGB muestra el mejor rendimiento, seguido de ANN y SVR en la predicción del CS de SFRC. Sin embargo, con respecto a Tstat, los resultados muestran que el rendimiento de CNN fue aproximadamente un 58 % inferior al de XGB. Al comparar los modelos ML con respecto a MAE y MAPE, se ve que CNN tiene un desempeño superior en la predicción del CS de SFRC, seguido de GB y XGB. Por otro lado, MLR muestra el MAE más alto al predecir el CS de SFRC. En términos de MBE, XGB alcanzó el valor mínimo de MBE, seguido de ANN, SVR y CNN.

La figura 8 muestra la variabilidad de los errores residuales (CS real-CS previsto) para todos los modelos aplicados. Si hay una fluctuación menor en el error residual y los errores residuales fluctúan alrededor de cero, el modelo funcionará mejor. Por lo tanto, como se puede percibir en la Fig. 8, el SVR tuvo el rendimiento más destacado y la menor tasa de fluctuación de error residual, seguido por RF. Por el contrario, el XGB y el KNN tuvieron la tasa de fluctuación más considerable. Además, CNN logró una fluctuación de error residual un 28 % más baja que SVR.

Fluctuaciones de errores (CS real-CS previsto) para diferentes algoritmos.

Como se muestra en la Fig. 9, los rangos intercuartílicos mínimo y máximo (IQR) pertenecen a AdaBoost y MLR, respectivamente. En términos de comparación de algoritmos ML con respecto al índice IQR, el modelado CNN mostró una dispersión de error de aproximadamente un 31 % más baja que la técnica SVR. Además, la predicción de CNN y XGB produjo dos valores atípicos más que los errores residuales de SVR, RF y MLR (cero valores atípicos). Mientras tanto, AdaBoost predijo el CS de SFRC con una gama más amplia de errores.

Distribuciones de errores en MPa (CS actual–CS previsto) para varios métodos.

La Figura 10 también ilustra la distribución normal del error residual de los modelos sugeridos para la predicción CS de SFRC. Si la distribución del error residual de un modelo está más cerca de la distribución normal, existe una mayor probabilidad de que ocurran errores de predicción alrededor del valor medio6. En base a esto, CNN tuvo la distribución más cercana a la distribución normal y produjo los mejores resultados para predecir el CS de SFRC, seguido por SVR y RF. En general, es posible concluir que CNN produce predicciones más precisas del CS de SFRC con menos incertidumbre, seguido por SVR y XGB.

Distribución normal de errores (CS actual–CS previsto) para diferentes métodos.

El análisis de sensibilidad investiga la magnitud de la importancia de los parámetros de entrada con respecto al parámetro de salida. La importancia de las características de los algoritmos de ML se comparó en la Fig. 11. El análisis de sensibilidad demostró que, entre las diferentes variables de entrada, la relación W/C, las cenizas volantes y SP tuvieron el efecto que más contribuyó al comportamiento de CS de SFRC, seguido por el cantidad de FSI. Entre estos parámetros, se encontró comúnmente que la relación W/C es el parámetro más significativo que afecta el CS de SFRC (a medida que aumenta la relación W/C, se incrementará el CS de SFRC). Knag et al.18 informaron que el humo de sílice, la relación W/C y DMAX son los parámetros más influyentes que predicen el CS de SFRC. Además, las características de ISF (VISF, L/DISF) tienen un efecto menor en el CS de SFRC. Li et al.54 notaron que el CS de SFRC aumentó con cantidades crecientes de C y humo de sílice, y disminuyó con cantidades crecientes de agua y SP. Por lo tanto, según el análisis de sensibilidad, los algoritmos de ML para predecir el CS de SFRC pueden considerarse razonables.

Importancia de la característica de CS utilizando varios algoritmos.

Se llevó a cabo un análisis paramétrico para determinar qué tan bien los algoritmos de ML desarrollados pueden predecir el efecto de varios parámetros de entrada en el comportamiento de CS de SFRC. Para realizar el análisis paramétrico para analizar la influencia de un parámetro específico (por ejemplo, relación W/C) en el CS previsto de SFRC, se consideraron los valores reales de ese parámetro (relación W/C), mientras que los valores medios para todos se introdujeron los valores de los demás parámetros de entrada. El procedimiento implementado también se repitió para otros parámetros, considerando los tres algoritmos mejor realizados, que son SVR, XGB y ANN. Este método también ha sido utilizado en otros trabajos de investigación como el realizado por Khan et al.60. El resultado de este análisis se puede ver en la Fig. 12.

Análisis paramétrico entre parámetros y CS predicho en varios algoritmos.

Como se muestra en la Fig. 12, la relación W/C es el parámetro que afecta intensamente el CS predicho. En otras palabras, el CS predicho disminuye a medida que aumenta la relación W/C. En general, los modelos ML desarrollados pueden predecir con precisión el efecto de la relación W/C en el CS predicho. Además, entre los tres modelos de ML propuestos aquí, SVR demuestra un rendimiento superior en la estimación de la influencia de la relación W/C en el CS previsto de SFRC con una correlación de R = − 0,999, seguido por CNN con una correlación de R = − 0,96 . El rendimiento del algoritmo XGB también es razonable al dar como resultado un valor de R = − 0,867 para la correlación.

Además, la Fig. 12 ilustra el impacto de SP en el CS previsto de SFRC. Como se puede ver en la Fig. 12, el SP tiene un impacto medio en el CS previsto de SFRC. Además, entre los modelos de ML propuestos, SVR se desempeñó mejor en la predicción de la influencia del SP en el CS predicho de SFRC con una correlación de R = 0,999, seguido por CNN y XGB con una correlación de R = 0,992 y R = 0,95, respectivamente. .

Sin embargo, se muestra que la débil correlación entre la cantidad de ISF en la mezcla de SFRC y el CS previsto. Esto indica que el CS de SFRC no se puede predecir solo por la cantidad de ISF en la mezcla. En otras palabras, en la predicción CS de SFRC, se deben presentar todos los componentes de las mezclas (como los algoritmos ML desarrollados en el estudio actual).

El impacto de las cenizas volantes en el CS previsto de SFRC se puede ver en la Fig. 12. Los tres algoritmos de ML propuestos demuestran un rendimiento superior en la predicción de la correlación entre la cantidad de cenizas volantes y el CS previsto de SFRC. Significa que todos los modelos ML han podido predecir el efecto de las cenizas volantes en el CS de SFRC. Además, es importante mencionar que solo el 26% de las mezclas presentadas contenían cenizas volantes, y los resultados obtenidos fueron acordes a estas mezclas. Por lo tanto, estos resultados pueden tener deficiencias.

Según los modelos desarrollados para predecir la CS de SFRC (Fig. 12), C, DMAX, L/DISF y CA tienen un efecto relativamente pequeño en la CS. Además, los resultados muestran que el aumento de la cantidad de FA provoca una disminución de la CS de SFRC (Fig. 12). Todos estos resultados son consistentes con los resultados del análisis de sensibilidad, que se presenta en la Fig. 11, y la correlación entre los parámetros de entrada y el CS de SFRC que se muestra en las Figs. 1 y 2

Este estudio modeló y predijo el CS de SFRC usando varios algoritmos de ML como MLR, modelos basados ​​en árboles, SVR, KNN, ANN y CNN. De la literatura abierta, se recopiló un conjunto de datos que incluía 176 conjuntos de pruebas de compresión de concreto diferentes. Esta investigación lleva a las siguientes conclusiones:

Entre las diversas técnicas de ML utilizadas en esta investigación, CNN logró un rendimiento superior (R2 = 0,928, RMSE = 5,043, MAE = 3,833), seguida de SVR (R2 = 0,918, RMSE = 5,397, MAE = 4,559). Por el contrario, KNN (R2 = 0,881, RMSE = 6,477, MAE = 4,648) mostró el desempeño más débil en la predicción de la CS de SFRC.

Los modelos basados ​​en árboles funcionaron peor que SVR en la predicción del CS de SFRC. Sin embargo, su desempeño en la predicción del CS de SFRC fue superior al de KNN y MLR.

Las capacidades de los algoritmos de ML se demostraron mediante un análisis de sensibilidad y un análisis paramétrico. Se observó que, entre las propiedades de la mezcla de concreto, la relación A/C, las cenizas volantes y el SP tuvieron el efecto más significativo en la CS del SFRC (la relación A/C fue el parámetro más efectivo). Además, C, DMAX, L/DISF y CA tienen un efecto relativamente pequeño en el CS de SFRC.

De acuerdo con los resultados obtenidos del análisis paramétrico, entre los modelos desarrollados, SVR puede predecir con precisión el impacto de la relación W/C, SP y las cenizas volantes en el CS de SFRC, seguido por CNN.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado. Los datos sin procesar también están disponibles del autor correspondiente a pedido razonable.

Chou, J.-S. & Pham, A.-D. Inteligencia artificial mejorada para el enfoque de conjunto para predecir la resistencia a la compresión del hormigón de alto rendimiento. Constr. Construir. Mate. 49, 554–563 (2013).

Artículo Google Académico

Chou, J.-S., Tsai, CF.-F., Pham, A.-D. & Lu, Y.-H. Aprendizaje automático en simulaciones de resistencia del hormigón: análisis de datos multinacionales. Constr. Construir. Mate. 73, 771–780 (2014).

Artículo Google Académico

Duan, J., Asteris, PG, Nguyen, H., Bui, X.-N. & Moayedi, H. Una nueva técnica de inteligencia artificial para predecir la resistencia a la compresión del hormigón con agregados reciclados utilizando el modelo ICA-XGBoost. Ing. computar 37(4), 3329–3346 (2021).

Artículo Google Académico

Gupta, S. Modelado de la resistencia del hormigón basado en máquinas de vectores de soporte. Academia Mundial. ciencia Ing. Tecnología 36(1), 305–311 (2007).

MathSciNet Google Académico

Kabiru, OA, Owolabi, TO, Ssennoga, T. & Olatunji, SO Comparación de rendimiento de SVM y ANN en la predicción de la resistencia a la compresión del hormigón (2014).

Shamsabadi, EA et al. Modelado de la resistencia a la compresión del hormigón basado en el aprendizaje automático que incorpora polvo de mármol de desecho. Constr. Construir. Mate. 324, 126592 (2022).

Artículo Google Académico

Young, BA, Hall, A., Pilon, L., Gupta, P. & Sant, G. ¿Se puede estimar la resistencia a la compresión del concreto a partir del conocimiento de las proporciones de la mezcla?: Nuevos conocimientos del análisis estadístico y métodos de aprendizaje automático. cem. concr. Res. 115, 379–388 (2019).

Artículo CAS Google Académico

Behbahani, H., Nematollahi, B. & Farasatpour, M. Hormigón reforzado con fibra de acero: una revisión (2011).

Marcos-Mesón, V. et al. Resistencia a la corrosión del concreto reforzado con fibra de acero: una revisión de la literatura. cem. concr. Res. 103, 1–20 (2018).

Artículo CAS Google Académico

de Montaignac, R., Massicotte, B., Charron, J.-P. & Nour, A. Diseño de elementos estructurales de SFRC: medición de la resistencia a la tracción posterior al agrietamiento. Mate. Estructura. 45(4), 609–622 (2012).

Artículo Google Académico

Han, J., Zhao, M., Chen, J. & Lan, X. Efectos de la longitud de la fibra de acero y el tamaño máximo del agregado grueso en las propiedades mecánicas del concreto reforzado con fibra de acero. Constr. Construir. Mate. 209, 577–591 (2019).

Artículo Google Académico

Setti, F., Ezziane, K. & Setti, B. Investigación de las características mecánicas y el efecto del tamaño de la muestra del hormigón armado con fibras de acero. J. Adhes. ciencia Tecnología 34(13), 1426–1441 (2020).

Artículo CAS Google Académico

Zhu, H., Li, C., Gao, D., Yang, L. y Cheng, S. Estudio sobre las propiedades mecánicas y la relación de resistencia entre probetas cúbicas y cilíndricas de hormigón armado con fibras de acero. Adv. mecánico Ing. 11(4), 1687814019842423 (2019).

Artículo Google Académico

Lee, S.-C., Oh, J.-H. & Cho, J.-Y. Comportamiento a compresión del hormigón reforzado con fibras con fibras de acero en los extremos. Materiales 8(4), 1442–1458 (2015).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Ren, G., Wu, H., Fang, Q. y Liu, J. Efectos del contenido y tipo de fibra de acero en las propiedades mecánicas estáticas de UHPCC. Constr. Construir. Mate. 163, 826–839 (2018).

Artículo Google Académico

Deepa, C., SathiyaKumari, K. & Sudha, VP Predicción de la resistencia a la compresión de mezclas de concreto de alto rendimiento utilizando modelos basados ​​en árboles. En t. J. Cómputo. aplicación 6(5), 18–24 (2010).

Google Académico

Erdal, HI Conjuntos híbridos y de dos niveles de árboles de decisión para la predicción de la resistencia a la compresión del hormigón de alto rendimiento. Ing. aplicación Artefacto Intel. 26(7), 1689–1697 (2013).

Artículo Google Académico

Kang, M.-C., Yoo, D.-Y. & Gupta, R. Predicción basada en el aprendizaje automático para las resistencias a la compresión y a la flexión del hormigón reforzado con fibra de acero. Constr. Construir. Mate. 266, 121117 (2021).

Artículo Google Académico

Mahesh, R. & Sathyan, D. Modelado de las propiedades endurecidas del hormigón reforzado con fibra de acero utilizando ANN. Mate. Hoy Proc. 49, 2081–2089 (2022).

Artículo Google Académico

Awolusi, T., Oke, O., Akinkurolere, O., Sojobi, A. & Aluko, O. Comparación de rendimiento de algoritmos de entrenamiento de redes neuronales en las propiedades de modelado de hormigón reforzado con fibra de acero. Heliyon 5(1), e01115 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Al-Baghdadi, HM, Al-Merib, FH, Ibrahim, AA, Hassan, RF y Hussein, HH Efectos del tamaño máximo del agregado grueso en el desempeño del concreto reforzado con fibra de acero/sintético con diferentes parámetros de fibra. Edificios 11(4), 158 (2021).

Artículo Google Académico

Atiş, CD & Karahan, O. Propiedades del hormigón con cenizas volantes reforzado con fibra de acero. Constr. Construir. Mate. 23(1), 392–399 (2009).

Artículo Google Académico

Caggiano, A., Folino, P., Lima, C., Martinelli, E. & Pepe, M. Sobre la respuesta mecánica del hormigón armado híbrido con fibras de acero reciclado e industrial. Constr. Construir. Mate. 147, 286–295 (2017).

Artículo Google Académico

Graeff, A. G., Pilakoutas, K., Lynsdale, C. & Neocleous, K. Durabilidad a la corrosión del hormigón reforzado con fibra de acero reciclado. Intersecarse. Intersecarse. 6(4) (2009).

Hu, H., Papastergiou, P., Angelakopoulos, H., Guadagnini, M. y Pilakoutas, K. Propiedades mecánicas del SFRC utilizando fibras de acero para neumáticos fabricadas y recicladas mezcladas. Constr. Construir. Mate. 163, 376–389 (2018).

Artículo Google Académico

Jamshidi Avanaki, M., Abedi, M., Hoseini, A. y Maerefat, MS Efectos de la fracción de volumen de fibra y la relación de aspecto sobre las propiedades mecánicas del hormigón armado con fibra de acero híbrido. Nuevos enfoques Civ. Ing. 2(2), 49–64 (2018).

Google Académico

Leone, M., Centonze, G., Colonna, D., Micelli, F. & Aiello, M. Hormigón reforzado con fibra con bajo contenido de fibra de acero reciclado: Comportamiento a cortante. Constr. Construir. Mate. 161, 141–155 (2018).

Artículo Google Académico

Leone, M., Centonze, G., Colonna, D., Micelli, F. & Aiello, MA Estudio experimental sobre el comportamiento de adherencia en hormigón reforzado con fibra con bajo contenido de fibra de acero reciclado. J.Mater. civ. Ing. 28(9), 04016068 (2016).

Artículo Google Académico

Martinelli, E., Caggiano, A. & Xargay, H. Un estudio experimental sobre el comportamiento posterior a la fisuración del hormigón híbrido reforzado con fibra de acero industrial/reciclado. Constr. Construir. Mate. 94, 290–298 (2015).

Artículo Google Académico

Olivito, R. & Zuccarello, F. Un estudio experimental sobre la resistencia a la tracción del hormigón armado con fibras de acero. compos. Ing. B. 41(3), 246–255 (2010).

Artículo Google Académico

Sanjeev, J. & Nitesh, KS Estudio sobre el efecto del acero y las fibras de vidrio en las propiedades frescas y endurecidas del hormigón vibrado y el hormigón autocompactante. Mate. Hoy Proc. 27, 1559-1568 (2020).

Artículo CAS Google Académico

Skarżyński, Ł & Suchorzewski, J. Propiedades mecánicas y de fractura del concreto reforzado con fibras de acero industriales y recicladas utilizando la técnica de Correlación de Imagen Digital y tomografía micro computarizada de rayos X. Constr. Construir. Mate. 183, 283–299 (2018).

Artículo Google Académico

Zhang, Y. & Gao, L. Influencia de las fibras de acero recicladas de neumáticos en la resistencia y el comportamiento de flexión del hormigón armado. Adv. Mate. ciencia Ing. 2020, 1–7 (2020).

Artículo MathSciNet CAS Google Académico

Chen, H., Yang, J. & Chen, X. Un enfoque de aprendizaje profundo basado en convolución para estimar la resistencia a la compresión del hormigón reforzado con fibras a temperaturas elevadas. Constr. Construir. Mate. 313, 125437 (2021).

Artículo Google Académico

Dao, DV, Ly, H.-B., Vu, H.-LT, Le, T.-T. & Pham, BT Investigación y optimización de la estructura C-ANN en la predicción de la resistencia a la compresión del hormigón celular. Materiales 13(5), 1072 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Golafshani, EM, Behnood, A. & Arashpour, M. Predicción de la resistencia a la compresión de hormigones normales y de alto rendimiento utilizando ANN y ANFIS hibridados con Grey Wolf Optimizer. Constr. Construir. Mate. 232, 117266 (2020).

Artículo Google Académico

Kandiri, A., Golafshani, EM & Behnood, A. Estimación de la resistencia a la compresión de hormigones que contienen escoria de alto horno granulada molida utilizando un algoritmo ANN multiobjetivo híbrido y un enjambre de salpas. Constr. Construir. Mate. 248, 118676 (2020).

Artículo Google Académico

Güçlüer, K., Özbeyaz, A., Göymen, S. & Günaydın, O. Una investigación comparativa utilizando métodos de aprendizaje automático para la estimación de la resistencia a la compresión del hormigón. Mate. Hoy Comun. 27, 102278 (2021).

Artículo Google Académico

Koya, BP, Aneja, S., Gupta, R. & Valeo, C. Análisis comparativo de diferentes algoritmos de aprendizaje automático para predecir las propiedades mecánicas del hormigón. mecánico Adv. Mate. Estructura. 1–18 (2021).

de-Prado-Gil, J., Palencia, C., Silva-Monteiro, N. & Martínez-García, R. Para predecir la resistencia a la compresión del hormigón autocompactante con áridos reciclados utilizando modelos de aprendizaje automático de conjuntos. Estudio de caso. Constr. Mate. 16, e01046 (2022).

Google Académico

Azimi-Pour, M., Eskandari-Naddaf, H. & Pakzad, A. Predicción de SVM lineal y no lineal para propiedades frescas y resistencia a la compresión de hormigón autocompactante de alto volumen de cenizas volantes. Constr. Construir. Mate. 230, 117021 (2020).

Artículo Google Académico

Tanyildizi, H. Predicción de las propiedades de resistencia del hormigón ligero reforzado con fibra de carbono expuesto a altas temperaturas utilizando una red neuronal artificial y una máquina de vectores de soporte. Adv. civ. Ing. 2018, 1–10 (2018).

Artículo Google Académico

Schapire, RE Explicando adaboost. En inferencia empírica: Festschrift en honor de Vladimir N. Vapnik 37–52 (2013).

Huang, J., Liew, J. y Liew, K. Enfoque de aprendizaje automático basado en datos para explorar y evaluar las propiedades mecánicas de los compuestos de cemento reforzados con nanotubos de carbono. compos. Estructura. 267, 113917 (2021).

Artículo CAS Google Académico

Canción, H. et al. Predicción de la resistencia a la compresión del hormigón con mezcla de cenizas volantes utilizando algoritmos de aprendizaje automático. Constr. Construir. Mate. 308, 125021 (2021).

Artículo CAS Google Académico

Abuodeh, OR, Abdalla, JA y Hawileh, RA Evaluación de la resistencia a la compresión del hormigón de ultra alto rendimiento utilizando técnicas de aprendizaje automático profundo. aplicación Cómputo suave. 95, 106552 (2020).

Artículo Google Académico

Deng, F. et al. Predicción de la resistencia a la compresión del hormigón reciclado basada en el aprendizaje profundo. Constr. Construir. Mate. 175, 562–569 (2018).

Artículo Google Académico

Jang, Y., Ahn, Y. & Kim, HY Estimación de la resistencia a la compresión del hormigón utilizando redes neuronales convolucionales profundas con imágenes de microscopio digital. J. Cómputo. civ. Ing. 33(3), 04019018 (2019).

Artículo Google Académico

Ly, H.-B., Nguyen, T.-A. & Tran, VQ Desarrollo de un modelo de red neuronal profunda para predecir la resistencia a la compresión del hormigón de caucho. Constr. Construir. Mate. 301, 124081 (2021).

Artículo Google Académico

Al-Abdaly, NM, Al-Taai, SR, Imran, H. e Ibrahim, M. Desarrollo del modelo de predicción de la resistencia a la compresión del hormigón reforzado con fibra de acero mediante el algoritmo de bosque aleatorio combinado con el ajuste de hiperparámetros y la validación cruzada de k-fold. Este. EUR. J. Enterp. Tecnología 5(7), 113 (2021).

Google Académico

Khademi, F., Akbari, M. y Jamal, SM Predicción de la resistencia a la compresión del hormigón mediante modelos basados ​​en datos. Yo administro J Civ Eng 5(2), 16–23 (2015).

Google Académico

Hameed, MM & AlOmar, MK Predicción de la resistencia a la compresión del hormigón de alto rendimiento: Técnica de inteligencia artificial híbrida. InInternational Conference on Applied Computing to Support Industry: Innovation and Technology 323–335 (Springer, 2019).

Hadzima-Nyarko, M., Nyarko, EK, Lu, H. y Zhu, S. Enfoques de aprendizaje automático para la estimación de la resistencia a la compresión del hormigón. EUR. física J. Plus 135(8), 682 (2020).

Artículo CAS Google Académico

Li, Y. et al. Resistencia a la compresión del hormigón reforzado con fibra de acero empleando técnicas de aprendizaje automático supervisado. Materiales 15(12), 4209 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Khan, K. et al. Estimación de la resistencia a la compresión de las interacciones entre el hormigón reforzado con fibra de acero y la materia prima utilizando algoritmos avanzados. Polímeros 14(15), 3065 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Nguyen-Sy, T. et al. Predicción de la resistencia a la compresión del hormigón a partir de sus composiciones y edad utilizando el método de aumento de gradiente extremo. Constr. Construir. Mate. 260, 119757 (2020).

Artículo Google Académico

Rathakrishnan, V., Beddu, S. y Ahmed, AN Estudios de comparación entre técnicas de optimización de aprendizaje automático para predecir la resistencia a la compresión del hormigón (2021).

Karahan, O., Tanyildizi, H. & Atis, CD Un enfoque de red neuronal artificial para la predicción de las propiedades de resistencia a largo plazo del hormigón reforzado con fibra de acero que contiene cenizas volantes. J. Universidad de Zhejiang. ciencia A 9(11), 1514–1523 (2008).

Artículo MATEMÁTICAS Google Académico

Choromanska, A., Henaff, M., Mathieu, M., Arous, GB y LeCun, Y. Las superficies de pérdida de las redes multicapa. En Inteligencia Artificial y Estadística 192–204. PMLR (2015)

Khan, MA et al. Resistencia a la compresión del hormigón de geopolímero a base de cenizas volantes mediante programación de expresión génica y bosque aleatorio. Adv. civ. Ing. 2021, 1–17 (2021).

Google Académico

Descargar referencias

Departamento de Ingeniería Civil, Facultad de Ingeniería, Universidad Ferdowsi de Mashhad, Mashhad, Irán

Seyed Soroush Pakzad, Naeim Roshan y Mansour Ghalehnovi

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

SSP: Investigación, Conceptualización, Metodología, Curación de datos, Análisis formal, Redacción—Borrador original; NR: Conceptualización, Metodología, Investigación, Curación de Datos, Redacción—Borrador Original, Visualización; MG: Validación, Redacción—Revisión y Edición.

Correspondencia a Mansour Ghalehnovi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Pakzad, SS, Roshan, N. y Ghalehnovi, M. Comparación de varios algoritmos de aprendizaje automático utilizados para la predicción de la resistencia a la compresión del hormigón reforzado con fibras de acero. Informe científico 13, 3646 (2023). https://doi.org/10.1038/s41598-023-30606-y

Descargar cita

Recibido: 10 Octubre 2022

Aceptado: 27 de febrero de 2023

Publicado: 04 marzo 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.