Научные отчеты, том 13, Номер статьи: 13138 (2023) Цитировать эту статью
1356 Доступов
1 Цитаты
Подробности о метриках
В этом исследовании изучалась важность применения объяснимого искусственного интеллекта (XAI) к различным моделям машинного обучения (ML), разработанным для прогнозирования прочностных характеристик армированного базальтовым волокном (BFRC). Несмотря на то, что ML широко применяется для прогнозирования прочности бетона, природа прогнозов «черного ящика» затрудняет интерпретацию результатов. Среди нескольких попыток преодолеть это ограничение с помощью объяснимого ИИ исследователи использовали только один метод объяснения. В этом исследовании мы использовали три древовидные модели ML (дерево решений, дерево повышения градиента и машина повышения градиента света) для прогнозирования характеристик механической прочности (прочность на сжатие, прочность на изгиб и прочность на растяжение) бетона, армированного базальным волокном (BFRC). ). Впервые мы использовали два метода объяснения (аддитивные объяснения Шепли (SHAP) и локально интерпретируемые модельно-независимые объяснения (LIME)) для объяснения всех моделей. Эти объяснимые методы раскрывают основные критерии принятия решений в сложных моделях машинного обучения, повышая доверие конечного пользователя. Сравнение подчеркивает, что древовидные модели получили хорошую точность прогнозирования прочностных характеристик, однако их объяснения различались либо по величине важности признаков, либо по порядку важности. Это разногласие подталкивает к сложному принятию решений на основе прогнозов ML, что еще больше подчеркивает (1) расширение исследований на основе XAI в области прогнозирования прочности бетона и (2) привлечение экспертов в предметной области для оценки результатов XAI. Исследование завершается разработкой «удобного компьютерного приложения», которое позволяет быстро прогнозировать прочность базальтового фибробетона (БФБ).
Базальтовые волокна получают из базальтовых пород методом плавления. Из базальтовых пород можно производить волокна путем их тонкого измельчения. Базальтовое волокно – неорганический, биоразлагаемый, неметаллический материал. Он широко используется для улучшения прочности бетона на растяжение из-за его высокой прочности на растяжение. Процесс производства базальтового волокна экономически эффективен, поскольку не требует смешивания добавок. Базальтовые волокна демонстрируют исключительную прочность на разрыв по сравнению с волокном из Е-стекла, более высокую прочность на разрыв по сравнению с углеродным волокном, а также лучшую устойчивость к химическому воздействию, огню и ударным нагрузкам1. Эти свойства побудили исследовательское сообщество сосредоточиться на применении базального волокна в качестве инновационного конструкционного армирующего материала, позволяющего производить железобетон.
Прочность бетона на сжатие, растяжение и изгиб считаются основными прочностными характеристиками бетона2,3. Чтобы полностью выяснить влияние базальтовых волокон, было проведено несколько исследований по определению механических свойств BFRC4. Мейяппан и Кармайкл5 использовали различные объемные доли базальтовых волокон и заметили, что как прочность на разрыв, так и прочность на сжатие увеличиваются в присутствии базальтового волокна. Однако вариация достигла оптимума при объемной доле 1% и впоследствии продемонстрировала тенденцию к снижению. Увеличение прочности на сжатие у оптимальной фракции составило 11,5% и 18,2% по раздельной прочности на разрыв по сравнению с контрольным образцом. Чен и др.6 использовали содержание базальтового волокна в качестве переменной для изучения влияния на механические свойства БФРК. Джаласутран и др.7 привели аналогичные аргументы, исследуя механические свойства BFRC. Они отметили улучшение прочностных характеристик за счет содержания базальтового волокна. Однако добавление базальтового волокна вызвало нелинейное изменение прочностных характеристик5,8,9. В результате прогнозирование прочностных характеристик BFRC относительно сложно по сравнению с обычным бетоном и требует итеративного эксперимента для постепенного изучения взаимосвязей. Точная оценка прочностных характеристик крайне важна для проектирования и оптимизации конструкций. С другой стороны, существующие научные исследования дали результаты, основанные на лабораторных экспериментах, которые отнимают много времени, трудоемки и дорогостоящи. В качестве альтернативного подхода для прогнозирования прочностных характеристик BFRC можно использовать аналитические методы, такие как методы машинного обучения (ML).
0.8) in all three models. The study conducted by Salami et al.14 explored the nonlinear properties of compressive strength in ternary composite concrete. They employed coupled simulated annealing (CSA) as an optimization algorithm in combination with the least squares support vector machine (LSSVM) to forecast compressive strength with an impressive R2 value of 0.954. Zhang and Aslani15 proposed an artificial neural network (ANN) model to predict the compressive strength of lightweight aggregate concrete based on UPV (Ultrasonic Pulse Velocity) under different conditions which resulted in a maximum \({\mathrm{R}}^{2}\) of 0.988, and a minimum of 0.736. By leveraging complex potential physical phenomena like mechanical properties, concrete composition, and experimental processes, Liu et al.16 constructed a model utilizing an ANN for predicting the chloride ion diffusion coefficient in concrete. Güçlüer et al.17 used ML models (ANN, Decision tree (DT), Support vector regression (SVR), and Linear regression) to predict 28-day compressive strength. DT model was selected as the best model with an R2 of 0.86. Kang et al.3 developed 12 machine-learning models to predict the compressive and flexural strength of steel fiber-reinforced concrete. Their gradient boosting (GB) model (MAE = 1.18) and extreme gradient boosting (XGB) model (MAE = 1.25) obtained superior performance compared to the remaining models. Nguyen et al.18 employed ANN, SVR, GB, and XGB to predict the compressive strength of concrete. They argued that GB regression and the XGB model performed better compared to ANN and SVR models. Feng et al.19 used an adaptive boosting (ADABoost) model to predict the compressive strength of concrete and the model achieved an R2 of 0.982 with MAE = 1.64. Similar studies were conducted by Asteris et al.20 and DeRousseau et al.21 to predict the compressive strength of concrete. Fang et al.22 used an image segmentation method to investigate the effect of pore structure on the split tensile strength of cellular concrete. Malami et al.23 used a neuro-fuzzy hybrid model composed of, an extreme learning machine (ELM), an adaptive neuro-fuzzy inference system (ANFIS), a multi-linear regression model (MLR), and SVR to study the impact of carbonization on reinforced concrete durability (R \(\ge \) 0.96). Ashrafian et al.24 have developed an evolutionary-based ML model which give promising prediction of post-fire mechanical properties of green concrete. Recently, Li et al.8 used machine learning methods to predict the compressive strength of BFRC. They proposed random forests to predict the compressive strength and later used the Kernel extreme learning machine with genetic algorithms (KELM-GA) to perform the same task9. They argued that KELM-GA outperformed the models such as ANN, SVR, and Gaussian process regression (GPR). Behnood et al.25 used ML to model the elastic modulus, the flexural, compressive, and split tensile strength of concrete. Ashrafian et al.26 have shown that ML can accurately predict apparent surface chloride concentration of structural concrete in a marine environment. On these ML approaches to predict the mechanical properties of concrete, Chaabene et al.27 conducted a comprehensive review. They reported that conventional machine learning (ML) models do not explain the model despite the higher accuracy of results prediction. The model interpretation is important for structural engineering applications due to three reasons; (1) to identify interactions between inputs and underlying reasoning, (2) to establish the end-user’s and domain experts’ trust on ML, (3) to explain proposed methods to the non-technical community specially with less understanding about machine learning. Hence, the boundary of ML research has pushed towards revealing characteristic of black-box predictions./p> 60 Mpa). Few deviations are shown in DT predictions that lead to comparatively lower accuracy compared to gradient boosting models. However, both gradient-boosting models showcase points that deviated more than 20% compared to the original predictions./p> 6 MPa) within a 10% error margin. Both models have slightly overestimated flexural strength values compared to the flexural strength values which are less than 6 MPa. Even though both GB and LGB are based on DT structure, the implementation of gradient boosting showcased a different learning (training) method./p> 0, cement content > 450, 175 < water content < 185, and fine aggregates < 613 had a positive contribution to the compressive strength./p> 86 and contract with the same but negative contribution displayed by the GB model. Gradient boosting models have obtained a negligible feature importance for water content (160 < water content < 180) whereas a moderate feature importance was given in the DT model./p> 0.89 in all cases compared to the remaining models), the whole data set was simultaneously used for the training final models. As the whole data set is employed, the depth of the LGB model was increased to six by keeping the remaining hyperparameters constant. Three LGB models were written into GUI and they achieved an R2 > 0.95 learning phase (with the whole data set). The graphical user interface (GUI) is shown in Fig. 8 of the developed application. This application enables users to input ten parameters (Cement content, fly ash content, water content, etc.) including three parameters of Basal fibers (diameter, length, content). The error handling capability of the proposed GUI ensures the user is directed to input values within acceptable range and obtain mechanical strength characteristics. The authors believe that this application will provide a convenient and efficient method of predicting strength parameters while enabling different parametric studies on this concrete technology. For more precise prediction the application guide users to limit input parameters to the range in which the LGB model was fitted./p> 0.85 and testing R2 > 0.802, GB models reached a training R2 > 0.91 and testing R2 > 0.882 for predicting strength characteristics, and LGB models reached a training R2 > 0.92 and testing R2 > 0.89 in all cases./p>
Русский
English
Français
Deutsch
Español
Italiano
Português
日本語
한국어