پیش بینی غلظت کلرید سطحی بتن دریایی با استفاده از یادگیری گروهی ماشین
محل انتشار: ششمین کنفرانس بین المللی پژوهش در علوم و مهندسی و سومین کنگره بین المللی عمران، معماری و شهرسازی آسیا
سال انتشار: 1400
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 285
فایل این مقاله در 27 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICRSIE06_658
تاریخ نمایه سازی: 8 اسفند 1400
چکیده مقاله:
این مقاله یک مدل یادگیری گروهی ماشین (ML) برای پیش بینی غلظت کلرید سطحی (Cs) بتن ایجاد و بکار گرفته است، که پارامتری حیاتی برای طراحی دوام و پیش بینی دوره عمر سازه های بتنی در محیط دریایی است. به این منظور، پایگاه داده ای حاوی ۶۴۲ سابقه داده از داده های در معرض قرارگیری میدانی Cs (همراه با پارامترهای نسبت مخلوط مربوطه، شرایط محیطی و زمان در معرض قرارگیری) بر اساس پیمایش گسترده نوشتجات تشکیل شد، که زون های ورپاش، جزر و مدی و مستغرق در نواحی مختلف دنیا را پوشش می دهد. از این پایگاه داده برای آموزش پنج مدل تکی ML، یعنی، مدل های رگرسیون خطی (LR)، رگرسیون فرایند گاوسی (GPR)، ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی پرسپترون چندلایه (MLP-ANN) و جنگل های تصادفی (RF)، و همچنین یک مدل ML گروهی وزن دار مبتنی بر رای دهی استفاده شده، و بعدا برای مقایسه عملکرد های پیش بینی آنها بکار گرفته شده است. نشان داده می شود که با ترکیب فراتجربه یافت پیش بینی های RF، MLP-ANN و SVM، مدل گروهی ML صحت پیش بینی بیشتری نسبت به همه مدل های تکی ML موردآزمایش در این مطالعه تولید می کند. عملکردهای پیش بینی هشت مدل کمی متعارف برای پیش بینی Cs بر اساس مجموعه داده آزمایشی منتخب برای ML نیز تحلیل شدند. نتایج نشان می دهند که انتخاب مجموعه داده های متنوع تر و لحاظ کردن فاکتور های بیشتر در مدل های متعارف می تواند عملکرد پیش بینی شان را بهبود بخشد. مدل گروهی ML که بر یک پایگاه داده بزرگ بنا نهاده شده می تواند به آسانی دوازده فاکتور تاثیرگذار را در پایگاه داده در نظر بگیرد (که برای مدل های متعارف دشوار است)، و نسبت به مدل های متعارف عملکرد پیش بینی برتر، و در عین حال کارآمدی زمانی بهتری دارد.
کلیدواژه ها:
نویسندگان
محمدصادق خواجوئی
دانشجو ارشد سازه دانشگاه حکیم سبزواری
زهرا قدمیاری
کارشناسی ارشد مدیریت آموزشی ، دانشگاه فردوسی مشهد