پیش بینی بتن مبتنی بر یادگیری ماشین و تحلیل مقاومت فشاری و تفسیر پذیری

در مهندسی عمران معاصر، بتن به عنوان یک مصالح ساختمانی برجسته مطرح است و مقاومت فشاری آن به عنوان یک پارامتر اصلی برای ارزیابی ایمنی سازه های مهندسی عمل می کند. این مطالعه، ساخت مدل های یادگیری رگرسیون یکپارچه چندگانه را برای تجزیه و تحلیل پیش بینی با پشتیبانی چارچوب های مدل قابل تفسیر برای افزایش دقت پیش بینی مقاومت فشاری بتن پیشنهاد می دهد. با استفاده از مجموعه داده های عمومی از جامعه Heywhale، تجزیه و تحلیل مقیاس های معماری های مدل نشان می دهد که مدل CatBoost عملکرد جامع بهینه ای را نشان می دهد و به مقدار R۲ برابر با ۰٫۹۲ دست می یابد. با استفاده از چارچوب پیشرفته DeepExplainer مبتنی بر SHAP مشخص می شود که سن و سیمان عوامل موثر مثبت اصلی هستند. به همین ترتیب، یک سیستم بهینه سازی پارامتر سه بعدی پیشنهاد شده است. این رویکرد نه تنها چرخه آزمایش مقاومت فشاری بتن را کوتاه می کند و طرح اختلاط بتن را بهینه می کند بلکه ابزاری کارآمد و مناسب برای نظارت بر کیفیت پروژه در زمان واقعی نیز فراهم می کند.

کلیدواژه ها:

پیش بینی مقاومت فشاری بتن ، تحلیل مدل تفسیرپذیر SHAP ، مدل CatBoost ، مدل RF ، مدل XGBR