文献精读
Adv. Eng. Softw.：基于机器学习的回归技术预测自密实混凝土的强度
背景介绍
自密实混凝土（SCC）可以在无需振捣的情况下自动填充模板，是一种广泛使用的建筑材料。根据SCC的强度、工作性和耐久性确定最佳成分的过程称为配合比设计。当前的配合比设计过程有许多局限性，其中一个局限性是，尽管确定给定强度值的配合比是可行的，但不能进行逆运算。没有数学模型描述这些混合组分与产生的抗压强度值之间的联系；只有物理测试才能确定这些性质。通常，传统的回归分析和统计方法用于描述实验结果。基于有限数量的实验数据，通过一些经验相关性克服了混合物配比与可量化工程特性之间缺乏理论关系的问题。由于SCC混合比例复杂，尚未开发出可靠的模型。
研究出发点
机器学习被用于许多工程应用中，同样有望用于SCC组分混合设计中。混凝土结构需要对硬化和新拌性能进行精确评估，目前缺乏可以根据SCC混合物组成准确评估其性能的方法。
全文速览
印度孔古工程学院Suresh Muthusamy课题组旨在创建基于机器学习的回归模型来预测SCC抗压强度。为此，使用了包含99个SCC样本的实验室数据集。SCC的机器学习回归模型具有许多输入和输出参数。线性回归、Lasso回归、Ridge回归、多层感知器回归、决策树回归和随机森林（RF）回归是机器学习预测方法。RMSE、MSE、MAE和R2测量模型精度。根据结果，随机森林模型可以有效地预测自密实混凝土的抗压强度。相关论文以“Prediction of strength and analysis in self-compacting concrete using machine learning based regression techniques”为题，于2022年发表在Advances in Engineering Software上。
图文解析
（1）数据库建立
用于训练的数据的完整性和准确性对于构建有效的模型是必要的。在本研究中，来源于燃煤火力发电厂的粉煤灰作为矿物添加剂，并采用玻璃纤维（GSF）和聚丙烯纤维（PPF）制备纤维SCC。本研究开发的软件用于预测SCC的抗压强度。在建模前，通过实验获取了99种SCC混合物及其抗压强度。
（2）自密实混凝土建模
自密实混凝土强度预测模型包含9个特征，所有特征本质上都是线性的，每个特征都有大量的数据值。任何特征中都没有空值，因此不需要处理空值。所有特征都是相关的，无需删除任何特征。混凝土强度是目标变量。特征的值以不同的单位表示，因此需要由预处理器转换为通用类型。数据中可能存在一些异常值，必须进行一些异常值处理。
图1描述了不同特征的异常值。在这些数据集中，异常值占总数据点的比例相当小。特征超级塑化剂有更多的异常值，这需要在校正异常值之前进行更彻底的研究，而更改异常值将对数据质量产生影响。图2显示了使用目标变量水泥强度帮助识别异常值的综合散点图。根据散点图研究，“超级塑化剂”、“粗骨料”和“二氧化硅”的异常值数量最高。
图1 不同特征的异常值（二氧化硅、超级增塑剂、增稠剂（VMA）、粗骨料）
图2 异常值散点图
图3显示了线性模型、Lasso和回归模型的预测值和实际值。它表明，与其他类型的线性回归（如Ridge回归和Lasso回归）相比，线性回归提供了准确的预测。
图3 线性回归、Lasso回归和Ridge回归的实际值和预测值
用于预测抗压强度的各种回归方法的误差值如下表1所示。很明显，随机森林回归产生了最低的RMSE、MSE、IAE和R2值，这表明随机森林产生了更好的预测精度。除此之外，图4和图5还显示了各种回归模型的实际值和预期值对比。与其他方法相比，随机森林产生的MSE误差最小。
表1 不同回归模型的误差值比较
图4 不同算法的MSE比较
图5 不同算法的RMSE比较
使用线性回归方法的抗压强度预测图如图6所示。交叉验证（CV）得分表示CV平均值为0.59576，CV标准值为1.60099，CV最大值为2.12836e-05，CV最小值为-7.28866，准确度得分为0.60863。
图6 线性回归抗压强度预测图
同样，使用Lasso、Ridge回归、决策树模型和随机森林方法分析抗压强度预测图如图7、图8、图9和图10所示。在所有情况下，随机森林都适合于预测自密实复合混凝土强度模型。
图7 通过Lasso回归的抗压强度预测图
图8 通过岭回归的抗压强度预测图
图9 通过决策树回归的抗压强度预测图
图10 通过随机森林回归的抗压强度预测图
图7描述了基于Lasso回归的抗压强度预测图。准确度得分为0.005，交叉验证得分为0.07，变异系数均值为0.974，变异系数标准值为0.52，变异系数最大值为0.24，变异值最小值为1.89。
图8描述了使用Ridge回归技术创建的抗压强度预测模型。交叉验证得分如下：CV平均值为-0.422，CV标准值为0.62，CV最大值为-0.02，CV最小值为-2.15，准确度得分为0.85。
图9显示了决策树回归方法强度预测图。交叉验证分数与CV均值、CV标准、CV最大值、CV最小值和准确性分数成正比，分别为-0.52、-0.67、-0.009、-1.81和0.93。
图10描述了使用随机森林回归技术的抗压强度预测图。准确度得分为0.955，平均值的交叉验证得分为-0.36，标准偏差为0.37，最大值为-0.011，最小值为-1.20。它显示了随机森林回归模型是最佳SCC拟合。
总结
本文提出并分析了计算混凝土抗压强度的机器学习回归方法。从原始数据中提取八个特征，包括水泥、水、黏度改性外加剂、粗骨料、细骨料、聚丙烯和高效减水剂，并对其进行预处理以生成精确的数据集。随机森林预测模型似乎具有最佳的MSE和RMSE值，因此被选为最有效的回归模型。机器学习算法在预测SCC抗压强度方面优于传统方法。在随机森林回归模型中，RMSE=3.26，MSE=10.61，MAE=1.86，R2=0.94。随机森林回归模型的精度为0.955，是SCC强度最佳的预测模型。
本期编者简介
翻译：
程博远 博士生 深圳大学
审核：
罗盛禹 硕士生 深圳大学
排版：
郭泓汝 硕士生 深圳大学
本期学术指导
何 闯 博士后 深圳大学
龙武剑 教 授 深圳大学
文献链接：
https://doi.org/10.1016/j.advengsoft.2022.103267
联系客服
