Étude comparative des algorithmes d'apprentissage automatique supervisé pour prédire la résistance à la compression du béton à haute température

La haute température affecte sévèrement la nature des ingrédients utilisés pour produire du béton, ce qui, à son tour, réduit les propriétés de résistance du béton. Il est difficile et chronophage d'atteindre la résistance à la compression souhaitée du béton. Cependant, l'application d'approches d'apprentissage automatique supervisé (ML) permet de prédire initialement le résultat visé avec une grande précision. Cette étude présente l'utilisation d'un arbre de décision (DT), d'un réseau de neurones artificiels (ANN), de bagging et de gradient boosting (GB) pour prévoir la résistance à la compression du béton à haute température sur la base de 207 points de données. La programmation Python dans le logiciel Anaconda Navigator a été utilisée pour exécuter les modèles sélectionnés. Le logiciel nécessite des informations concernant à la fois les variables d'entrée et le paramètre de sortie. Un total de neuf paramètres d'entrée (eau, ciment, granulats grossiers, granulats fins, cendres volantes, superplastifiants, fumée de silice, silice nano et température) ont été incorporés comme entrées, tandis qu'une variable (résistance à la compression) a été choisie comme sortie. La performance des algorithmes ML employés a été évaluée en ce qui concerne des indicateurs statistiques, y compris le coefficient de corrélation (R2), l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (MSE) et l'erreur quadratique moyenne racine (RMSE). Les modèles individuels utilisant DT et ANN ont donné des R2 égaux à 0.83 et 0.82, respectivement, tandis que l'utilisation de l'algorithme d'ensemble et du gradient boosting a donné des R2 de 0.90 et 0.88, respectivement. Cela indique une forte corrélation entre les résultats réels et prédits. La validation croisée en k-plis, le coefficient de corrélation (R2) et des erreurs moindres (MAE, MSE et RMSE) ont montré une meilleure performance que les algorithmes d'ensemble. Des analyses de sensibilité ont également été réalisées afin de vérifier la contribution de chaque variable d'entrée. Il a été montré que l'utilisation de l'algorithme d'apprentissage automatique d'ensemble améliorerait le niveau de performance du modèle.