Vorhersage der Druckfestigkeit von Beton: Kritischer Vergleich der Leistung eines hybriden maschinellen Lernmodells mit eigenständigen Modellen

Der Einsatz von Techniken des maschinellen Lernens (ML) zur Modellierung quantitativer Zusammensetzungs-Eigenschafts-Beziehungen in Beton hat in den letzten Jahren erheblich an Bedeutung gewonnen. In diesem Papier wird ein neuartiges hybrides ML-Modell (RF-FFA) zur Vorhersage der Druckfestigkeit von Beton vorgestellt, das das Modell der Entscheidungsbäume (RF) mit dem Glühwürmchen-Algorithmus (FFA) kombiniert. Der Glühwürmchen-Algorithmus wird verwendet, um optimale Werte für zwei Hyperparameter (d.h. Anzahl der Bäume und Anzahl der Blätter pro Baum im Wald) des RF-Modells in Bezug auf die Beschaffenheit und das Volumen des Datensatzes zu bestimmen. Das RF-FFA-Modell wurde trainiert, um Korrelationen zwischen Eingangsvariablen und Ausgaben von zwei verschiedenen Kategorien von Datensätzen zu entwickeln; solche Korrelationen wurden anschließend vom Modell genutzt, um Vorhersagen in zuvor nicht trainierten Datenbereichen zu treffen. Die erste Kategorie umfasste zwei separate Datensätze mit stark nichtlinearen und periodischen Beziehungen zwischen Eingangsvariablen und Ausgaben, wie sie durch trigonometrische Funktionen gegeben sind. Die zweite Kategorie umfasste zwei reale Datensätze, die aus Variablen des Mischungsdesigns von Betonen als Eingaben und deren altersabhängigen Druckfestigkeiten als Ausgaben bestanden. Die Vorhersageleistung des hybriden RF-FFA-Modells wurde mit gängigen eigenständigen ML-Modellen - Support Vector Machine (SVM), multilayer perceptron künstlichem neuronalen Netzwerk (MLP-ANN), M5Prime-Modellbaumalgorithmus (M5P) und RF - verglichen. Die zur Bewertung der Vorhersagegenauigkeit verwendeten Metriken umfassten fünf verschiedene statistische Parameter sowie einen zusammengesetzten Leistungsindex (CPI). Die Ergebnisse zeigen, dass das hybride RF-FFA-Modell die eigenständigen ML-Modelle hinsichtlich der Vorhersagegenauigkeit konstant übertrifft - unabhängig von der Natur und dem Volumen der Datensätze.