文献

J-GLOBAL ID：202202237008213420   整理番号：22A0105786

コンクリートのクリープ挙動を予測するための解釈可能なアンサンブルマシン学習モデル【JST・京大機械翻訳】

Interpretable Ensemble-Machine-Learning models for predicting creep behavior of concrete

著者 (6件)： Liang Minfei (Microlab, Faculty of Civil Engineering and Geosciences, Delft University of Technology, Delft, 2628, CN, the Netherlands) ,  Chang Ze (Microlab, Faculty of Civil Engineering and Geosciences, Delft University of Technology, Delft, 2628, CN, the Netherlands) ,  Wan Zhi (Microlab, Faculty of Civil Engineering and Geosciences, Delft University of Technology, Delft, 2628, CN, the Netherlands) ,  Gan Yidong (Microlab, Faculty of Civil Engineering and Geosciences, Delft University of Technology, Delft, 2628, CN, the Netherlands) ,  Schlangen Erik (Microlab, Faculty of Civil Engineering and Geosciences, Delft University of Technology, Delft, 2628, CN, the Netherlands) ,  Savija Branko (Microlab, Faculty of Civil Engineering and Geosciences, Delft University of Technology, Delft, 2628, CN, the Netherlands)
資料名： Cement & Concrete Composites  (Cement & Concrete Composites)
巻： 125  ページ： Null  発行年： 2022年 
JST資料番号： B0500B  ISSN： 0958-9465  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本研究は,コンクリートのクリープ挙動を予測するための効率的で正確な機械学習(ML)アプローチを提供することを目的とする。本研究では,3つのアンサンブル機械学習(EML)モデルを選択した:ランダムフォレスト(RF),極端勾配ブースティングマシン(XGBoost)および光勾配ブースティングマシン(LGBM)。第1に,北西大学(NU)データベースにおけるクリープデータを予め構築したXGBoostモデルによって前処理し,次に訓練セットと試験セットに分割した。次に,Bayes最適化と5倍交差検証によって,3EMLモデルを調整して,高精度(LGBM,XGBoostとRFでそれぞれR2=0.953,0.947と0.946)を達成した。テストセットにおいて,EMLモデルは,フィブモデルコード2010(R2=0.377)によって提案された方程式より有意に高い精度を示した。最後に,協調ゲーム理論に基づいて,SHapley加法(SHAP)を計算し,EMLモデルの予測を解釈した。コンクリートクリープコンプライアンスに対する5つの最も影響力のあるパラメータを,EMLモデルのSHAP値に従って同定した。負荷,圧縮強度,荷重を負荷した場合の時間,試験中の相対湿度,試験中の温度。3つのEMLモデルで捉えられたパターンは,コンクリートクリープに影響する要因の理論的理解と一致し,提案したEMLモデルが合理的な予測を示すことを証明した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *クリープ ,  最適化 ,  *学習モデル ,  データベース ,  相対湿度 ,  *コンクリート ,  前処理 ,  圧縮強さ ,  加算 ,  機械学習
準シソーラス用語： 高精度 ,  ランダムフォレスト ,  クリープコンプライアンス ,  *クリープ挙動 , 【Automatic Indexing@JST】

著者キーワード (6件)： コンクリート ,  クリープ ,  予測 ,  機械学習 ,  Bayes最適化 ,  解釈

分類 (1件)： モルタル,コンクリート  (RA06042H)

タイトルに関連する用語 (6件)： コンクリート ,  クリープ挙動 ,  予測 ,  アンサンブル ,  マシン ,  学習モデル