.png){kind=icon}
返回
Combining machine learning methods with feature selection for predicting concrete basic creep
.png){kind=icon}
PRE
AI
DOI：10.1080/13467581.2025.2573895.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
进行具有多个影响因素的长期混凝土徐变试验既耗时又成本高昂。使用机器学习（ML）算法预测混凝土力学性能的优势已引起广泛关注。为解决这些问题，本研究采用了三种机器学习模型来建立更精确的预测模型。这些模型使用来自西北大学更新基础设施技术研究所（NU-ITI）数据库的数据进行开发和验证。此外，本研究采用了大数据的最大信息相关性（MIC）、轻量梯度提升机（LGBM）以及基于预测风险的回归特征消除（PRIFER）方法，分析混凝土徐变影响因素之间的关系并获取特征重要性。特征选择方法被用于提高模型效率。研究发现，机器学习模型能够准确有效地预测混凝土基本徐变，并且优于规范模型。LGBM在预测徐变柔量方面具有强鲁棒性。预测徐变最相关和重要的参数分别是混凝土抗压强度和随时间变化的荷载。此外，所有模型在特征选择后预测性能均得到提升。最后，使用数据库外的五组测试数据验证了参数化基因表达式编程（GEP）模型的适用性。
Keyword:
Concrete creep
Support vector regression
Light gradient boosting machine
Gene expression programming
Feature selection
期刊
J
IF:
1.6
论文数:
401
被引数:
0
机构
引用论文
AI-powered GUI for prediction of axial compression capacity in concrete-filled steel tube columns基于AI的钢套管混凝土柱轴向抗压承载力预测图形用户界面
.png){kind=icon}
PREAI
分享收藏
分享收藏分享收藏分享收藏
查看更多内容