针对传统经验公式对高性能混凝土强度预测时存在偏差大、效率低等问题, 本文提出一种基于Stacking模型融合的高性能混凝土强度预测方法。首先, 通过数据清洗和归一化对1 030组高性能混凝土抗压强度试验数据进行预处理, 剔除异常数据及消除数据间量纲影响; 其次, 基于极端梯度提算法(XGBoost)、类别优先梯度提升算法、多层感知器和随机森林(RF)4种算法开展超参数优化、模型训练和评估, 采用决定系数、均方根误差和平均绝对误差对比分析4种基学习器对强度预测的整体效果, 在此基础上构建基于Stacking集成学习融合多种机器学习算法的高性能混凝土强度预测模型; 最后, 采用103组新的高性能数据集对模型进行验证, 并开展可解释分析。结果表明: 与其他基学习器的组合相比, XGBoost和RF融合模型的预测精度和性能均明显提高, 泛化性能较好, 且可解释分析显示最重要的输入特征变量是龄期和水泥, 说明模型内在的预测逻辑与工程实践的经验较吻合, 具有较高的合理性与可靠度。研究结果为进一步提高高性能混凝土强度的预测精度提供参考。
混凝土 强度预测模型 集成学习 stacking算法 XGBoost算法 RF算法 concrete strength prediction model ensemble learning stacking algorithm XGBoost algorithm RF algorithm
1 广东纺织职业技术学院,广东 佛山 528041
2 天津工业大学 激光技术研究所,天津 300160
在飞秒激光与金属材料相互作用研究的基础上,在不同的激光器运行参数条件下利用飞秒激光器在金属铝箔上制备阵列微孔,研究了对阵列微孔的孔径与激光器工艺参数之间的关系。利用Origin7.0 及SPSS13.0 对实验数据进行分析,指明了飞秒激光器脉冲数、脉宽、单脉冲能量对孔径大小的影响。
飞秒激光 脉冲数 脉宽 单脉冲能量 激光与光电子学进展
2010, 47(5): 051403
