[1]
HOU C, ZHOU X G Strength prediction of circular CFST columns through advanced machine learning methods
[J]. Journal of Building Engineering , 2022 , 51 : 104289
DOI:10.1016/j.jobe.2022.104289
[本文引用: 3]
[2]
韩林海, 牟廷敏, 王法承, 等 钢管混凝土混合结构设计原理及其在桥梁工程中的应用
[J]. 土木工程学报 , 2020 , 53 (5 ): 1 - 24
DOI:10.15951/j.tmgcxb.20200413.001
[本文引用: 1]
HAN Lin-hai, MU Ting-min, WANG Fa-cheng, et al Design theory of CFST (concrete-filled steel tubular) mixed structures and its applications in bridge engineering
[J]. China Civil Engineering Journal , 2020 , 53 (5 ): 1 - 24
DOI:10.15951/j.tmgcxb.20200413.001
[本文引用: 1]
[3]
李学彬, 杨仁树, 高延法, 等 大断面软岩斜井高强度钢管混凝土支架支护技术
[J]. 煤炭学报 , 2013 , 38 (10 ): 1742 - 1748
DOI:10.13225/j.cnki.jccs.2013.10.018
LI Xue-bin, YANG Ren-shu, GAO Yan-fa, et al High-strength steel tubular confined concrete supports support technology for large section soft rock inclined shaft
[J]. Journal of China Coal Society , 2013 , 38 (10 ): 1742 - 1748
DOI:10.13225/j.cnki.jccs.2013.10.018
[4]
YIN F, WANG R W, CAO W L, et al Seismic behavior of light weight CFST frame-fabricated single row reinforced shear wall structures
[J]. Structures , 2021 , 34 : 4486 - 4499
DOI:10.1016/j.istruc.2021.10.044
[本文引用: 1]
[5]
陈志华, 杜颜胜, 吴辽, 等 矩形钢管混凝土结构研究综述
[J]. 建筑结构 , 2015 , 45 (16 ): 40 - 46
DOI:10.19701/j.jzjg.2015.16.009
[本文引用: 2]
CHEN Zhi-hua, DU Yan-sheng, WU Liao, et al Review of the research on rectangular concrete-filled steel tube structures
[J]. Building Structure , 2015 , 45 (16 ): 40 - 46
DOI:10.19701/j.jzjg.2015.16.009
[本文引用: 2]
[6]
LIEW J Y R, XIONG M, XIONG D Design of concrete filled tubular beam-columns with high strength steel and concrete
[J]. Structures , 2016 , 8 : 213 - 226
DOI:10.1016/j.istruc.2016.05.005
[本文引用: 1]
[7]
骆涛涛, 李娜, 张涛, 等 圆钢管混凝土柱轴心受压承载力计算
[J]. 武汉大学学报:工学版 , 2014 , 47 (6 ): 764 - 768
[本文引用: 1]
LUO Tao-tao, LI Na, ZHAO Tao, et al Bearing capacity of circular concrete-filled steel tube columns under axial compression
[J]. Engineering Journal of Wuhan University , 2014 , 47 (6 ): 764 - 768
[本文引用: 1]
[8]
VU Q V, TRUONG V H, THAI H T Machine learning-based prediction of CFST columns using gradient tree boosting algorithm
[J]. Composite Structures , 2021 , 259 : 113505
DOI:10.1016/j.compstruct.2020.113505
[本文引用: 1]
[9]
BOUKHATEM B, KENAI S, TAGNIT-HAMOU A, et al Application of new information technology on concrete: an overview
[J]. Journal of Civil Engineering and Management , 2011 , 17 (2 ): 248 - 258
DOI:10.3846/13923730.2011.574343
[本文引用: 1]
[10]
NGUYEN H Q, LY H B, TRAN V Q, et al Optimization of artificial intelligence system by evolutionary algorithm for prediction of axial capacity of rectangular concrete filled steel tubes under compression
[J]. Materials , 2020 , 13 (5 ): 1205
DOI:10.3390/ma13051205
[本文引用: 2]
[11]
TRAN V L, THAI D K, KIM S E A new empirical formula for prediction of the axial compression capacity of CCFT columns
[J]. Steel and Composite Structures , 2019 , 33 (2 ): 181 - 194
[本文引用: 3]
[12]
LIU X R, WU Y Q, ZHOU Y S Axial compression prediction and GUI design for CCFST column using machine learning and Shapley additive explanation
[J]. Buildings , 2022 , 12 (5 ): 698
DOI:10.3390/buildings12050698
[本文引用: 1]
[13]
JAVED M F, FAROOQ F, MEMON S A, et al New prediction model for the ultimate axial capacity of concrete-filled steel tubes: an evolutionary approach
[J]. Crystals , 2020 , 10 (9 ): 741
DOI:10.3390/cryst10090741
[本文引用: 4]
[14]
NASER M Z, THAI S, THAI H T Evaluating structural response of concrete-filled steel tubular columns through machine learning
[J]. Journal of Building Engineering , 2021 , 34 : 101888
DOI:10.1016/j.jobe.2020.101888
[本文引用: 1]
[15]
LYU F, FAN X Y, DING F X, et al Prediction of the axial compressive strength of circular concrete-filled steel tube columns using sine cosine algorithm-support vector regression
[J]. Composite Structures , 2021 , 273 : 114282
DOI:10.1016/j.compstruct.2021.114282
[本文引用: 1]
[16]
TAHMASSEBI A, MOTAMEDI M, ALAVI A H, et al An explainable prediction framework for engineering problems: case studies in reinforced concrete members modeling
[J]. Engineering Computations , 2022 , 39 (2 ): 609 - 626
DOI:10.1108/EC-02-2021-0096
[本文引用: 1]
[17]
ZHOU Z H. Ensemble methods: foundations and algorithms [M]. New York: CRC press, 2012.
[本文引用: 1]
[18]
徐凯, 杨锐 基于QPSO-DBN集成学习的城轨列车定位研究
[J]. 电子测量与仪器学报 , 2022 , 36 (9 ): 21 - 28
DOI:10.13382/j.jemi.B2104838
[本文引用: 1]
XU Kai, YANG Rui Research on the positioning of urban rail train based on QPSO-DBN ensemble learning
[J]. Journal of Electronic Measurement and Instrumentation , 2022 , 36 (9 ): 21 - 28
DOI:10.13382/j.jemi.B2104838
[本文引用: 1]
[19]
WEN L, HUGHES M Coastal wetland mapping using ensemble learning algorithms: a comparative study of bagging, boosting and stacking techniques
[J]. Remote Sensing , 2020 , 12 (10 ): 1683
DOI:10.3390/rs12101683
[本文引用: 1]
[20]
胡联粤, 岑健, 许文凯, 等 基于XGBoost算法的地下综合管廊安全状况评估方法
[J]. 计算机应用 , 2020 , 40 (增1 ): 264 - 268
[本文引用: 1]
HU Lian-yue, CEN Jian, XU Wen-kai, et al Safety situation evaluation method based on XGBoost algorithm for underground comprehensive pipe gallery
[J]. Journal of Computer Applications , 2020 , 40 (增1 ): 264 - 268
[本文引用: 1]
[21]
LIM S, CHI S Xgboost application on bridge management systems for proactive damage estimation
[J]. Advanced Engineering Informatics , 2019 , 41 : 100922
DOI:10.1016/j.aei.2019.100922
[22]
FENG D C, WANG W J, MANGALATHU S, et al Interpretable XGBoost-SHAP machine-learning model for shear strength prediction of squat RC walls
[J]. Journal of Structural Engineering , 2021 , 147 (11 ): 04021173
DOI:10.1061/(ASCE)ST.1943-541X.0003115
[本文引用: 1]
[23]
DARMATASIA, ARYMURTHY A M. Predicting the status of water pumps using data mining approach [C]// 2016 International Workshop on Big Data and Information Security (IWBIS) . Jakarta: IEEE, 2016: 57-64.
[本文引用: 1]
[24]
冯德成, 吴刚 混凝土结构基本性能的可解释机器学习建模方法
[J]. 建筑结构学报 , 2022 , 43 (4 ): 228 - 238
[本文引用: 1]
FENG De-cheng, WU Gang Interpretable machine learning-based modeling approach for fundamental properties of concrete structures
[J]. Journal of Building Structures , 2022 , 43 (4 ): 228 - 238
[本文引用: 1]
[25]
JIANG K, HAN Q, BAI Y, et al Data-driven ultimate conditions prediction and stress-strain model for FRP-confined concrete
[J]. Composite Structures , 2020 , 242 : 112094
DOI:10.1016/j.compstruct.2020.112094
[本文引用: 2]
[26]
DUAN J, ASTERIS P G, NGUYEN H, et al A novel artificial intelligence technique to predict compressive strength of recycled aggregate concrete using ICA-XGBoost model
[J]. Engineering with Computers , 2021 , 37 : 3329 - 3346
DOI:10.1007/s00366-020-01003-0
[27]
CHANDRAMOULI P, JAYASEELAN R, PANDULU G, et al Estimating the axial compression capacity of concrete-filled double-skin tubular columns with metallic and non-metallic composite materials
[J]. Materials , 2022 , 15 (10 ): 3567
DOI:10.3390/ma15103567
[本文引用: 1]
[28]
NGO N T, PHAM T P T, LE H A, et al Axial strength prediction of steel tube confined concrete columns using a hybrid machine learning model
[J]. Structures , 2022 , 36 : 765 - 780
DOI:10.1016/j.istruc.2021.12.054
[本文引用: 1]
[29]
BARDHAN A, BISWAS R, KARDANI N, et al A novel integrated approach of augmented grey wolf optimizer and ANN for estimating axial load carrying-capacity of concrete-filled steel tube columns
[J]. Construction and Building Materials , 2022 , 337 : 127454
DOI:10.1016/j.conbuildmat.2022.127454
[本文引用: 1]
[30]
DUNLOP P, SMITH S Estimating key characteristics of the concrete delivery and placement process using linear regression analysis
[J]. Civil Engineering and Environmental Systems , 2003 , 20 (4 ): 273 - 290
DOI:10.1080/1028660031000091599
[本文引用: 1]
[31]
MAHALANOBIS P C. On the generalized distance in statistics [C]// Proceedings of the National Institute of Sciences . Caloutta: National Institute of Science of India, 1936, 2: 49-55.
[本文引用: 1]
[32]
QIAN W, GU C, ZHU C, et al. Short-term load forecasting based on multi-model fusion of CNN-LSTM-LGBM [C]// 2021 International Conference on Power System Technology . Haikou: IEEE, 2021: 934-939.
[本文引用: 1]
[33]
ZHU J, WANG Y Convolutional neural networks for predicting creep and shrinkage of concrete
[J]. Construction and Building Materials , 2021 , 306 : 124868
DOI:10.1016/j.conbuildmat.2021.124868
[35]
CHEN T, GUESTRIN C. XGBoost: a scalable tree boosting system [C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining . [S.l.]: ACM, 2016: 785-794.
[本文引用: 1]
[36]
陈明华, 刘群英, 张家枢, 等 基于XGBoost的电力系统暂态稳定预测方法
[J]. 电网技术 , 2020 , 44 (3 ): 1026 - 1034
DOI:10.13335/j.1000-3673.pst.2018.1649
[本文引用: 1]
CHEN Ming-hua, LIU Qun-ying, ZHANG Jia-shu, et al XGBoost-based algorithm for post-fault transient stability status prediction
[J]. Power System Technology , 2020 , 44 (3 ): 1026 - 1034
DOI:10.13335/j.1000-3673.pst.2018.1649
[本文引用: 1]
[37]
HUANG C L, CHEN M C, WANG C J Credit scoring with a data mining approach based on support vector machines
[J]. Expert Systems with Applications , 2007 , 33 (4 ): 847 - 856
DOI:10.1016/j.eswa.2006.07.007
[本文引用: 1]
[38]
BERGSTRA J, BENGIO Y Random search for hyper-parameter optimization
[J]. Journal of Machine Learning Research , 2012 , 13 : 281 - 305
[本文引用: 1]
[39]
邓丽, 武金达, 李科学, 等. 基于TPE的SpaRC算法超参数优化方法[J]. 计算机科学. 2021, 48(2): 70-75.
[本文引用: 2]
DENG Li, WU Jin-da, LI Ke-xue, et al. SpaRC algorithm hyperparameter optimization methodology based on TPE [J]. Computer Science , 2021, 48(2): 70-75.
[本文引用: 2]
[40]
BERGSTRA J, BÀRDENET R, BENGIO Y, et al. Algorithms for hyperparameter optimization [C]// Proceedings of the 24th Internation Conference on Neural Information Processing Systems . [S.l.]: Curran Associates Inc., 2011: 2546-2554.
[本文引用: 1]
[41]
DONG H, HE D, WANG F SMOTE-XGBoost using tree Parzen estimator optimization for copper flotation method classification
[J]. Powder Technology , 2020 , 375 : 174 - 181
DOI:10.1016/j.powtec.2020.07.065
[本文引用: 1]
[42]
BERGSTRA J, YAMINS D, COX D D. Making a science of model search: hyperparameter optimization in hundreds of dimensions for vision architectures [C]// Proceedings of the 30th International Conference on Machine Learning . Atlanta: [s.n.], 2013: 115-123.
[本文引用: 1]
[43]
中华人民共和国住房和城乡建设部. 钢管混凝土结构技术规范: GB 50936—2014 [S]. 北京: 中国建筑工业出版社, 2014.
[本文引用: 2]
[44]
British Standards Institution. Eurocode 4: design of composite steel and concrete structures: part 1-1: general rules and rules for buildings: BS EN 1994-1-1: 2004 [S]. London: British Standards Institution, 2004.
[本文引用: 1]
[45]
AIJ. Recommendations for design and construction of concrete-filled steel tubular structures [S]. [S.l.]: Architectural Institute of Japan, 2008.
[本文引用: 1]
[46]
ACI Committee 318. Building code requirements for structural concrete and commentary: ACI 318-08 [S]. Farmington Hills: ACI Committee Institute, 2008.
[本文引用: 2]
[47]
WANG Z B, TAO Z, HAN L H, et al Strength, stiffness and ductility of concrete-filled steel columns under axial compression
[J]. Engineering Structures , 2017 , 135 : 209 - 221
DOI:10.1016/j.engstruct.2016.12.049
[本文引用: 2]
[48]
GIAKOUMELIS G, LAM D Axial capacity of circular concrete-filled tube columns
[J]. Journal of Constructional Steel Research , 2004 , 60 (7 ): 1049 - 1068
DOI:10.1016/j.jcsr.2003.10.001
[本文引用: 2]
[49]
XU X, LIU C, ZHAO Y, et al Short-term traffic flow prediction based on whale optimization algorithm optimized BiLSTM_Attention
[J]. Concurrency and Computation: Practice and Experience , 2022 , 34 (10 ): e6782
[本文引用: 1]
[50]
周挺, 杨军, 詹祥澎, 等 一种数据驱动的暂态电压稳定评估方法及其可解释性研究
[J]. 电网技术 , 2021 , 45 (11 ): 4416 - 4425
DOI:10.13335/j.1000-3673.pst.2020.2170
[本文引用: 1]
ZHOU Ting, YANG Jun, ZHAN Xiang-peng, et al Data-driven method and interpretability analysis for transient voltage stability assessment
[J]. Power System Technology , 2021 , 45 (11 ): 4416 - 4425
DOI:10.13335/j.1000-3673.pst.2020.2170
[本文引用: 1]
[51]
LUNDBERG S M, LEE S I. A unified approach to interpreting model predictions [C]// Proceedings of the 31st International Conference on Neural Information Processing Systems . [S.l.]: Curran Associates Inc., 2017: 4768-4777.
[本文引用: 1]
[52]
NASIRI H, HOMAFAR A, CHELGANI S C Prediction of uniaxial compressive strength and modulus of elasticity for Travertine samples using an explainable artificial intelligence
[J]. Results in Geophysical Sciences , 2021 , 8 : 100034
DOI:10.1016/j.ringps.2021.100034
[本文引用: 2]
[53]
MANGALATHU S, HWANG S H, JEON J S Failure mode and effects analysis of RC members based on machine-learning-based Shapley additive explanations (SHAP) approach
[J]. Engineering Structures , 2020 , 219 : 110927
DOI:10.1016/j.engstruct.2020.110927
[本文引用: 1]
Strength prediction of circular CFST columns through advanced machine learning methods
3
2022
... 钢管混凝土(concrete-filled steel tube, CFST)结构具有优异的力学性能和经济效益[1 ] ,已被广泛应用于各种建构筑物[2 -4 ] . CFST的常见截面类型有圆形、矩形和多边形等. 在工程应用中,多采用圆形截面的CFST,原因是外围圆钢管能够有效约束核心混凝土,提高核心混凝土的强度,改善核心混凝土的塑性和韧性[5 ] . 在高层建筑应用中,CFST柱的经济效益高,能够减少混凝土的用量[6 ] . ...
... 收集圆形截面CFST柱数据样本共227个[13 ] ,由于机器学习对样本数没有明确要求,本研究引用的数据库样本数与文献[10 ]、[25 ]~[27 ]的相比处于合理水平. 数据驱动建模方法的性能依赖数据质量,异常样本会显著降低模型预测精度,因此必须仔细检查数据库质量[25 ] . 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
钢管混凝土混合结构设计原理及其在桥梁工程中的应用
1
2020
... 钢管混凝土(concrete-filled steel tube, CFST)结构具有优异的力学性能和经济效益[1 ] ,已被广泛应用于各种建构筑物[2 -4 ] . CFST的常见截面类型有圆形、矩形和多边形等. 在工程应用中,多采用圆形截面的CFST,原因是外围圆钢管能够有效约束核心混凝土,提高核心混凝土的强度,改善核心混凝土的塑性和韧性[5 ] . 在高层建筑应用中,CFST柱的经济效益高,能够减少混凝土的用量[6 ] . ...
钢管混凝土混合结构设计原理及其在桥梁工程中的应用
1
2020
... 钢管混凝土(concrete-filled steel tube, CFST)结构具有优异的力学性能和经济效益[1 ] ,已被广泛应用于各种建构筑物[2 -4 ] . CFST的常见截面类型有圆形、矩形和多边形等. 在工程应用中,多采用圆形截面的CFST,原因是外围圆钢管能够有效约束核心混凝土,提高核心混凝土的强度,改善核心混凝土的塑性和韧性[5 ] . 在高层建筑应用中,CFST柱的经济效益高,能够减少混凝土的用量[6 ] . ...
大断面软岩斜井高强度钢管混凝土支架支护技术
0
2013
大断面软岩斜井高强度钢管混凝土支架支护技术
0
2013
Seismic behavior of light weight CFST frame-fabricated single row reinforced shear wall structures
1
2021
... 钢管混凝土(concrete-filled steel tube, CFST)结构具有优异的力学性能和经济效益[1 ] ,已被广泛应用于各种建构筑物[2 -4 ] . CFST的常见截面类型有圆形、矩形和多边形等. 在工程应用中,多采用圆形截面的CFST,原因是外围圆钢管能够有效约束核心混凝土,提高核心混凝土的强度,改善核心混凝土的塑性和韧性[5 ] . 在高层建筑应用中,CFST柱的经济效益高,能够减少混凝土的用量[6 ] . ...
矩形钢管混凝土结构研究综述
2
2015
... 钢管混凝土(concrete-filled steel tube, CFST)结构具有优异的力学性能和经济效益[1 ] ,已被广泛应用于各种建构筑物[2 -4 ] . CFST的常见截面类型有圆形、矩形和多边形等. 在工程应用中,多采用圆形截面的CFST,原因是外围圆钢管能够有效约束核心混凝土,提高核心混凝土的强度,改善核心混凝土的塑性和韧性[5 ] . 在高层建筑应用中,CFST柱的经济效益高,能够减少混凝土的用量[6 ] . ...
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
矩形钢管混凝土结构研究综述
2
2015
... 钢管混凝土(concrete-filled steel tube, CFST)结构具有优异的力学性能和经济效益[1 ] ,已被广泛应用于各种建构筑物[2 -4 ] . CFST的常见截面类型有圆形、矩形和多边形等. 在工程应用中,多采用圆形截面的CFST,原因是外围圆钢管能够有效约束核心混凝土,提高核心混凝土的强度,改善核心混凝土的塑性和韧性[5 ] . 在高层建筑应用中,CFST柱的经济效益高,能够减少混凝土的用量[6 ] . ...
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
Design of concrete filled tubular beam-columns with high strength steel and concrete
1
2016
... 钢管混凝土(concrete-filled steel tube, CFST)结构具有优异的力学性能和经济效益[1 ] ,已被广泛应用于各种建构筑物[2 -4 ] . CFST的常见截面类型有圆形、矩形和多边形等. 在工程应用中,多采用圆形截面的CFST,原因是外围圆钢管能够有效约束核心混凝土,提高核心混凝土的强度,改善核心混凝土的塑性和韧性[5 ] . 在高层建筑应用中,CFST柱的经济效益高,能够减少混凝土的用量[6 ] . ...
圆钢管混凝土柱轴心受压承载力计算
1
2014
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
圆钢管混凝土柱轴心受压承载力计算
1
2014
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
Machine learning-based prediction of CFST columns using gradient tree boosting algorithm
1
2021
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
Application of new information technology on concrete: an overview
1
2011
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
Optimization of artificial intelligence system by evolutionary algorithm for prediction of axial capacity of rectangular concrete filled steel tubes under compression
2
2020
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
... 收集圆形截面CFST柱数据样本共227个[13 ] ,由于机器学习对样本数没有明确要求,本研究引用的数据库样本数与文献[10 ]、[25 ]~[27 ]的相比处于合理水平. 数据驱动建模方法的性能依赖数据质量,异常样本会显著降低模型预测精度,因此必须仔细检查数据库质量[25 ] . 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
A new empirical formula for prediction of the axial compression capacity of CCFT columns
3
2019
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
... 将本研究所提模型与文献[43 ]~[46 ]、Tran等[11 ,13 ,47 -48 ] 提出的模型在测试集中进行比较,结果如图8 所示. 所提模型的预测值与真实值吻合程度最好. 采用4个评价指标综合对比各模型的性能[49 ] ,分别为决定系数R 2 、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE, 表达式分别为 ...
... Performance evaluation metrics for nine models
Tab.2 模型 R 2 RMSE MAE MAPE 文献[43 ] 0.854 315.651 231.706 27.047 文献[44 ] 0.768 397.773 323.111 38.605 文献[45 ] 0.785 382.387 320.920 36.873 文献[46 ] 0.857 382.387 320.920 36.873 文献[47 ] 0.854 315.720 244.594 36.944 文献[48 ] 0.844 325.718 251.056 37.057 文献[11 ] 0.920 233.976 195.502 24.078 文献[13 ] 0.922 230.704 176.394 18.555 本研究 0.963 157.958 93.989 10.388
图 9 模型优化前后性能评价指标的变化 ...
Axial compression prediction and GUI design for CCFST column using machine learning and Shapley additive explanation
1
2022
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
New prediction model for the ultimate axial capacity of concrete-filled steel tubes: an evolutionary approach
4
2020
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
... 收集圆形截面CFST柱数据样本共227个[13 ] ,由于机器学习对样本数没有明确要求,本研究引用的数据库样本数与文献[10 ]、[25 ]~[27 ]的相比处于合理水平. 数据驱动建模方法的性能依赖数据质量,异常样本会显著降低模型预测精度,因此必须仔细检查数据库质量[25 ] . 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
... 将本研究所提模型与文献[43 ]~[46 ]、Tran等[11 ,13 ,47 -48 ] 提出的模型在测试集中进行比较,结果如图8 所示. 所提模型的预测值与真实值吻合程度最好. 采用4个评价指标综合对比各模型的性能[49 ] ,分别为决定系数R 2 、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE, 表达式分别为 ...
... Performance evaluation metrics for nine models
Tab.2 模型 R 2 RMSE MAE MAPE 文献[43 ] 0.854 315.651 231.706 27.047 文献[44 ] 0.768 397.773 323.111 38.605 文献[45 ] 0.785 382.387 320.920 36.873 文献[46 ] 0.857 382.387 320.920 36.873 文献[47 ] 0.854 315.720 244.594 36.944 文献[48 ] 0.844 325.718 251.056 37.057 文献[11 ] 0.920 233.976 195.502 24.078 文献[13 ] 0.922 230.704 176.394 18.555 本研究 0.963 157.958 93.989 10.388
图 9 模型优化前后性能评价指标的变化 ...
Evaluating structural response of concrete-filled steel tubular columns through machine learning
1
2021
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
Prediction of the axial compressive strength of circular concrete-filled steel tube columns using sine cosine algorithm-support vector regression
1
2021
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
An explainable prediction framework for engineering problems: case studies in reinforced concrete members modeling
1
2022
... CFST柱的轴心受压承载力主要由钢管混凝土柱的几何尺寸和材料性能决定[7 ] . 由于混凝土材料非线性特征,材料及界面间的相互作用比较复杂,建立回归模型的过程需要大量复杂的数学统计分析. 虽然回归分析可以建立明确的模型,但要得到准确的回归方程并不容易. 此外,轴向承载力的试验研究花费较高,实验测试结果的准确性受多种因素的影响,如设备类型、人员操作技能、测试样品和实验设备精度等. 已有一些规范适用于设计具有一定长细比和材料等级的CFST柱[8 ] ,这些规范是根据预先假定的钢管或填充混凝土的应力-应变关系推导出来的,与实际的承载力可能会有较大差异. 计算机辅助建模用于预测建筑材料力学性能的相关研究受到关注[9 ] ,Nguyen等[10 ] 使用前馈神经网络(feedforward neural network, FNN)预测矩形CFST的抗压强度. Tran等[11 ] 使用基于人工神经网络(artificial neural network, ANN)的预测模型来预测圆形CFST柱的轴向承载力. Liu 等[12 ] 提出由粒子群算法(particle swarm optimization, PSO)优化的混合PSO-ANN模型,并通过参数灵敏度分析得出钢管直径和厚度是影响轴向承载力的关键因素. Javed等[13 ] 利用基因表达式编程(gene expression programming, GEP)建立圆CFST轴向行为的预测模型,将CFST的极限轴向承载力与CFST的长度、长径比、钢管厚度与直径、钢的屈服强度、混凝土的抗压强度联系起来. Naser等[14 ] 利用自然启发的机器学习(naturally inspired machine learning, NIML)算法推导出预测表达式,可以准确预测CFST柱的结构响应. Lyu等[15 ] 通过正弦余弦算法优化的支持向量机(support vector machine, SVM)预测圆形CFST柱的轴向承载力. 虽然这些算法可以从数据中学习进行模型构建,但是建模过程隐式且复杂,模型可解释性不强[16 ] . 传统的特征重要性量化方法计算每个特征对模型预测能力的贡献程度,但只考虑特征在数据集上对输出的一般影响趋势,难以确定某个特征与最终输出之间的关系. ...
1
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
基于QPSO-DBN集成学习的城轨列车定位研究
1
2022
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
基于QPSO-DBN集成学习的城轨列车定位研究
1
2022
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
Coastal wetland mapping using ensemble learning algorithms: a comparative study of bagging, boosting and stacking techniques
1
2020
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
Safety situation evaluation method based on XGBoost algorithm for underground comprehensive pipe gallery
1
2020
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
Safety situation evaluation method based on XGBoost algorithm for underground comprehensive pipe gallery
1
2020
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
Xgboost application on bridge management systems for proactive damage estimation
0
2019
Interpretable XGBoost-SHAP machine-learning model for shear strength prediction of squat RC walls
1
2021
... 调整机器学习模型中的超参数是必要且重要的步骤. 如果模型超参数优化得好,模型的性能将得到显著提高并且占用的计算机运行资源也将有效减少. 本研究调整超参数的方法为K 折交叉验证(K -Fold CV)与树结构概率密度估计(tree-structured Parzen estimator, TPE). 模型中的主要超参数为n_estimators、max_depth、learning_rate. 其中n_estimators为基学习器数量,数量越大,模型的学习能力越强,但模型也越容易过拟合;max_depth为树的深度,是重要的剪枝参数;learning_rate为迭代决策树的步长,又名学习率,控制算法迭代速率,常用于防止过拟合. 这3个超参数的取值对模型性能影响较大[22 ] ,因此被选为优化超参数. K -Fold CV是广泛使用的克服随机抽样偏差的方法. 如图4 所示,将训练集中数据分成K 组子集(本研究取K =10),不重复地抽取1个子集作为一次评估数据,将其余的K −1组子集数据组合在一起作为模型的训练数据,重复上述过程K 次,得到K 组该超参数取值下的决定系数R 2 ,再对K 组的R 2 加和取平均值. 如图5 所示,K -Fold CV能够确定模型超参数的取值范围,避免超参数优化范围过大造成计算资源浪费. ...
1
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
混凝土结构基本性能的可解释机器学习建模方法
1
2022
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
混凝土结构基本性能的可解释机器学习建模方法
1
2022
... 作为机器学习中的热门研究方向,集成学习(ensemble learning)可以构建并整合多个个体学习者以完成学习任务,提高决策的准确性和泛化能力[17 ] . 相比如ANN、SVM的个体模型,集成模型具有更优异的性能表现,这是由于个体模型泛化能力有限,且易过拟合[18 ] . 集成学习的算法策略主要有3种:Boosting、Bagging、Stacking[19 ] . 热度很高的集成学习算法极限梯度提升(extreme gradient boosting, XGBoost)采用Boosting策略,在Kaggle的机器学习竞赛中备受欢迎,也在土木工程中得到广泛高效应用[20 -23 ] . 本研究使用Shapley additive explanations (SHAP)方法解释优化的XGBoost模型. SHAP可对XGBoost模型的预测结果进行整体和局部的解释,详细分析每个样本的各个特征对模型预测结果的影响正负性[24 ] . 相比传统的机器学习解释方法,SHAP不仅能够提供每个特征的重要程度排序,还能够提供特征对预测结果的影响规律. 本文使用XGBoost算法建立CFST柱轴向承载力预测模型,并将模型的预测值与经验计算方法和规范计算所得结果进行比较. ...
Data-driven ultimate conditions prediction and stress-strain model for FRP-confined concrete
2
2020
... 收集圆形截面CFST柱数据样本共227个[13 ] ,由于机器学习对样本数没有明确要求,本研究引用的数据库样本数与文献[10 ]、[25 ]~[27 ]的相比处于合理水平. 数据驱动建模方法的性能依赖数据质量,异常样本会显著降低模型预测精度,因此必须仔细检查数据库质量[25 ] . 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
... [25 ]. 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
A novel artificial intelligence technique to predict compressive strength of recycled aggregate concrete using ICA-XGBoost model
0
2021
Estimating the axial compression capacity of concrete-filled double-skin tubular columns with metallic and non-metallic composite materials
1
2022
... 收集圆形截面CFST柱数据样本共227个[13 ] ,由于机器学习对样本数没有明确要求,本研究引用的数据库样本数与文献[10 ]、[25 ]~[27 ]的相比处于合理水平. 数据驱动建模方法的性能依赖数据质量,异常样本会显著降低模型预测精度,因此必须仔细检查数据库质量[25 ] . 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
Axial strength prediction of steel tube confined concrete columns using a hybrid machine learning model
1
2022
... 收集圆形截面CFST柱数据样本共227个[13 ] ,由于机器学习对样本数没有明确要求,本研究引用的数据库样本数与文献[10 ]、[25 ]~[27 ]的相比处于合理水平. 数据驱动建模方法的性能依赖数据质量,异常样本会显著降低模型预测精度,因此必须仔细检查数据库质量[25 ] . 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
A novel integrated approach of augmented grey wolf optimizer and ANN for estimating axial load carrying-capacity of concrete-filled steel tube columns
1
2022
... 收集圆形截面CFST柱数据样本共227个[13 ] ,由于机器学习对样本数没有明确要求,本研究引用的数据库样本数与文献[10 ]、[25 ]~[27 ]的相比处于合理水平. 数据驱动建模方法的性能依赖数据质量,异常样本会显著降低模型预测精度,因此必须仔细检查数据库质量[25 ] . 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
Estimating key characteristics of the concrete delivery and placement process using linear regression analysis
1
2003
... 收集圆形截面CFST柱数据样本共227个[13 ] ,由于机器学习对样本数没有明确要求,本研究引用的数据库样本数与文献[10 ]、[25 ]~[27 ]的相比处于合理水平. 数据驱动建模方法的性能依赖数据质量,异常样本会显著降低模型预测精度,因此必须仔细检查数据库质量[25 ] . 每个数据样本包括7个参数,其中输入参数为钢管直径D 、钢管壁厚度δ 、钢屈服强度f y 、混凝土抗压强度f c 、柱长L 、长径比L /D ,它们是影响CFST轴向承载力的常见因素[1 , 28 -29 ] ;输出参数为轴向承载力N u . 参数统计信息如表1 所示,各参数的频率分布图如图1 所示.其中n 为频数,代表每个变量子区间所含样本的个数,每个变量的子区间频数与每个变量子频数之和的比值称为频率,F 为累积频率由各子区间的频率逐级累加得到. 在设计CFST时,须检查样本参数的相互依赖关系,避免出现多重共线性问题[30 ] ,样本参数的皮尔逊相关系数矩阵如图2 所示. 图中,r 为皮尔逊相关系数. 可以看出,输入参数与轴压载荷能力存在复杂的非线性关系. ...
1
... 马氏距离(Mahalanobis distance, D M )可以解决数据样本中维度不一致问题,常用于测量样本点到数据库分布中心的距离[31 ] . 异常样本通常远离数据库分布的中心,因此D M 可以检测到数据库中的异常样本: ...
1
... 如图3 所示,46号样本的D M 与其他样品的有明显偏差. 查看数据库发现,46号样本的承载力N u =11460 kN,远大于数据库的N u 平均值,这可能是46号样本的马氏距离有明显偏差的原因. 本研究将不把46号样本放在模型验证集或者测试集中,以免对模型的评估造成影响. 除此之外,数据库样本中的D M 并未出现明显分散,因此本研究提供的数据库具有较高的质量. 参考文献[32 ]~[34 ],以8∶1∶1将数据库分割为训练集、验证集和测试集. 其中测试集的样本只在测试模型性能时使用,不以任何形式参与模型的构建与优化. ...
Convolutional neural networks for predicting creep and shrinkage of concrete
0
2021
Gene expression value prediction based on XGBoost algorithm
1
2019
... 如图3 所示,46号样本的D M 与其他样品的有明显偏差. 查看数据库发现,46号样本的承载力N u =11460 kN,远大于数据库的N u 平均值,这可能是46号样本的马氏距离有明显偏差的原因. 本研究将不把46号样本放在模型验证集或者测试集中,以免对模型的评估造成影响. 除此之外,数据库样本中的D M 并未出现明显分散,因此本研究提供的数据库具有较高的质量. 参考文献[32 ]~[34 ],以8∶1∶1将数据库分割为训练集、验证集和测试集. 其中测试集的样本只在测试模型性能时使用,不以任何形式参与模型的构建与优化. ...
1
... 基于Python3.7的Scikit-learn库和XGBoost库实现XGBoost模型. XGBoost是可扩展的端到端树状提升系统,在损失函数和损失优化过程方面进行增强,使提升树能够超越自身的计算极限,从而实现快速运算和优越的模型性能,以达到工程应用的目的[35 ] . XGBoost是由K 个基模型组成的加法模型,具有高运行效率和高精度的特点. 基模型为分类回归树 (classification and regression tree,CART), ...
基于XGBoost的电力系统暂态稳定预测方法
1
2020
... 式中: ${G_j} = \sum\nolimits_{i \in {I_j}} {{g_i}} $ 、 ${H_j} = \sum\nolimits_{i \in {I_j}} {{h_i}} $ ,其中 $ {g_i} $ 、 ${h_i}$ 分别为损失函数的一阶导数和二阶导数, ${I_j} = \left\{ {i\mid q\left( {{x_i}} \right) = j} \right\}$ 为叶子j 的样本组, $q\left( {{x_i}} \right)$ 为树结构函数; ${O^*}$ 为树的结构分数, ${O^*}$ 越小,总体损失越小;T 为叶节点的数量; $\gamma $ 为模型的惩罚系数. 为了求解目标值,采用贪婪算法划分子树. 贪婪算法是通过控制局部最优达到全局最优的算法,每次尝试对已有叶节点加入1个分割点,枚举可行的分割点,选择增益最大的划分[36 ] . 增益公式的表达式为 ...
基于XGBoost的电力系统暂态稳定预测方法
1
2020
... 式中: ${G_j} = \sum\nolimits_{i \in {I_j}} {{g_i}} $ 、 ${H_j} = \sum\nolimits_{i \in {I_j}} {{h_i}} $ ,其中 $ {g_i} $ 、 ${h_i}$ 分别为损失函数的一阶导数和二阶导数, ${I_j} = \left\{ {i\mid q\left( {{x_i}} \right) = j} \right\}$ 为叶子j 的样本组, $q\left( {{x_i}} \right)$ 为树结构函数; ${O^*}$ 为树的结构分数, ${O^*}$ 越小,总体损失越小;T 为叶节点的数量; $\gamma $ 为模型的惩罚系数. 为了求解目标值,采用贪婪算法划分子树. 贪婪算法是通过控制局部最优达到全局最优的算法,每次尝试对已有叶节点加入1个分割点,枚举可行的分割点,选择增益最大的划分[36 ] . 增益公式的表达式为 ...
Credit scoring with a data mining approach based on support vector machines
1
2007
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
Random search for hyper-parameter optimization
1
2012
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
2
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
... [39 ]. 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
2
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
... [39 ]. 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
1
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
SMOTE-XGBoost using tree Parzen estimator optimization for copper flotation method classification
1
2020
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
1
... 网格搜索是应用广泛的超参数优化方法[37 ] ,但它运行速度和效率都不高. Bergstra等[38 ] 认为,随机搜索虽然比网格搜索更有效,但它可能会错过一些重要组合,导致搜索出的超参数组合达不到最优效果. 贝叶斯优化是基于模型的超参数优化, 能够充分利用先验知识自适应地迭代计算. 相比随机搜索,贝叶斯优化不易遗漏搜索空间中的重要参数,也不易陷入局部最优[39 ] . TPE[40 ] 是传统贝叶斯优化的变体,TPE将配置空间转换为非参数密度分布,配置空间可以用均匀分布、离散均匀分布和对数均匀分布表示,比传统贝叶斯优化更灵活[41 ] . 在确定超参数大概范围后,本研究使用的Hyperopt库[42 ] 将TPE作为代理函数,用于寻找最优超参数组合,使模型性能达到最优,调参过程如图6 所示. Hyperopt包括4个参数:space、algo、max_evals、fn[39 ] . 其中space为搜索空间,由超参数范围确定;algo为使用的代理函数模型,本研究使用TPE;fn为目标函数,本研究为最大化验证集的决定系数R 2 ;max_evals为最大迭代次数,max_evals=500. 用于XGBoost模型预测的超参数组合如下:n_estimators的最优范围为[20,70],最优取值为63;max_depth的最优范围为[1 ,5 ],最优取值为3,learning_rate的最优范围为[0.2,0.5],最优取值为0.361. 经过超参数优化后的XGBoost模型在3个数据集的表现如图7 所示. 可以看到,3个数据集的真实值N u,n 均与模型的预测值N u,p 接近,说明模型没有发生过拟合现象. ...
2
... 将本研究所提模型与文献[43 ]~[46 ]、Tran等[11 ,13 ,47 -48 ] 提出的模型在测试集中进行比较,结果如图8 所示. 所提模型的预测值与真实值吻合程度最好. 采用4个评价指标综合对比各模型的性能[49 ] ,分别为决定系数R 2 、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE, 表达式分别为 ...
... Performance evaluation metrics for nine models
Tab.2 模型 R 2 RMSE MAE MAPE 文献[43 ] 0.854 315.651 231.706 27.047 文献[44 ] 0.768 397.773 323.111 38.605 文献[45 ] 0.785 382.387 320.920 36.873 文献[46 ] 0.857 382.387 320.920 36.873 文献[47 ] 0.854 315.720 244.594 36.944 文献[48 ] 0.844 325.718 251.056 37.057 文献[11 ] 0.920 233.976 195.502 24.078 文献[13 ] 0.922 230.704 176.394 18.555 本研究 0.963 157.958 93.989 10.388
图 9 模型优化前后性能评价指标的变化 ...
1
... Performance evaluation metrics for nine models
Tab.2 模型 R 2 RMSE MAE MAPE 文献[43 ] 0.854 315.651 231.706 27.047 文献[44 ] 0.768 397.773 323.111 38.605 文献[45 ] 0.785 382.387 320.920 36.873 文献[46 ] 0.857 382.387 320.920 36.873 文献[47 ] 0.854 315.720 244.594 36.944 文献[48 ] 0.844 325.718 251.056 37.057 文献[11 ] 0.920 233.976 195.502 24.078 文献[13 ] 0.922 230.704 176.394 18.555 本研究 0.963 157.958 93.989 10.388
图 9 模型优化前后性能评价指标的变化 ...
1
... Performance evaluation metrics for nine models
Tab.2 模型 R 2 RMSE MAE MAPE 文献[43 ] 0.854 315.651 231.706 27.047 文献[44 ] 0.768 397.773 323.111 38.605 文献[45 ] 0.785 382.387 320.920 36.873 文献[46 ] 0.857 382.387 320.920 36.873 文献[47 ] 0.854 315.720 244.594 36.944 文献[48 ] 0.844 325.718 251.056 37.057 文献[11 ] 0.920 233.976 195.502 24.078 文献[13 ] 0.922 230.704 176.394 18.555 本研究 0.963 157.958 93.989 10.388
图 9 模型优化前后性能评价指标的变化 ...
2
... 将本研究所提模型与文献[43 ]~[46 ]、Tran等[11 ,13 ,47 -48 ] 提出的模型在测试集中进行比较,结果如图8 所示. 所提模型的预测值与真实值吻合程度最好. 采用4个评价指标综合对比各模型的性能[49 ] ,分别为决定系数R 2 、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE, 表达式分别为 ...
... Performance evaluation metrics for nine models
Tab.2 模型 R 2 RMSE MAE MAPE 文献[43 ] 0.854 315.651 231.706 27.047 文献[44 ] 0.768 397.773 323.111 38.605 文献[45 ] 0.785 382.387 320.920 36.873 文献[46 ] 0.857 382.387 320.920 36.873 文献[47 ] 0.854 315.720 244.594 36.944 文献[48 ] 0.844 325.718 251.056 37.057 文献[11 ] 0.920 233.976 195.502 24.078 文献[13 ] 0.922 230.704 176.394 18.555 本研究 0.963 157.958 93.989 10.388
图 9 模型优化前后性能评价指标的变化 ...
Strength, stiffness and ductility of concrete-filled steel columns under axial compression
2
2017
... 将本研究所提模型与文献[43 ]~[46 ]、Tran等[11 ,13 ,47 -48 ] 提出的模型在测试集中进行比较,结果如图8 所示. 所提模型的预测值与真实值吻合程度最好. 采用4个评价指标综合对比各模型的性能[49 ] ,分别为决定系数R 2 、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE, 表达式分别为 ...
... Performance evaluation metrics for nine models
Tab.2 模型 R 2 RMSE MAE MAPE 文献[43 ] 0.854 315.651 231.706 27.047 文献[44 ] 0.768 397.773 323.111 38.605 文献[45 ] 0.785 382.387 320.920 36.873 文献[46 ] 0.857 382.387 320.920 36.873 文献[47 ] 0.854 315.720 244.594 36.944 文献[48 ] 0.844 325.718 251.056 37.057 文献[11 ] 0.920 233.976 195.502 24.078 文献[13 ] 0.922 230.704 176.394 18.555 本研究 0.963 157.958 93.989 10.388
图 9 模型优化前后性能评价指标的变化 ...
Axial capacity of circular concrete-filled tube columns
2
2004
... 将本研究所提模型与文献[43 ]~[46 ]、Tran等[11 ,13 ,47 -48 ] 提出的模型在测试集中进行比较,结果如图8 所示. 所提模型的预测值与真实值吻合程度最好. 采用4个评价指标综合对比各模型的性能[49 ] ,分别为决定系数R 2 、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE, 表达式分别为 ...
... Performance evaluation metrics for nine models
Tab.2 模型 R 2 RMSE MAE MAPE 文献[43 ] 0.854 315.651 231.706 27.047 文献[44 ] 0.768 397.773 323.111 38.605 文献[45 ] 0.785 382.387 320.920 36.873 文献[46 ] 0.857 382.387 320.920 36.873 文献[47 ] 0.854 315.720 244.594 36.944 文献[48 ] 0.844 325.718 251.056 37.057 文献[11 ] 0.920 233.976 195.502 24.078 文献[13 ] 0.922 230.704 176.394 18.555 本研究 0.963 157.958 93.989 10.388
图 9 模型优化前后性能评价指标的变化 ...
Short-term traffic flow prediction based on whale optimization algorithm optimized BiLSTM_Attention
1
2022
... 将本研究所提模型与文献[43 ]~[46 ]、Tran等[11 ,13 ,47 -48 ] 提出的模型在测试集中进行比较,结果如图8 所示. 所提模型的预测值与真实值吻合程度最好. 采用4个评价指标综合对比各模型的性能[49 ] ,分别为决定系数R 2 、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE, 表达式分别为 ...
一种数据驱动的暂态电压稳定评估方法及其可解释性研究
1
2021
... 可解释性不佳是阻碍机器学习算法在实际工程中应用的重要因素[50 ] . 了解模型为何会根据特征值预测出钢管混凝土柱的轴向承载力,关系模型预测结果的可信度. 与结构简单的单棵决策树相比,复杂集成决策树模型(以XGBoost为代表)的预测过程更难以直观地被人理解,因此有必要对预测结果进行可解释性分析. Lundberg等[51 ] 提出统一的可解释机器学习的方法Shapley additive explanations(SHAP). SHAP构建加性的解释模型,将所有的特征都视为贡献者,计算其贡献值,所有特征的贡献值的和即为模型的最终预测: ...
一种数据驱动的暂态电压稳定评估方法及其可解释性研究
1
2021
... 可解释性不佳是阻碍机器学习算法在实际工程中应用的重要因素[50 ] . 了解模型为何会根据特征值预测出钢管混凝土柱的轴向承载力,关系模型预测结果的可信度. 与结构简单的单棵决策树相比,复杂集成决策树模型(以XGBoost为代表)的预测过程更难以直观地被人理解,因此有必要对预测结果进行可解释性分析. Lundberg等[51 ] 提出统一的可解释机器学习的方法Shapley additive explanations(SHAP). SHAP构建加性的解释模型,将所有的特征都视为贡献者,计算其贡献值,所有特征的贡献值的和即为模型的最终预测: ...
1
... 可解释性不佳是阻碍机器学习算法在实际工程中应用的重要因素[50 ] . 了解模型为何会根据特征值预测出钢管混凝土柱的轴向承载力,关系模型预测结果的可信度. 与结构简单的单棵决策树相比,复杂集成决策树模型(以XGBoost为代表)的预测过程更难以直观地被人理解,因此有必要对预测结果进行可解释性分析. Lundberg等[51 ] 提出统一的可解释机器学习的方法Shapley additive explanations(SHAP). SHAP构建加性的解释模型,将所有的特征都视为贡献者,计算其贡献值,所有特征的贡献值的和即为模型的最终预测: ...
Prediction of uniaxial compressive strength and modulus of elasticity for Travertine samples using an explainable artificial intelligence
2
2021
... 式中:f (x )为机器学习模型,本研究为XGBoost模型;z * ={0,1},当观察到特征i 时,z * =1,否则为0;如果i 参与预测过程,则M 为特征的数量; ${\phi _i}$ 为特征i 的贡献,表达式[52 ] 为 ...
... 式中: N 为所有输入特征的集合,S 为包含z * 中非零索引的集合[52 ] . SHAP有不同的内核,如Kernel SHAP、Deep SHAP、Tree SHAP[53 ] ,其中Tree SHAP与本研究的XGBoost模型相匹配. 如图10 所示为SHAP概要图,从图左侧输入参数重要度排序可以得到影响钢管混凝土轴向承载力的3个关键因素:D 、δ 、L/D . 图中的散点为各特征参数的SHAP分布情况,SHAP的数值表示特征参数变量和输出结果间的正负相关性. D 对轴向承载力造成正面影响,随D 的增大,SHAP值增大,对应的承载力相应提高; $\delta $ 对轴向承载力的正面影响较明显;L/D 对轴向承载力有负面影响,特征参数值增大,SHAP值相应减小,负面影响的程度增大;其他3个输入参数对轴向承载力影响程度较小. 输入参数D 对预测结果影响最大,46号样本的D 远大于数据库样本D 的平均值,进一步解释了46号样本承载力远大于数据库样本N u 的平均值的原因. ...
Failure mode and effects analysis of RC members based on machine-learning-based Shapley additive explanations (SHAP) approach
1
2020
... 式中: N 为所有输入特征的集合,S 为包含z * 中非零索引的集合[52 ] . SHAP有不同的内核,如Kernel SHAP、Deep SHAP、Tree SHAP[53 ] ,其中Tree SHAP与本研究的XGBoost模型相匹配. 如图10 所示为SHAP概要图,从图左侧输入参数重要度排序可以得到影响钢管混凝土轴向承载力的3个关键因素:D 、δ 、L/D . 图中的散点为各特征参数的SHAP分布情况,SHAP的数值表示特征参数变量和输出结果间的正负相关性. D 对轴向承载力造成正面影响,随D 的增大,SHAP值增大,对应的承载力相应提高; $\delta $ 对轴向承载力的正面影响较明显;L/D 对轴向承载力有负面影响,特征参数值增大,SHAP值相应减小,负面影响的程度增大;其他3个输入参数对轴向承载力影响程度较小. 输入参数D 对预测结果影响最大,46号样本的D 远大于数据库样本D 的平均值,进一步解释了46号样本承载力远大于数据库样本N u 的平均值的原因. ...