پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,288,035 |
| تعداد دریافت فایل اصل مقاله | 4,882,773 |
پیش‌بینی عمق کربناته شدن بتن و بررسی عوامل تأثیرگذاراز طریق مدل های یادگیری ماشین و بهینه‌سازی | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 5، دوره 56، شماره 12، 1403، صفحه 1583-1604 اصل مقاله (1.14 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2024.22980.8086 | ||
| نویسندگان | ||
| شعیب منصوری؛ علیرضا رهایی؛ سیدهادی راشدی؛ فریدون مقدس نژاد* | ||
| دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکببر، تهران، ایران | ||
| چکیده | ||
| پیش‌بینی دقیق عمق کربناته شدن بتن برای محافظت در برابر پیامدهای زیان‌بار مانند ترک خوردگی و خوردگی بسیار مهم است. با این وجود، به دلیل پیچیدگی‌های فرآیند و انبوه متغیرهای موجود، تشخیص پارامترهایی که بیشترین اهمیت را در مدل‌سازی عمق کربناته بتن دارند، چالش بزرگی محسوب می‌شود. این مقاله به توسعه یک روش انتخاب ویژگی جدید به نام MOEA/D-ANN می پردازد. هدف این روش شناسایی مهم‌ترین متغیرهایی است که به دستیابی بالاترین دقت پیش بینی کمک می کنند. این روش پیشنهادی الگوریتم تکاملی بهینه‌سازی چند هدفه مبتنی بر جداسازی را با شبکه‌های عصبی مصنوعی ترکیب می‌کند تا با استفاده از قدرت روش‌های بهینه‌سازی و یادگیری ماشین، مشکل انتخاب ویژگی را به طور موثر حل کند. برای ارزیابی عملکرد روش معرفی شده از الگوریتم (RReliefF) که یک الگوریتم رتبه بندی ویژگی است ، نیز بهره گرفته شده است. از روش ANN برای پیش‌بینی عمق کربناته بتن و از روش های ترکیبیMOEA/D-ANN و RReliefFبرای یافتن متغیرهای تأثیرگذار استفاده شده است. نتایج بدست آمده نشان داده اند که مدل ایجاد شده با استفاده از رویکرد MOEA/D-ANN، با ترکیب متغیرهای تعیین‌شده توسط آن، کاهش قابل توجهی را در درصد خطاها و افزایش دقت دارد. علاوه بر این، این مدل به مقدار قابل‌توجه ضریب تعیین R2 = 0.99 می‌رسد، که بر دقت استثنایی آن در پیش بینی عمق کربناته بتن و تأیید انتخاب دقیق متغیرهای تأثیرگذار تأکید می‌کند. | ||
| کلیدواژه‌ها | ||
| عمق کربناسیون؛ پیش‌بینی؛ یادگیری ماشین؛ شبکه عصبی مصنوعی؛ بهینه سازی | ||
| موضوعات | ||
| یادگیری ماشین؛ بهینه سازی؛ تعمیر و تقویت روسازی؛ تکنولوژی بتن؛ تکنولوژی بتن | ||
| عنوان مقاله [English] | ||
| Predicting Concrete Carbonation Depth and investigating the influencing factors through machine learning approaches and optimization | ||
| نویسندگان [English] | ||
| Shoaib Mansouri؛ Alireza Rahai؛ Seyed Hadi Rashedi؛ Fereidoon Moghadas Nejad | ||
| Civil and Environmental Engineering Department, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran | ||
| چکیده [English] | ||
| Accurate prediction of the carbonation depth of concrete is very important to protect against harmful consequences such as cracking and corrosion. Nevertheless, due to the complexities of the process and the multitude of available variables, identifying the parameters that are most important in modeling the carbonate depth of concrete is considered a big challenge. This paper deals with the development of a new feature selection method called MOEA/D-ANN. The purpose of this method is to identify the most important variables that help to achieve the highest forecasting accuracy. This proposed method combines the separation-based multi-objective optimization evolutionary algorithm with artificial neural networks to effectively solve the feature selection problem by using the power of optimization methods and machine learning. To evaluate the performance of the introduced method, the algorithm (RReliefF), which is a feature ranking algorithm, has also been used. ANN method has been used to predict concrete carbonate depth and combined MOEA/D-ANN and RReliefF methods have been used to find the influencing variables. The obtained results have shown that the model created using the MOEA/D-ANN approach, by combining the variables determined by it, has a significant reduction in the percentage of errors and an increase in accuracy. In addition, this model reaches the significant value of the coefficient of determination R2 = 0.99, which emphasizes its exceptional accuracy in predicting the depth of concrete carbonate and confirming the accurate selection of influential variables. | ||
| کلیدواژه‌ها [English] | ||
| Carbonation depth, prediction, machine learning, artificial neural network, optimization | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 704 تعداد دریافت فایل اصل مقاله: 397 |
||