用于混凝土配合比抗压强度预测与优化的扩展多模型回归方法
机器学习
2021-06-15 v1
摘要
由于实验测试存在显著延迟和成本，基于模型的混凝土抗压强度评估具有很高的价值，既可用于强度预测也可用于配合比优化。在这方面，最近几项研究利用最先进的回归模型，借助可用的实验数据集来获得良好的预测模型。然而，尽管所采用的每个模型能更好地适应输入数据的特定性质，但由于对超参数选择和学习策略的敏感性，单个模型的精度有限。在本工作中，我们通过多个回归方法的加权组合进一步提高了预测模型的精度。此外，基于所获得的多元回归模型，提出了一种基于遗传算法（GA）的多目标配合比优化。特别地，我们提出了一个数据辅助框架，其中基于人工神经网络、随机森林回归和多项式回归的回归方法被联合实现以预测混凝土的抗压强度。然后，单个回归模型的结果通过线性加权策略组合，并作为二次凸优化问题在训练数据集上优化。值得一提的是，由于公式化问题的凸性，通过标准数值求解器可获得全局最优加权策略。利用所提出的基于GA的优化，借助可用数据集获得了成本-抗压强度权衡的帕累托前沿。此外，通过数值模拟表明，所提出的多模型预测方法的精度以可观的幅度优于文献中已有的单模型回归方法。
引用
@article{arxiv.2106.07034,
title = {An Extended Multi-Model Regression Approach for Compressive Strength Prediction and Optimization of a Concrete Mixture},
author = {Seyed Arman Taghizadeh Motlagh and Mehran Naghizadehrokni},
journal= {arXiv preprint arXiv:2106.07034},
year = {2021}
}