基于独立机器学习算法的混凝土配合比对氯离子输运影响的数据驱动评估
机器学习
2026-01-06 v1 人工智能
计算工程、金融与科学
摘要
本文采用数据驱动方法，确定混凝土配合比对氯离子在混凝土结构中随时间演化的影响。这是一项关键任务，对于评估暴露于攻击性环境下的公路基础设施服务寿命至关重要。所采用的方法依赖于若干简单且复杂的独立机器学习(ML)算法，其主要目标是建立对潜在隐藏相关性的无偏预测信心。简单算法包括线性回归(LR)、k近邻回归(KNN)和核岭回归(KRR)。复杂算法包括支持向量回归(SVR)、高斯过程回归(GPR)以及两类人工神经网络，包括一个前馈网络(多层感知器, MLP)和一个门控循环单元(GRU)。MLP架构无法显式处理序列数据，这一局限由GRU所解决。考虑一个综合数据集。评估机器学习算法的性能，KRR、GPR和MLP表现出高准确性。鉴于所采用的混凝土配合比的多样性，GRU未能在测试集中准确地再现响应。进一步分析阐明了配合比组成对氯离子随时间演化的贡献。来自GPR模型的结果通过清晰且可解释的趋势揭示了潜在相关性。MLP、SVR和KRR也提供对总体趋势的可接受估计。大多数混合成分表现出与氯离子含量的反关系，而少数成分则显示出直接相关性。这些发现突显了替代方法在描述氯离子渗入涉及的物理过程及其相关性方面的潜力，旨在最终提高公路基础设施的服务寿命。
引用
@article{arxiv.2601.01009,
title = {Data-Driven Assessment of Concrete Mixture Compositions on Chloride Transport via Standalone Machine Learning Algorithms},
author = {Mojtaba Aliasghar-Mamaghani and Mohammadreza Khalafi},
journal= {arXiv preprint arXiv:2601.01009},
year = {2026}
}