使用可解释提升机估算非延性钢筋混凝土剪力墙的变形能力
机器学习
2023-01-13 v1
摘要
机器学习在应对地震工程挑战并提供相当可靠且准确预测方面正日益普及。然而,由于机器学习模型通常高度复杂,决策如何做出大多不清楚,导致不透明的黑盒模型。天然可解释并能提供自身决策解释的机器学习模型,而非借助外部解释器,能更精确地判定模型实际计算的内容。受此驱动,本研究旨在基于全球收集的实验数据,开发完全可解释的机器学习模型以预测非延性钢筋混凝土剪力墙的变形能力。所提出的基于可解释提升机(EBM)的模型是可解释、鲁棒、天然可解释的玻璃盒模型,却提供可与黑盒对应模型媲美的高精度。该模型通过量化各墙体属性的单独贡献及其间关联,使用户能观察墙体属性与变形能力间的关系。基于测试数据集的判定系数均值R2与预测值对实际值之比的均值分别为0.92与1.05。所提预测模型以其与科学知识的总体一致性、实用性及可解释性且不牺牲高精度而脱颖而出。
引用
@article{arxiv.2301.04652,
title = {Estimate Deformation Capacity of Non-Ductile RC Shear Walls using Explainable Boosting Machine},
author = {Zeynep Tuna Deger and Gulsen Taskin Kaya and John W Wallace},
journal= {arXiv preprint arXiv:2301.04652},
year = {2023}
}