基于真实、合成与增强火灾试验的可解释机器学习预测 RC 柱抗火性能与爆裂
机器学习
2022-01-10 v1
摘要
本文提出一种系统的机器学习（ML）方法，用于实现钢筋混凝土（RC）柱抗火性能及火灾诱发爆裂的可解释快速评估。所开发的方法包含三种新颖 ML 算法的集成，即随机森林（RF）、极端梯度提升树（ExGBT）和深度学习（DL）。这些算法经训练以考虑广泛的几何特征、材料属性以及荷载条件，通过分析包含超过 494 个观测值的综合火灾试验数据库，检验普通与高强 RC 柱的火灾表现。所开发的集成还能对 ML 预测提供可量化的洞察；从而摆脱“黑箱”ML 的观念，朝透明且可解释的 ML 迈出坚实一步。最重要的是，本工作通过提出新技术以利用真实、合成与增强的火灾试验观测值，解决了可用火灾试验稀缺的问题。所开发的 ML 集成已针对标准与设计火灾暴露以及单面、双面、三面和四面火灾暴露进行了校准与验证，从而覆盖火灾事故中存在的广泛实际场景。完全部署后，该集成可在 60 秒内分析超过 5,000 根 RC 柱，为研究者和从业者提供有吸引力的方案。所提方法也可轻易扩展用于评估其他结构构件在不同火灾场景与荷载条件下的抗火性能与爆裂，从而为该研究领域与应用的现代化铺平道路。
引用
@article{arxiv.2108.09862,
title = {Explainable Machine Learning using Real, Synthetic and Augmented Fire Tests to Predict Fire Resistance and Spalling of RC Columns},
author = {M. Z. Naser and V. K. Kodur},
journal= {arXiv preprint arXiv:2108.09862},
year = {2022}
}