用于估算改性路基土强度的智能梯度提升算法
机器学习
2025-01-10 v1 人工智能
计算工程、金融与科学
摘要
路面在荷载下的性能取决于路基的强度。然而，通过实验估算路面强度属性（如加州承载比（California bearing ratio, CBR）、无侧限抗压强度（unconfined compressive strength, UCS）和阻值（R））通常繁琐、耗时且昂贵，从而激发了人们对基于机器学习的工具日益增长的兴趣，这些工具是简单、廉价且快速的替代方案。因此，本研究同样探讨了两种提升技术——类别提升和极端梯度提升——以及支持向量回归（support vector regression, SVR）在估算经熟石灰活化稻壳灰（hydrated lime activated rice husk ash, HARSH）改性路基土属性方面的潜在应用。使用121个包含不同HARSH比例、塑限、液限、塑性指数、黏土活性、最佳含水量和最大干密度的实验数据样本作为CBR、UCS和R估算的输入，采用四个评估指标，即决定系数（R2）、均方根误差（root mean squared error, RMSE）、平均绝对误差和平均绝对百分比误差来评估模型性能。结果表明，XGBoost在估算这些属性方面优于CatBoost和SVR，在估算CBR、UCS和R时分别 yielding R2为0.9994、0.9995和0.9999。此外，SVR在估算CBR和R方面优于CatBoost，R2分别为0.9997。另一方面，CatBoost在估算UCS方面优于SVR，R2为0.9994。特征敏感性分析表明，三种机器学习技术一致认为增加HARSH比例会导致估算属性的值分别增加。与先前结果的比较也显示了XGBoost在估算路基属性方面的优越性。
引用
@article{arxiv.2501.04826,
title = {Intelligent Gradient Boosting Algorithms for Estimating Strength of Modified Subgrade Soil},
author = {Ismail B. Mustapha and Muyideen Abdulkareem and Shafaatunnur Hasan and Abideen Ganiyu and Hatem Nabus and Jin Chai Lee},
journal= {arXiv preprint arXiv:2501.04826},
year = {2025}
}
备注
17 pages