钢筋混凝土管道状况预测的机器学习模型：基于人工神经网络与多元线性回归的威斯康星州案例研究现状
机器学习
2025-04-08 v1 材料科学
性能
摘要
美国老化的下水道基础设施总长210万公里，面临日益增多的结构性问题，每年导致约75,000起生活污水溢流事件，带来严重的经济、环境和公共健康危害。传统的检测技术和确定性模型无法解释下水道退化的不可预测性，而概率方法则依赖于往往缺失或不完整的大量历史数据。本研究旨在通过集成管道年龄、材料、直径、环境影响和管道评估与认证计划评级等因素，利用机器学习模型——人工神经网络（ANNs）和多元线性回归（MLR）——来提高下水道管道状况的预测精度。人工神经网络采用ReLU激活函数和Adam优化器，而多元线性回归则应用正则化处理多重共线性，两种模型均通过均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）等指标进行评估。结果表明，人工神经网络优于多元线性回归，其R2达到0.9066，而多元线性回归为0.8474，成功建模了非线性关系同时保持了泛化能力。另一方面，多元线性回归通过识别残余物堆积等重要预测因子，提供了更好的可解释性。结果显示，管道长度、年龄和直径是驱动管道退化的关键预测因子，而埋深、土壤类型和管段在此分析中影响甚微。未来的研究应优先考虑混合模型，将人工神经网络的精度与多元线性回归的可解释性相结合，并纳入SHAP分析和迁移学习等先进方法，以提高基础设施管理的可扩展性并促进环境可持续性。
引用
@article{arxiv.2502.00363,
title = {Machine Learning Models for Reinforced Concrete Pipes Condition Prediction: The State-of-the-Art Using Artificial Neural Networks and Multiple Linear Regression in a Wisconsin Case Study},
author = {Mohsen Mohammadagha and Mohammad Najafi and Vinayak Kaushal and Ahmad Mahmoud Ahmad Jibreen},
journal= {arXiv preprint arXiv:2502.00363},
year = {2025}
}