Компьютерные науки > Машинное обучение [представлено 16 октября 2026 года] Название: " Разумный машинный анализ воздействия температуры на механическую прочность либерально-реактивного бетона с высокой производительностью &qt; PDF Резюме: Предупреждение силы сжатия высокоэффективных бетонов, подвергаемых воздействию температуры, является сложной задачей в силу сложного взаимодействия состава смеси, свойств волокон, условий выдерживания и температур. Основанная на данных система для прогнозирования прочности на сжатие с использованием 1204 экспериментальных записей, содержащих различные конструкции материалов и ситуации воздействия. В этом исследовании проводится оценка восьми моделей машинного обучения и показано, что комплексные подходы обычно превосходят индивидуальные учащиеся. Как градиентное ускорение, так и экстремальное повышение градиентов демонстрируют более высокую эффективность невидимых данных, причем каждый из них достигает R≥2 0,903. Ускорение по градиенту приводит к минимальной средней квадратной ошибке корня (6,67 МПа), в то время как экстремальное повышение уклона обеспечивает наименьшую среднюю абсолютную ошибку (3,97 МПа) и среднюю процентную погрешность (10,60%). Эти модели далее толкуются с использованием объяснений присадок Shaply и анализа частичной зависимости, которые показывают, что температура является основным фактором, влияющим на прочность на сжатие, а за ними следуют тонкое агрегированное значение, сверхпластикаторный измеритель,…
Разъясняемый анализ воздействия температуры на механическую прочность либерально-укрепляемого бетона с высокой эффективностью
arXiv: 261.20.23811v 1 Аннонс Тип: новое резюме: прогнозирование прочности на сжатие высокоэффективного бетона, подвергаемого воздействию температуры, является сложным делом в силу сложной взаимосвязи состава смеси, свойств волоконных элементов, условий выдерживания и температур. Основанная на данных система для прогнозирования прочности на сжатие с использованием 1204 экспериментальных записей, содержащих различные конструкции материалов и ситуации воздействия. В этом исследовании проводится оценка восьми моделей машинного обучения и показано, что комплексные подходы обычно превосходят индивидуальные учащиеся. Как градиентное ускорение, так и экстремальное повышение градиентов демонстрируют более высокую эффективность невидимых данных, причем каждый из них достигает R≥2 0,903. Ускорение по градиенту приводит к минимальной средней квадратной ошибке корня (6,67 МПа), в то время как экстремальное повышение уклона обеспечивает наименьшую среднюю абсолютную ошибку (3,97 МПа) и среднюю процентную погрешность (10,60%). Модели далее интерпретируются с использованием explanati Shapley