书目详细信息
： 纳米纤维素增强水泥基复合材料抗压强度机器学习预测
书目信息 机读格式(MARC)
| ISBN/价格： | CNY20.00 (估\呈缴)学位论文 |
|---|---|
| 作品语种： | chi |
| 出版国别： | CN 530000 |
| 题名责任者项： | 纳米纤维素增强水泥基复合材料抗压强度机器学习预测/.ANWAR AFTAB（阿福）著/.李靖指导 |
| 出版发行项： | 2023.5.23 |
| 载体形态项： | 137页:;+图表:;+30cm |
| 一般附注： | 建筑工程学院, 学号2020230002 |
| 提要文摘： | 纤维素纳米纤维（CNFs）是建筑行业新引入的植生物基材料，符合低碳发展理念。人工智能（AI）技术的使用，特别是机器学习（ML）模型，有助于建筑行业节能减排。获得CNFs抗压强度的方法是通过物理实验，获得结果既昂贵又耗时，因此工作效率会很低。这就是为什么技术进步允许通过其他方法以较低的成本解决工程问题，例如经验回归、数值模拟和使用机器学习方法。这些方法允许预测CNFs的抗压强度与不同组分（水泥，水，CNFs，减水剂，细骨料，粗骨料和年龄）的设计混合物的比例。本研究旨在利用监督回归机器学习技术进行分析，确定纤维素纳米纤维增强水泥基复合材料、混凝土、水泥浆和水泥砂浆的抗压强度。为了完成这项任务，准备了一个包含 695 个数据点的基于实验的水泥复合材料数据集，并将其分为两类（训练数据集 = 70%，测试数据集 = 30%），用于 ML 模型的演变。该水泥基复合材料数据集分别分为混凝土、水泥浆和水泥砂浆数据集的196、266和233个观测值。分别分析了水泥基复合材料、混凝土、水泥浆和水泥砂浆4个数据集。有7个自变量：水泥（kg/m3）、水（kg/m3）、CNFs（kg/m3）、减水剂（kg/m3）、细骨料（kg/m3）、粗骨料（kg/m3）和龄期（天）变量作为输入，1个因变量：CNFs钢筋混凝土的抗压强度fc（MPa）作为水泥基复合材料数据集的输出。同样，混凝土数据集有7个自变量，水泥浆数据集有5个自变量，水泥砂浆数据集有6个自变量作为输入变量，1个因变量作为输出变量。 首先，在Jupyter Notebook软件中通过相关系数分析、描述性分析、异常值分析、多元分析和密度曲线等方法进行数据集分析，研究水泥基复合材料、混凝土、水泥浆和水泥砂浆设计数据集的性能和强度。设计数据集分析结果表明：变量之间的相关性较低，异常值数量非常少，偏度极小，这确保了数据集对模型开发的满意度和可接受性。 其次，开发并实现了机器学习模型的参数：随机森林（RF）、线性回归（LR）、支持向量回归器（SVR）、梯度提升回归器（GBR）、Ada提升回归器（ABR）、K-邻居回归器（KNN）、袋装回归器（BR）、XG提升回归器（XGBR）、决策树（DT）和修剪决策树（PDT）。针对水泥基复合材料、混凝土、水泥浆和水泥砂浆数据集分析了每个模型，以比较所开发模型的性能。使用以下指标来衡量模型的能力和性能：R2、MAPE、MAE、MSE 和 RMSE。指标结果指出，70%的模型（RF、BR、XGBR、DT、GBR、ABR和KNN）预测CNFs水泥基复合材料的抗压强度具有坚实的能力（R2>0.72、MAPE≤0.1和MAE≤5），确认R2值大于0.60且指标值非常小。同样，混凝土的8种型号（RF、BR、XGBR、DT、GBR、ABR、KNN、SVR）、7种水泥浆模型（RF、BR、XGBR、DT、GBR、ABR和KNN），水泥砂浆的6种型号（RF、BR、XGBR、GBR、ABR和KNN）具有较强的抗压强度预测能力。 水泥基复合材料数据集结果表明RF、BR和DT模型表现出最高的性能精度。混凝土数据集的结果表明XGBR、GBR和RF模型表现出最高的性能精度。水泥浆数据集结果表明XGBR、DT和GBR模型的性能精度最高。水泥砂浆数据集结果表明KNN、BR和RF模型的性能精度最高。根据RF、DT、XGBR、GBR和ABR模型的敏感性分析，水和水泥是CNFs增强水泥基复合材料预测影响最大的因素，而粗骨料的影响变量最小。在具体数据集中，粗骨料和CNFs自变量对输出变量的参与度显著。此外，水泥浆数据集中的水泥和水、水泥砂浆数据集中的水和龄期比其他自变量做出了显着的贡献。最后，可以得出结论，RF、BR和DT模型适用于水泥基复合材料，XGBR、GBR和RF模型适用于混凝土，XGBR、DT和GBR模型适用于水泥浆，以及KNN、BR和RF模型适用于水泥砂浆 。因此，RF是这项研究的最佳预测模型。 |
| 并列题名： | Predicting Compressive Strength of Cellulose Nanofibers Reinforced Cement Based Composites Using Machine Learning Models |
| 题名主题： | 机器学习 CNFs 水泥基复合材料 抗压强度 预测 学位论文 |
| 中图分类： | TU525-533 |
| 个人名称等同： | ANWAR AFTAB 著 |
| 个人名称次要： | 李靖 指导 |
| 团体名称等同： | 阿福 著 |
| 记录来源： | CN YNAUL 20240301 |