Scientific Reports volume 13、記事番号: 13138 (2023) この記事を引用
773 アクセス
メトリクスの詳細
この研究では、玄武岩繊維強化コンクリート (BFRC) の強度特性を予測するために開発されたさまざまな機械学習 (ML) モデルに説明可能な人工知能 (XAI) を適用することの重要性を調査しました。 ML はコンクリートの強度予測に広く採用されていますが、予測のブラックボックス的な性質が結果の解釈を妨げています。 説明可能な AI を使用してこの制限を克服するいくつかの試みの中で、研究者が採用した説明方法は 1 つだけです。 この研究では、3 つのツリーベースの ML モデル (Decision Tree、Gradient Boosting Tree、Light Gradient Boosting Machine) を使用して、基底繊維鉄筋コンクリート (BFRC) の機械的強度特性 (圧縮強度、曲げ強度、引張強度) を予測しました。 ）。 初めて、すべてのモデルの説明を提供するために 2 つの説明方法 (Shapley 加法説明 (SHAP) とローカルで解釈可能なモデルに依存しない説明 (LIME)) を採用しました。 これらの説明可能な方法により、複雑な機械学習モデルの基礎となる意思決定基準が明らかになり、エンドユーザーの信頼が向上します。 この比較により、ツリーベースのモデルは強度特性の予測において良好な精度が得られたものの、その説明は特徴の重要度の大きさまたは重要性の順序によって異なることが強調されました。 この意見の相違により、ML 予測に基づく複雑な意思決定が推進され、(1) コンクリート強度予測における XAI ベースの研究の拡張、(2) XAI 結果の評価に各分野の専門家が関与することがさらに強調されます。 この研究は、玄武岩繊維強化コンクリート（BFRC）の強度予測を迅速に可能にする「ユーザーフレンドリーなコンピュータアプリケーション」の開発で締めくくられています。
玄武岩繊維は、玄武岩岩から溶融プロセスを経て得られます。 玄武岩を細かく砕くことで繊維を製造することが可能です。 玄武岩繊維は、無機、生分解性、非金属材料です。 引張特性が強いため、コンクリートの引張耐力を向上させるために広く使用されています。 玄武岩繊維の製造プロセスは、添加剤を混合する必要がないため、コスト効率が高くなります。 玄武岩繊維は、E ガラス繊維よりも優れた引張強度を示し、炭素繊維よりも高い破断強度を示し、さらに化学攻撃、火災、および衝撃荷重に対して優れた耐性を示します1。 これらの特性により、研究コミュニティは、強化コンクリートを製造できる革新的な構造補強材料として基底繊維を適用することに焦点を当てるようになりました。
コンクリートの圧縮強度、引張強度、曲げ強度は、コンクリートの基本的な強度特性と考えられています2,3。 玄武岩繊維の影響を完全に解明するために、BFRC4 の機械的特性を決定するためにいくつかの研究が実施されました。 Meyyappan と Carmichael5 は、基底繊維の異なる体積分率を使用し、玄武岩繊維の存在下で分割引張強度と圧縮強度の両方が増加することを観察しました。 ただし、変動は体積分率 1% で最適値に達し、その後減少傾向を示しました。 対照サンプルと比較して、最適な部分での圧縮強度の増加は 11.5%、分割引張強度の増加は 18.2%でした。 Chen ら 6 は、玄武岩繊維の含有量を変数として使用して、BFRC の機械的特性への影響を研究しました。 Jalasutran ら 7 は、BFRC の機械的特性を調査することで同様の議論を行っています。 彼らは、玄武岩繊維の含有量の結果として強度特性が向上することを観察しました。 ただし、玄武岩繊維の添加により、強度特性に非線形の変化が生じます5、8、9。 その結果、BFRC の強度特性の予測は従来のコンクリートに比べて比較的複雑であり、関係を段階的に研究するには反復実験プロセスが必要です。 強度特性の正確な推定は、構造設計と最適化にとって非常に重要です。 一方、既存の研究は、非常に時間、労力、費用がかかる室内実験に基づいて結果を導き出しています。 別のアプローチとして、機械学習 (ML) 技術などの分析手法を使用して、BFRC の強度特性を予測することもできます。
0.8) in all three models. The study conducted by Salami et al.14 explored the nonlinear properties of compressive strength in ternary composite concrete. They employed coupled simulated annealing (CSA) as an optimization algorithm in combination with the least squares support vector machine (LSSVM) to forecast compressive strength with an impressive R2 value of 0.954. Zhang and Aslani15 proposed an artificial neural network (ANN) model to predict the compressive strength of lightweight aggregate concrete based on UPV (Ultrasonic Pulse Velocity) under different conditions which resulted in a maximum \({\mathrm{R}}^{2}\) of 0.988, and a minimum of 0.736. By leveraging complex potential physical phenomena like mechanical properties, concrete composition, and experimental processes, Liu et al.16 constructed a model utilizing an ANN for predicting the chloride ion diffusion coefficient in concrete. Güçlüer et al.17 used ML models (ANN, Decision tree (DT), Support vector regression (SVR), and Linear regression) to predict 28-day compressive strength. DT model was selected as the best model with an R2 of 0.86. Kang et al.3 developed 12 machine-learning models to predict the compressive and flexural strength of steel fiber-reinforced concrete. Their gradient boosting (GB) model (MAE = 1.18) and extreme gradient boosting (XGB) model (MAE = 1.25) obtained superior performance compared to the remaining models. Nguyen et al.18 employed ANN, SVR, GB, and XGB to predict the compressive strength of concrete. They argued that GB regression and the XGB model performed better compared to ANN and SVR models. Feng et al.19 used an adaptive boosting (ADABoost) model to predict the compressive strength of concrete and the model achieved an R2 of 0.982 with MAE = 1.64. Similar studies were conducted by Asteris et al.20 and DeRousseau et al.21 to predict the compressive strength of concrete. Fang et al.22 used an image segmentation method to investigate the effect of pore structure on the split tensile strength of cellular concrete. Malami et al.23 used a neuro-fuzzy hybrid model composed of, an extreme learning machine (ELM), an adaptive neuro-fuzzy inference system (ANFIS), a multi-linear regression model (MLR), and SVR to study the impact of carbonization on reinforced concrete durability (R \(\ge \) 0.96). Ashrafian et al.24 have developed an evolutionary-based ML model which give promising prediction of post-fire mechanical properties of green concrete. Recently, Li et al.8 used machine learning methods to predict the compressive strength of BFRC. They proposed random forests to predict the compressive strength and later used the Kernel extreme learning machine with genetic algorithms (KELM-GA) to perform the same task9. They argued that KELM-GA outperformed the models such as ANN, SVR, and Gaussian process regression (GPR). Behnood et al.25 used ML to model the elastic modulus, the flexural, compressive, and split tensile strength of concrete. Ashrafian et al.26 have shown that ML can accurately predict apparent surface chloride concentration of structural concrete in a marine environment. On these ML approaches to predict the mechanical properties of concrete, Chaabene et al.27 conducted a comprehensive review. They reported that conventional machine learning (ML) models do not explain the model despite the higher accuracy of results prediction. The model interpretation is important for structural engineering applications due to three reasons; (1) to identify interactions between inputs and underlying reasoning, (2) to establish the end-user’s and domain experts’ trust on ML, (3) to explain proposed methods to the non-technical community specially with less understanding about machine learning. Hence, the boundary of ML research has pushed towards revealing characteristic of black-box predictions./p> 60 Mpa). Few deviations are shown in DT predictions that lead to comparatively lower accuracy compared to gradient boosting models. However, both gradient-boosting models showcase points that deviated more than 20% compared to the original predictions./p> 6 MPa) within a 10% error margin. Both models have slightly overestimated flexural strength values compared to the flexural strength values which are less than 6 MPa. Even though both GB and LGB are based on DT structure, the implementation of gradient boosting showcased a different learning (training) method./p> 0, cement content > 450, 175 < water content < 185, and fine aggregates < 613 had a positive contribution to the compressive strength./p> 86 and contract with the same but negative contribution displayed by the GB model. Gradient boosting models have obtained a negligible feature importance for water content (160 < water content < 180) whereas a moderate feature importance was given in the DT model./p> 0.89 in all cases compared to the remaining models), the whole data set was simultaneously used for the training final models. As the whole data set is employed, the depth of the LGB model was increased to six by keeping the remaining hyperparameters constant. Three LGB models were written into GUI and they achieved an R2 > 0.95 learning phase (with the whole data set). The graphical user interface (GUI) is shown in Fig. 8 of the developed application. This application enables users to input ten parameters (Cement content, fly ash content, water content, etc.) including three parameters of Basal fibers (diameter, length, content). The error handling capability of the proposed GUI ensures the user is directed to input values within acceptable range and obtain mechanical strength characteristics. The authors believe that this application will provide a convenient and efficient method of predicting strength parameters while enabling different parametric studies on this concrete technology. For more precise prediction the application guide users to limit input parameters to the range in which the LGB model was fitted./p> 0.85 and testing R2 > 0.802, GB models reached a training R2 > 0.91 and testing R2 > 0.882 for predicting strength characteristics, and LGB models reached a training R2 > 0.92 and testing R2 > 0.89 in all cases./p>
日本語 
English
Français
Deutsch
Español
Italiano
Português
한국어
Русский