基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究
基于收集的189个不锈钢管混凝土构件的轴压试验数据建立了机器学习数据库，采用6种机器学习模型（随机森林、决策树、支持向量机、多层感知器、极端梯度提升和自适应提升）分别对圆形和方形截面不锈钢管混凝土构件进行了轴压承载力预测研究，同时分析了不同参数对机器学习模型预测精度的影响。研究结果表明，上述6种机器学习预测模型中预测精度最高的是极端梯度提升模型，对于圆形和方形截面构件所有参数的预测，该模型的均方根误差分别为0.043 5和0.018 8，且预测值与试验值之比的变异系数分别为0.127和0.166，相较于现有标准，该模型表现出更高的预测精度和更广泛的适用范围，可为工程应用提供数据支撑和理论指导。...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Editorial Department of Progress in Steel Building Structures, Tongji University
2024-11-01
|
| Series: | Jianzhu Gangjiegou Jinzhan |
| Subjects: | |
| Online Access: | http://steelpro.tongji.edu.cn/thesisDetails#10.13969/j.cnki.cn31-1893.2024.11.002 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1841529193027862528 |
|---|---|
| author | 余琪瑶 廖飞宇 陆国兵 |
| author_facet | 余琪瑶 廖飞宇 陆国兵 |
| author_sort | 余琪瑶 |
| collection | DOAJ |
| description | 基于收集的189个不锈钢管混凝土构件的轴压试验数据建立了机器学习数据库，采用6种机器学习模型（随机森林、决策树、支持向量机、多层感知器、极端梯度提升和自适应提升）分别对圆形和方形截面不锈钢管混凝土构件进行了轴压承载力预测研究，同时分析了不同参数对机器学习模型预测精度的影响。研究结果表明，上述6种机器学习预测模型中预测精度最高的是极端梯度提升模型，对于圆形和方形截面构件所有参数的预测，该模型的均方根误差分别为0.043 5和0.018 8，且预测值与试验值之比的变异系数分别为0.127和0.166，相较于现有标准，该模型表现出更高的预测精度和更广泛的适用范围，可为工程应用提供数据支撑和理论指导。 |
| format | Article |
| id | doaj-art-9cca17ac4d4247ea86e767ecc424b244 |
| institution | Kabale University |
| issn | 1671-9379 |
| language | zho |
| publishDate | 2024-11-01 |
| publisher | Editorial Department of Progress in Steel Building Structures, Tongji University |
| record_format | Article |
| series | Jianzhu Gangjiegou Jinzhan |
| spelling | doaj-art-9cca17ac4d4247ea86e767ecc424b2442025-01-15T03:23:21ZzhoEditorial Department of Progress in Steel Building Structures, Tongji UniversityJianzhu Gangjiegou Jinzhan1671-93792024-11-0126152377687578基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究余琪瑶廖飞宇陆国兵基于收集的189个不锈钢管混凝土构件的轴压试验数据建立了机器学习数据库，采用6种机器学习模型（随机森林、决策树、支持向量机、多层感知器、极端梯度提升和自适应提升）分别对圆形和方形截面不锈钢管混凝土构件进行了轴压承载力预测研究，同时分析了不同参数对机器学习模型预测精度的影响。研究结果表明，上述6种机器学习预测模型中预测精度最高的是极端梯度提升模型，对于圆形和方形截面构件所有参数的预测，该模型的均方根误差分别为0.043 5和0.018 8，且预测值与试验值之比的变异系数分别为0.127和0.166，相较于现有标准，该模型表现出更高的预测精度和更广泛的适用范围，可为工程应用提供数据支撑和理论指导。http://steelpro.tongji.edu.cn/thesisDetails#10.13969/j.cnki.cn31-1893.2024.11.002不锈钢管混凝土机器学习轴压承载力极端梯度提升模型预测精度 |
| spellingShingle | 余琪瑶 廖飞宇 陆国兵 基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究 Jianzhu Gangjiegou Jinzhan 不锈钢管混凝土 机器学习 轴压承载力 极端梯度提升模型 预测精度 |
| title | 基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究 |
| title_full | 基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究 |
| title_fullStr | 基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究 |
| title_full_unstemmed | 基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究 |
| title_short | 基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究 |
| title_sort | 基于机器学习的不锈钢管混凝土构件轴压承载力预测方法研究 |
| topic | 不锈钢管混凝土 机器学习 轴压承载力 极端梯度提升模型 预测精度 |
| url | http://steelpro.tongji.edu.cn/thesisDetails#10.13969/j.cnki.cn31-1893.2024.11.002 |
| work_keys_str_mv | AT yúqíyáo jīyújīqìxuéxídebùxiùgāngguǎnhùnníngtǔgòujiànzhóuyāchéngzàilìyùcèfāngfǎyánjiū AT liàofēiyǔ jīyújīqìxuéxídebùxiùgāngguǎnhùnníngtǔgòujiànzhóuyāchéngzàilìyùcèfāngfǎyánjiū AT lùguóbīng jīyújīqìxuéxídebùxiùgāngguǎnhùnníngtǔgòujiànzhóuyāchéngzàilìyùcèfāngfǎyánjiū |