banner
Centro de Noticias
Obtenga soporte en cualquier momento con nuestro servicio en línea las 24 horas.

Modelado de características de resistencia del hormigón armado con fibra de basalto utilizando múltiples aprendizajes automáticos explicables con una interfaz gráfica de usuario

Jul 25, 2023

Scientific Reports volumen 13, número de artículo: 13138 (2023) Citar este artículo

725 Accesos

Detalles de métricas

Este estudio investigó la importancia de aplicar inteligencia artificial explicable (XAI) en diferentes modelos de aprendizaje automático (ML) desarrollados para predecir las características de resistencia del hormigón armado con fibra de basalto (BFRC). Aunque el ML se adopta ampliamente en la predicción de resistencia en concreto, la naturaleza de caja negra de las predicciones dificulta la interpretación de los resultados. Entre varios intentos de superar esta limitación mediante el uso de IA explicable, los investigadores han empleado solo un método de explicación. En este estudio, utilizamos tres modelos de ML basados ​​en árboles (árbol de decisión, árbol de aumento de gradiente y máquina de aumento de gradiente ligero) para predecir las características de resistencia mecánica (resistencia a la compresión, resistencia a la flexión y resistencia a la tracción) del hormigón armado con fibra basal (BFRC). ). Por primera vez, empleamos dos métodos de explicación (explicaciones aditivas de Shapley (SHAP) y explicaciones locales interpretables independientes del modelo (LIME)) para proporcionar explicaciones para todos los modelos. Estos métodos explicables revelan los criterios subyacentes de toma de decisiones de modelos complejos de aprendizaje automático, mejorando la confianza del usuario final. La comparación destaca que los modelos basados ​​en árboles obtuvieron buena precisión en la predicción de las características de resistencia, pero sus explicaciones fueron diferentes ya sea por la magnitud de la importancia de las características o por el orden de importancia. Este desacuerdo conduce a una toma de decisiones complicada basada en predicciones de ML que enfatiza aún más (1) ampliar la investigación basada en XAI en predicciones de resistencia concretas y (2) involucrar a expertos en el campo para evaluar los resultados de XAI. El estudio concluye con el desarrollo de una "aplicación informática fácil de usar" que permite una predicción rápida de la resistencia del hormigón armado con fibra de basalto (BFRC).

Las fibras de basalto se obtienen de rocas basálticas mediante el proceso de fusión. Es posible producir fibras a partir de rocas de basalto dividiéndolas finamente. La fibra de basalto es un material inorgánico, biodegradable y no metálico. Se utiliza ampliamente para mejorar la capacidad de tracción del hormigón debido a su fuerte propiedad de tracción. El proceso de producción de fibra de basalto es rentable ya que no necesita mezclarse con aditivos. Las fibras de basalto muestran una resistencia a la tracción excepcional sobre la fibra de vidrio E, una mayor resistencia a la rotura sobre la fibra de carbono, junto con una mejor resistencia a los ataques químicos, el fuego y las cargas de impacto1. Estas propiedades han llevado a la comunidad investigadora a centrarse en la aplicación de la fibra basal como un material innovador de refuerzo estructural para poder producir hormigón armado.

La resistencia a la compresión, la resistencia a la tracción y la resistencia a la flexión del hormigón se consideran características de resistencia básicas del hormigón2,3. Para dilucidar completamente el impacto de las fibras de basalto, se han llevado a cabo varios estudios para determinar las propiedades mecánicas de BFRC4. Meyyappan y Carmichael5 utilizaron diferentes fracciones de volumen de fibras basales y observaron que tanto la resistencia a la tracción dividida como la resistencia a la compresión aumentan en presencia de fibra de basalto. Sin embargo, la variación alcanzó un óptimo con una fracción de volumen del 1% y posteriormente mostró una tendencia a la baja. El aumento en la resistencia a la compresión en la fracción óptima fue del 11,5% y del 18,2% para la resistencia a la tracción dividida en comparación con la muestra de control. Chen et al.6 utilizaron el contenido de fibra de basalto como variable para estudiar el efecto sobre las propiedades mecánicas del BFRC. Jalasutran et al.7 presentaron argumentos similares al investigar las propiedades mecánicas del BFRC. Observaron que las características de resistencia mejoraban como resultado del contenido de fibra de basalto. Sin embargo, la adición de fibra de basalto ha provocado una variación no lineal en las características de resistencia5,8,9. Como resultado, la predicción de las características de resistencia del BFRC es relativamente complicada en comparación con el hormigón convencional y requiere un proceso experimental iterativo para estudiar las relaciones progresivamente. La estimación precisa de las características de resistencia es muy imperativa para el diseño y las optimizaciones estructurales. Por otra parte, los estudios de investigación existentes han obtenido resultados basados ​​en experimentos de laboratorio que requieren mucho tiempo, son laboriosos y costosos. Como enfoque alternativo, se pueden utilizar métodos analíticos como las técnicas de aprendizaje automático (ML) para predecir las características de resistencia del BFRC.

Las tendencias recientes en la aplicación de ML en la predicción de la resistencia del concreto han permitido a los investigadores explorar el desempeño de varias mezclas de concreto. Según Golafshani et al.10, las técnicas de ML pueden predecir de manera eficiente la resistencia a la compresión del concreto ecológico, que puede optimizarse aún más mediante la optimización del enjambre de partículas. Un estudio más reciente de Ghanbari et al.11 encontró que la red neuronal artificial (RNA) tiene un mejor rendimiento que otras técnicas de ML que pueden predecir la resistencia a la compresión de mezclas de concreto a base de desechos. Basaran et al.12 utilizaron el modelo de regresión del proceso gaussiano (GPR) para predecir la unión FRP (plástico reforzado con fibra)-hormigón con una precisión del 95% y con una desviación estándar de 0,14. Iqbal et al.13 propusieron una nueva estrategia de base empírica para predecir la resistencia a la tracción utilizando redes neuronales artificiales (RNA), sistemas de inferencia neurodifusos adaptativos (ANFIS) y programación de expresión génica (GEP) con buena precisión (R > 0,8) en los tres modelos. El estudio realizado por Salami et al.14 exploró las propiedades no lineales de la resistencia a la compresión en hormigón compuesto ternario. Emplearon recocido simulado acoplado (CSA) como algoritmo de optimización en combinación con la máquina de vectores de soporte de mínimos cuadrados (LSSVM) para pronosticar la resistencia a la compresión con un impresionante valor R2 de 0,954. Zhang y Aslani15 propusieron un modelo de red neuronal artificial (ANN) para predecir la resistencia a la compresión del concreto agregado liviano basado en UPV (Velocidad de Pulso Ultrasónico) bajo diferentes condiciones que dieron como resultado un máximo \({\mathrm{R}}^{2} \) de 0,988, y un mínimo de 0,736. Aprovechando fenómenos físicos potenciales complejos como propiedades mecánicas, composición del hormigón y procesos experimentales, Liu et al.16 construyeron un modelo utilizando una RNA para predecir el coeficiente de difusión del ion cloruro en el hormigón. Güçlüer et al.17 utilizaron modelos ML (ANN, árbol de decisión (DT), regresión de vector de soporte (SVR) y regresión lineal) para predecir la resistencia a la compresión a los 28 días. El modelo DT fue seleccionado como el mejor modelo con un R2 de 0,86. Kang et al.3 desarrollaron 12 modelos de aprendizaje automático para predecir la resistencia a la compresión y a la flexión del hormigón reforzado con fibras de acero. Su modelo de aumento de gradiente (GB) (MAE = 1,18) y su modelo de aumento de gradiente extremo (XGB) (MAE = 1,25) obtuvieron un rendimiento superior en comparación con los modelos restantes. Nguyen et al.18 emplearon ANN, SVR, GB y XGB para predecir la resistencia a la compresión del hormigón. Argumentaron que la regresión GB y el modelo XGB funcionaron mejor en comparación con los modelos ANN y SVR. Feng et al.19 utilizaron un modelo de refuerzo adaptativo (ADABoost) para predecir la resistencia a la compresión del hormigón y el modelo logró un R2 de 0,982 con MAE = 1,64. Asteris et al.20 y DeRousseau et al.21 realizaron estudios similares para predecir la resistencia a la compresión del hormigón. Fang et al.22 utilizaron un método de segmentación de imágenes para investigar el efecto de la estructura de los poros en la resistencia a la tracción dividida del hormigón celular. Malami et al.23 utilizaron un modelo híbrido neurodifuso compuesto por una máquina de aprendizaje extremo (ELM), un sistema de inferencia neurodifuso adaptativo (ANFIS), un modelo de regresión multilineal (MLR) y SVR para estudiar el impacto de carbonización sobre la durabilidad del hormigón armado (R \(\ge \) 0,96). Ashrafian et al.24 han desarrollado un modelo ML de base evolutiva que proporciona una predicción prometedora de las propiedades mecánicas del hormigón verde tras el incendio. Recientemente, Li et al.8 utilizaron métodos de aprendizaje automático para predecir la resistencia a la compresión del BFRC. Propusieron bosques aleatorios para predecir la resistencia a la compresión y luego utilizaron la máquina de aprendizaje extremo Kernel con algoritmos genéticos (KELM-GA) para realizar la misma tarea9. Argumentaron que KELM-GA superó a modelos como ANN, SVR y regresión del proceso gaussiano (GPR). Behnood et al.25 utilizaron ML para modelar el módulo elástico, la resistencia a la flexión, a la compresión y a la tracción dividida del hormigón. Ashrafian et al.26 han demostrado que ML puede predecir con precisión la concentración aparente de cloruro en la superficie del hormigón estructural en un entorno marino. Sobre estos enfoques de ML para predecir las propiedades mecánicas del hormigón, Chaabene et al.27 realizaron una revisión exhaustiva. Informaron que los modelos convencionales de aprendizaje automático (ML) no explican el modelo a pesar de la mayor precisión de la predicción de los resultados. La interpretación del modelo es importante para aplicaciones de ingeniería estructural por tres razones; (1) identificar interacciones entre las entradas y el razonamiento subyacente, (2) establecer la confianza del usuario final y de los expertos en el dominio en el ML, (3) explicar los métodos propuestos a la comunidad no técnica, especialmente con menos comprensión sobre el aprendizaje automático. Por lo tanto, los límites de la investigación del aprendizaje automático se han centrado en revelar las características de las predicciones de caja negra.

La Inteligencia Artificial Explicable (XAI) busca abordar la limitación anterior de interpretación insuficiente del modelo28. XAI proporciona el razonamiento detrás de cómo se hace una predicción particular29. Por lo tanto, XAI es muy popular en el contexto de apuestas altas30. XAI convierte modelos de caja negra a modelos de caja de vidrio (transparentes) exponiendo el razonamiento subyacente31,32,33,34,35,36,37,38. Recientemente, varios investigadores comenzaron a utilizar XAI para interpretar las características de resistencia del hormigón obtenidas a partir de modelos de aprendizaje automático. En su mayoría, utilizaron únicamente explicaciones aditivas de Shapley (SHAP) para interpretar los modelos). La Tabla 1 resume la aplicación de XAI en la investigación de predicción de resistencia del concreto en los últimos años.

Además, los autores también han descubierto que las explicaciones XAI para las predicciones de resistencia del hormigón demuestran una alineación satisfactoria con la correlación empíricamente establecida entre los parámetros del hormigón y la resistencia.

Con tales ventajas, XAI se puede utilizar fácilmente para modelar las relaciones del hormigón con diversos constituyentes. Sin embargo, estos estudios basados ​​en XAI resaltan una brecha de investigación común. Solo utilizaron un único método de explicación en su modelo de mejor rendimiento. En tales circunstancias, se basaron únicamente en la explicación proporcionada sobre el modelo mejor realizado. Sin embargo, los autores creen que las explicaciones cambiarían (sustancial o moderadamente) en función del algoritmo de aprendizaje. Además, dos métodos XAI no proporcionarían las mismas explicaciones ni siquiera para el mismo modelo de ML. En otros términos, la diferencia en las explicaciones crearía una toma de decisiones más complicada.

Además, no se ha encontrado ningún estudio que haya utilizado XAI para explicar los modelos de predicción de características de resistencia (compresión, tracción y flexión) de BFRC. Al considerar esta importante brecha de investigación, los autores se propusieron investigar la relación entre las características de resistencia y los componentes de BFRC obtenidos de ML supervisado basado en árboles y luego realizar un análisis comparativo en todos los modelos de ML utilizando XAI. Los autores utilizaron explicaciones aditivas de Shapley (SHAP) y explicaciones agnósticas del modelo local interpretable (LIME) para el presente estudio. Esta novedad se resume en la Tabla 1 de este artículo. Finalmente, se desarrolló una aplicación informática lista para usar con una interfaz gráfica de usuario para predecir la fuerza del BFRC. Esta aplicación se puede utilizar para una predicción de resistencia rápida y confiable para diversas aplicaciones industriales. La importancia de este estudio se puede resumir en cinco contextos: (a) uso del aprendizaje automático para predecir la resistencia a la compresión, la tracción y la flexión del BFRC (b) el uso de XML para dilucidar las características de resistencia del BFRC, (c) el uso de ambos Algoritmos LIME y SHAP como métodos explicables, (d) Por primera vez, utilizamos SHAP y LIME en todos los algoritmos ML y (e) Desarrollamos una GUI fácil de usar para predecir la resistencia mecánica de BFRC.

XAI se puede clasificar principalmente en dos partes según la complejidad del modelo39. Las explicaciones de los modelos son convenientes para modelos simples como la regresión lineal y los árboles de decisión. Estos modelos se pueden explicar directamente cómo las características de entrada afectan la salida. Las estructuras de modelos complejos suelen mejorar la precisión del modelado de ML en comparación con un modelo simple. Sin embargo, un modelo con estructuras complejas no puede explicarse fácilmente40. En tales casos, los métodos de explicación post hoc son necesarios para proporcionar explicaciones comprensibles para los humanos de las predicciones realizadas por modelos complejos de ML41. Para el presente estudio, utilizamos SHAP42 y LIME43.

Lundberg y Lee42 propusieron SHAP como una solución para la interpretabilidad de modelos complejos. SHAP replantea los problemas de valores de Shapley sobre cómo los miembros de una coalición contribuyen a un valor de la coalición. SHAP considera la contribución de cada característica individual que influye en el resultado objetivo44.

LIME utiliza modelos lineales locales de resultados de ML para explicar partes de funciones de respuesta complejas aprendidas por máquina45. LIME se utiliza alrededor de un área de interés. Por lo tanto, explica parte del comportamiento de un modelo de ML y de un modelo de interpretabilidad local en lugar de uno global46. LIME es poderoso cuando se enfoca en regiones del modelo que exhiben un comportamiento lineal, pero puede fallar en áreas de no linealidad.

Para este estudio, utilizamos modelos basados ​​en árboles, es decir, árboles de decisión, árboles que aumentan el gradiente y árboles que aumentan el gradiente de luz. El primer modelo es la forma básica de modelos de árbol, mientras que los dos últimos modelos son modelos de conjunto (combinación de múltiples árboles de decisión). Según Güçlüer et al.17 los árboles de decisión son menos complejos y precisos en comparación con modelos complejos como las redes neuronales artificiales (RNA). Generalmente, la optimización de los modelos de árbol también es conveniente en comparación con las redes neuronales. Además, los modelos de conjunto basados ​​en árboles de decisión han mostrado un buen rendimiento en la predicción de la resistencia a la compresión del hormigón reforzado con fibra3 y del hormigón de alta resistencia2 en comparación con los modelos convencionales.

DT divide un problema complejo en varias formas simples a través del proceso de aprendizaje. Esto da como resultado una interpretación conveniente del modelo47. Los DT son muy transparentes y se forman sobre la base de suposiciones razonables48. La regresión múltiple y la partición recursiva son la base para la formación de DT. Las divisiones recursivas continúan hasta que se cumple el criterio final49. Para mejorar la generalización del modelo y reducir su complejidad, se lleva a cabo una secuencia de reducción, mediante la cual cada nodo de hoja representa un modelo de regresión sencillo.

Breiman et al.50 introdujeron árboles de clasificación y regresión (CART), donde Ding et al.51 mostraron el uso de CART para problemas de clasificación y regresión. El algoritmo GB es la combinación del algoritmo GB introducido por He et al.52 y CART. CART ha demostrado tener un mejor rendimiento en muchos modelos de ML que pueden capturar correlaciones no lineales sin la necesidad de especificar las características de distribución del modelo52. El aumento de gradiente es una técnica que busca convertir a los alumnos débiles en alumnos fuertes. El algoritmo funciona integrando progresivamente a los alumnos débiles en el modelo hasta que se logra un alumno fuerte mediante la integración de varios alumnos débiles.

LGB utiliza algoritmos de aprendizaje basados ​​en árboles en el marco GB. El aumento de gradiente es una técnica de conjunto en la que tiene varios modelos para hacer predicciones, donde los errores obtenidos de un modelo se utilizan para entrenar el siguiente modelo y, al final, todos los modelos se combinan para tomar el modelo final. Algunas de las ventajas de utilizar LGB son una mayor precisión, una velocidad de entrenamiento rápida, una alta eficiencia, la capacidad de manejar datos a gran escala y un menor uso de memoria53.

Los datos sobre las características de resistencia del hormigón BFRC se obtuvieron del repositorio de Mendeley54. El conjunto de datos consta de tres conjuntos cada uno para: (a) resistencia a la compresión, (b) resistencia a la flexión y (c) resistencia a la tracción dividida. Cada conjunto consta de 10 variables independientes y una única variable dependiente. Todas las características de resistencia representan una resistencia de 28 días. El Anexo A1 representa estadísticas descriptivas de los tres conjuntos de datos y el Anexo A2 muestra el coeficiente de correlación por pares entre parámetros independientes y dependientes.

Para el entrenamiento y la validación del modelo, utilizamos un 70% de entrenamiento y un 30% de prueba. Esta división se eligió basándose en un enfoque de prueba y error al considerar la combinación de posibles divisiones que proporciona la mayor precisión. Cada modelo de ML se evalúa por su desempeño tanto en los procesos de capacitación como de prueba. El entrenamiento del modelo y la optimización de hiperparámetros se realizaron simultáneamente para mejorar el rendimiento del modelo. Para la evaluación del desempeño del modelo, sugerimos los siguientes índices (ecuaciones 1 a 4).

donde \({\mathrm{P}}_{\mathrm{i}}\)—Valor de predicción, \({\mathrm{O}}_{\mathrm{i}}\)—Valor experimental, \({ \overline{\mathrm{O}} }_{\mathrm{i}}\)—Valor medio del conjunto experimental, \(\overline{{\mathrm{P} }_{\mathrm{i}}}\ ): valor medio del conjunto previsto.

La metodología de la investigación se ilustra en la Fig. 1, que consta de tres fases principales. Para los modelos ML, los autores utilizaron SciKit Library55. La aplicación de XAI (para todos los modelos) y el análisis comparativo perfilan la novedad de este estudio.

Flujo de trabajo del estudio.

Para optimizar el hiperparámetro, utilizamos un algoritmo de búsqueda de cuadrícula. La búsqueda de cuadrícula crea combinaciones de hiperparámetros y crea un modelo para cada combinación y evalúa su desempeño. Proporcionará el conjunto óptimo de valores para cada hiperparámetro para un modelo respectivo. El anexo A3 indica los hiperparámetros optimizados utilizados para cada modelo. Todos los índices de rendimiento se calcularon por separado para el modelo y el entrenamiento y las pruebas. Esos índices de desempeño se resumen en la Tabla 2.

En consecuencia, FB de todos los modelos indica que las predicciones no están muy sobreestimadas ni subestimadas. Excepto por la menor precisión obtenida para DT al predecir la resistencia a la flexión de BFRC, todos los demás modelos alcanzaron una buena precisión de predicción. DT para la fuerza de compresión alcanzó un R2 de 0,91 para el entrenamiento y 0,894 para las pruebas, mientras que GB alcanzó 0,94 para el entrenamiento y 0,902 para las pruebas. El modelo LGB ha superado a los modelos DT y GB al lograr un R2 de 0,94 para entrenamiento y 0,918 para pruebas. El MSE y MAE del modelo LGB son 10,3 y 2,4 para pruebas, respectivamente.

Para las predicciones de resistencia a la flexión, tanto GB como LGB mostraron un rendimiento comparable al lograr un R2 de 0,882 y 0,893 para las pruebas, respectivamente. Como resultado de un rendimiento comparativamente más bajo, DT obtuvo un valor MSE de 0,88 para el equipo de prueba, que es aproximadamente el doble del valor observado para LGB. Se realiza una observación similar durante el proceso de entrenamiento de MSE, donde el MSE de DT alcanzó 0,51 y los modelos restantes alcanzaron 0,24–0,26.

De los modelos generados para predecir la resistencia a la tracción, sorprendentemente DT ha obtenido la mayor precisión. Por ejemplo, la precisión del entrenamiento alcanzó un R2 de 0,95 para el entrenamiento y 0,935 para las pruebas a una profundidad de 5. Tanto GB como LGB alcanzaron una precisión comparable para predecir la resistencia a la tracción del BFRC. Para las pruebas, GB obtuvo un R2 de 0,912 y LGB obtuvo un R2 de 0,911. El MSE observado para DT para las pruebas es un 25% menor en comparación con los valores de MSE observados para GB y LGB.

La Figura 2 muestra las predicciones (prueba) obtenidas de modelos basados ​​en árboles para las características de resistencia de BFRC. Para la resistencia a la compresión, DT logró un R2 de 0,894, mientras que dos modelos con aumento de gradiente (GB y LGB) lograron 0,902 y 0,918 respectivamente. Los tres modelos predijeron con precisión valores de resistencia a la compresión más altos (> 60 Mpa). Se muestran pocas desviaciones en las predicciones de DT que conducen a una precisión comparativamente menor en comparación con los modelos de aumento de gradiente. Sin embargo, ambos modelos de aumento de gradiente muestran puntos que se desviaron más del 20% en comparación con las predicciones originales.

Comparación de predicciones de prueba obtenidas de modelos basados ​​en árboles.

DT obtuvo un R2 de 0,803 para las predicciones de resistencia a la flexión. Dos modelos de árbol que aumentan el gradiente alcanzaron un R2 de 0,882 y 0,893, respectivamente. Como DT es la estructura de árbol básica con funciones escalonadas, la variación parece justificable. Por ejemplo, DT proporciona predicciones constantes para un rango determinado de variables independientes. Generalmente este comportamiento disminuye cuando se aumenta la profundidad del árbol. Sin embargo, en esta ocasión, el aumento de la profundidad del árbol provoca sobreajustes. Los modelos de árbol de aumento de gradiente alcanzaron una mayor precisión en comparación con DT. Tanto el modelo GB como el LGB predijeron con precisión valores de resistencia a la flexión más altos (> 6 MPa) dentro de un margen de error del 10%. Ambos modelos tienen valores de resistencia a la flexión ligeramente sobreestimados en comparación con los valores de resistencia a la flexión que son inferiores a 6 MPa. Aunque tanto GB como LGB se basan en la estructura DT, la implementación del aumento de gradiente mostró un método de aprendizaje (entrenamiento) diferente.

Además, DT obtuvo la mayor precisión en las predicciones de resistencia a la tracción. La variación muestra que las derivaciones están casi dentro de un margen de error del 10% con respecto a los valores observados. Los modelos de árbol de aumento de gradiente alcanzaron valores R2 comparables de 0,912 y 0,911. Ambos modelos mostraron ligeras desviaciones más allá del margen de error del 20%, lo que reduce su valor R2 en comparación con DT. Sin embargo, los tres modelos basados ​​en árboles mostraron una buena precisión al predecir las características de resistencia del BFRC.

Al considerar el rendimiento de los tres modelos, decidimos explicar los tres modelos utilizando IA explicable, que era el objetivo principal de este estudio. Porque los autores creían firmemente que las explicaciones de la IA dependen del algoritmo. Por ejemplo, diferentes algoritmos tendrán diferentes explicaciones como resultado de características únicas dentro del algoritmo, aunque hayan logrado precisiones comparables. Además, la explicación depende de XAI. Como se resume en la Tabla 1 de este manuscrito, muchos investigadores utilizaron solo un único método de explicación y un único algoritmo de ML que pasa por alto el punto que enfatizamos. En este estudio, implementamos SHAP y LIME para los tres modelos basados ​​en árboles.

Esta sección proporciona las explicaciones SHAP y LIME obtenidas para modelos basados ​​en árboles. Las explicaciones se pueden clasificar como explicaciones globales (modelo en su totalidad) y locales (basadas en instancias). SHAP proporciona explicaciones tanto globales como locales, mientras que LIME solo proporciona explicaciones locales. Se reconoce que SHAP proporciona una medida unificada de la importancia de las características, a diferencia de LIME, que funciona en base a instancias ficticias.

Las explicaciones globales obtenidas para SHAP se muestran en la Fig. 3. Para la resistencia a la compresión, DT ha elegido la ceniza de sílice como variable dominante. Un aumento de ceniza de sílice mejora la resistencia a la compresión o viceversa. Sin embargo, hay casos en los que un mayor contenido de cenizas de sílice ha reducido la resistencia a la compresión. DT clasificó a los áridos finos y al cemento como las siguientes características dominantes, respectivamente. El contenido de agregado fino tuvo un impacto mixto en la resistencia a la compresión; sin embargo, los agregados finos más altos reducen la resistencia a la compresión. DT capturó bien el efecto del cemento sobre la resistencia a la compresión, mientras que un mayor contenido de cemento aumenta la resistencia a la compresión y un menor contenido de cemento reduce la resistencia a la compresión. La importancia característica del agua no ha sido bien distribuida. Por ejemplo, la Fig. 3a muestra un efecto casi neural debido al mayor y menor contenido de agua que generalmente contradice lo que se observa en la variación de la resistencia a la compresión. Para los superplastificantes, un contenido más alto aumenta la resistencia a la compresión, lo que concuerda con el comportamiento real. Las características restantes; El agregado grueso, las cenizas volantes, el contenido de fibra de basalto, la longitud y el diámetro de la fibra tuvieron menos impacto en la resistencia a la compresión.

Explicaciones globales obtenidas para modelos basados ​​en árboles; (a – c) DT, (d – f) GB, (g – i) LGB.

Según el algoritmo GB, el contenido de cemento tuvo la característica de mayor importancia clasificada por SHAP. Es comparable a la explicación del modelo LGB. Tanto el modelo GB como el LGB clasificaron al agregado fino como la segunda variable dominante. El impacto observado para el agregado fino es comparable con el impacto observado en la explicación DT en la Fig. 3a. GB clasifica la ceniza de sílice y el agua como las siguientes variables importantes, mientras que LGB clasifica el agua y la ceniza de sílice, respectivamente. A pesar del orden, la importancia de sus características es comparable y concuerda con el comportamiento concreto general. Por ejemplo, un aumento en el contenido de agua disminuye la resistencia a la compresión. Esto fue diferente de la importancia de las características neuronales observada para el agua en el modelo DT. Los tres modelos ocuparon la quinta variable como superplastificantes. LGB notó un impacto moderadamente significativo en la longitud de la fibra en comparación con GB y DT. En consecuencia, el aumento de la longitud de la fibra disminuye la resistencia a la compresión. Los tres modelos coinciden en que el diámetro de la fibra es la característica menos significativa.

La ceniza de sílice es la variable dominante para la resistencia a la flexión según DT. Un aumento de la ceniza de sílice mejora la resistencia a la flexión y una reducción de la ceniza de sílice disminuye la resistencia a la flexión. Sin embargo, en algunos casos, una menor resistencia a la flexión ha resultado de un mayor contenido de cenizas de sílice. Posteriormente, el cemento y el agregado grueso son las variables dominantes clasificadas según DT. Se destaca que a mayor contenido de cemento disminuyó la resistencia a la flexión. Los agregados finos demuestran una variación de resistencia a la flexión casi neutra. En términos de las características de las fibras de basalto, se observa menos importancia en la resistencia a la flexión.

Repetidamente, el contenido de ceniza de sílice recibió la característica de mayor importancia para la resistencia a la flexión del algoritmo GB. Sin embargo, el modelo GB clasificó al cemento en segundo lugar, mientras que el modelo LGB clasificó al cemento en primer lugar. La ceniza de sílice ocupó el segundo lugar en el modelo LGB. El impacto observado para el agregado fino en GB y LGB es comparable a la explicación de DT (Fig. 3b, e, h). Acto seguido, LGB clasifica el agua y las cenizas de sílice como las siguientes variables importantes, mientras que GB clasifica las cenizas de sílice y el agua. La explicación SHAP muestra que la resistencia a la flexión disminuye a medida que aumenta el diámetro de la fibra. Las cenizas volantes fueron la característica menos significativa clasificada por los modelos basados ​​en árboles.

A partir de las explicaciones sobre la resistencia a la tracción, DT y LGB han clasificado a los áridos finos como la variable dominante. Es importante señalar que DT y GB identifican una mayor importancia de la característica del diámetro de la fibra, lo que no está de acuerdo con el modelo LGB. La reducción del diámetro de la fibra ha aumentado la resistencia a la tracción del BFRC. Se observa que un mayor contenido de agregado fino disminuye la resistencia a la tracción. A diferencia de la resistencia a la compresión y a la flexión, el contenido de cemento y agua tiene una importancia bastante menor en la resistencia a la tracción. Curiosamente, los tres modelos muestran que el mayor contenido de superplastificante ha reducido la resistencia a la tracción aunque ha aumentado la resistencia a la compresión. Excepto en unos pocos casos, las propiedades de la fibra de basalto tuvieron un impacto relativamente menor en las características de resistencia en comparación con las variables restantes. DT seleccionó la ceniza de sílice como el factor menos importante para la resistencia a la tracción, mientras que fue elegido como el de mayor importancia para la resistencia a la flexión y la resistencia a la compresión. GB y LGB han clasificado las cenizas volantes como la variable menos importante.

Por lo tanto, los autores destacan que estudios anteriores sobre la interpretabilidad del aprendizaje automático no capturaron esta singularidad en los algoritmos. Por ejemplo, usaron principalmente SHAP en su modelo de mejor rendimiento, mientras que nosotros mejoramos todos los modelos para lograr el mismo buen rendimiento y usamos SHAP y LIME. Estos algoritmos tienen un papel fundamental en la explicación. La forma en que un algoritmo aprende los patrones dependerá de sus implementaciones internas. Por ejemplo, el modelo GB y LGB la mayor parte del tiempo mostró explicaciones comparables, ya que se basa en el aumento de gradiente. Por otro lado, tales diferencias en la explicación complican los criterios de decisión.

La Figura 4 ilustra la importancia promedio de las características para cada modelo de regresión. El color rojo indica impactos positivos y el color azul representa impactos negativos. Para la resistencia a la compresión, los valores promedio de importancia de características obtenidos de DT son considerablemente diferentes con respecto a GB y LGB. Por ejemplo, DT identificó impactos tanto negativos como positivos del contenido de agua, lo que contradice las observaciones reales. Sin embargo, GB y LGB presentan un impacto negativo debido al contenido de agua. Además, tanto GB como LGB han clasificado las características de la misma manera (positiva/negativa) a pesar de su magnitud. LGB ha dado valores de importancia de características ligeramente más altos. Además, las cenizas volantes tienen un efecto positivo y no despreciable sobre la resistencia a la compresión, como se observa en las explicaciones de DT y LGB que no concuerdan con el modelo GB. DT ha dado la menor importancia a las características de longitud, diámetro y contenido de la fibra. Tanto GB como LGB han otorgado un cierto nivel de importancia (negativo) al contenido de fibra y a la longitud de la fibra.

Explicaciones medias absolutas SHAP (globales) obtenidas para modelos basados ​​en árboles; (a – c) DT, (d – f) GB, (g – i) LGB.

Se observa una diferencia significativa en las explicaciones observadas para la resistencia a la flexión. Por ejemplo, la explicación DT establece que las seis variables clasificadas primero tienen un impacto positivo en la resistencia a la flexión. Esto discrepa en cierta medida de la explicación observada en GB y LGB en relación con los áridos finos. No sólo el orden de importancia de las características sino también sus magnitudes son diferentes para cada regresión. Se hacen observaciones similares para la resistencia a la tracción. Como se destacó anteriormente en la explicación global, existe un impacto negativo de los superplastificantes en la resistencia a la flexión y a la tracción. Los tres modelos enfatizaron en general un impacto negativo del diámetro de la fibra, los agregados gruesos y finos y los superplastificantes sobre la resistencia a la tracción. GB y LGB mostraron un impacto positivo del contenido de agua en la resistencia a la tracción, mientras que DT mostró un impacto insignificante (negativo).

Además de la explicación global, SHAP también proporciona la interacción de cada característica. La Figura 5 muestra los gráficos de dependencia de características obtenidos para el contenido de fibra de basalto. Excepto por su menor importancia en comparación con otros constituyentes, tiene un contenido óptimo en el que se observa la máxima mejora en cada característica de resistencia. Esta dependencia proporciona una imagen más amplia de cómo la característica contribuye al resultado y con qué ha interactuado principalmente la característica. Las tres características de resistencia muestran un contenido óptimo de fibra de 0,1 a 0,2. La escala de colores define la variable con la que interactúa mayormente el contenido de fibra. Por ejemplo, tanto DT como GB deciden que el contenido de fibra está asociado principalmente con el contenido de superplastificante, mientras que LGB decide que es la longitud de la fibra en lugar del contenido de superplastificante. Los colores azul y rojo indican cómo interactúa el contenido de fibra con el rango de valores dados del segundo parámetro. Según GB, el valor SHAP para el contenido de fibra es alto cuando interactúa con un mayor contenido de superplastificante (puntos de color rojo).

Parcelas de dependencia para el contenido de fibra de basalto; (a – c) DT, (d – f) GB, (g – i) LGB.

Para la resistencia a la flexión, GB y LGB exhiben dependencias comparables a pesar de la variable que interactúa. GB decidió que la variable que interactuaba era agregados finos y LGB seleccionaba el contenido de cemento. Sin embargo, un mayor contenido de agregado fino o cemento se asocia principalmente con contenidos de fibra que oscilan entre 0,1 y 0,4 y siempre aumentan la resistencia a la flexión. Por otro lado, el menor contenido de sílice asociado con el contenido de fibra de basalto oscila entre 0,1 y 0,3, lo que aumenta principalmente la resistencia a la flexión. Basado en DT, SHAP ha tenido un gran impacto en el contenido de fibra en comparación con los modelos GB y LGB. Según el modelo DT, un aumento en el contenido de fibra mejora la resistencia a la tracción y la variación se detiene después de que el contenido de fibra alcanza 0,2. Principalmente, el impacto del contenido de fibra es alto cuando interactúa con agregados finos superiores, como se muestra en la Fig. 5. GB y LGB mostraron que el contenido de fibra está asociado principalmente con agregados gruesos y contenido de agua, respectivamente. El valor SHAP para el contenido de fibra se vuelve alto para los agregados gruesos inferiores, como se muestra en el gráfico observado para GB. LGB representa una variación mixta en el contenido de agua.

La Figura 6 representa las explicaciones locales SHAP observadas para valores de resistencia más altos en cada característica de resistencia. Los autores eligieron un valor aleatorio de cada fortaleza y lo explicaron usando SHAP y LIME. La importancia local de SHAP no siempre tiene que coincidir con la importancia global. Por ejemplo, en los tres casos de resistencia a la compresión, la ceniza de sílice tuvo la característica de mayor importancia. En la escala SHAP, la importancia de la característica para la ceniza de sílice es 8 para DT, 6,53 para GB y 4,74 para LGB. Además, DT y GB han otorgado una importancia característica considerablemente mayor a la ceniza de sílice en comparación con el resto de parámetros. Curiosamente, los tres modelos basados ​​en árboles clasificaron las primeras cuatro características de la instancia en el mismo orden. Por ejemplo, el contenido de fibra y de cenizas volantes han contribuido negativamente.

explicaciones locales SHAP; (a – c) DT, (d – f) GB, (g – i) LGB.

Para el caso seleccionado a partir de la resistencia a la flexión, los modelos basados ​​en árboles identificaron al cemento como la variable dominante. Para la segunda característica dominante, tanto DT como LGB identificaron agregados gruesos, mientras que se destacó el impacto negativo de las cenizas de sílice. Posteriormente, DT indica una contribución negativa del contenido de fibra, ceniza de sílice, agregados finos, longitud de fibra, agua y superplastificante. Sin embargo, GB y LGB muestran una contribución positiva de los agregados finos y el contenido de agua que contradice la explicación de DT.

El diámetro de la fibra contribuye más a la instancia obtenida a partir de la resistencia a la tracción, según GB y DT. SHAP ha dado una importancia característica de 4,29 y 3,57 para el diámetro de la fibra en DT y GB, respectivamente. Sin embargo, el modelo LGB contradice esto al clasificar el diámetro de la fibra como la característica menos importante. En general, todas las características contribuyen positivamente a la resistencia a la tracción seleccionada.

LIME pesa una instancia creando instancias ficticias, por lo tanto, no reflejaría la instancia real. La Figura 7 muestra la importancia de la característica obtenida de la explicación LIME para los mismos casos explicados en la Fig. 6. En consecuencia, la ceniza de sílice domina el caso elegido a partir de la resistencia a la compresión. LIME proporciona una explicación lógica basada en el valor de la característica. Por ejemplo, ceniza de sílice > 0, contenido de cemento > 450, 175 < contenido de agua < 185 y agregados finos < 613 tuvieron una contribución positiva a la resistencia a la compresión.

LIME explicaciones locales; (a – c) DT, (d – f) GB, (g – i) LGB.

LIME ha proporcionado una característica de importancia comparable para la ceniza de sílice y el cemento para el valor de resistencia a la flexión predicho a partir de cada modelo de regresión. Sin embargo, la importancia de la característica disminuye gradualmente del DT al LGB. LIME decide que un contenido de cenizas de sílice inferior a 0 contribuiría negativamente a la resistencia a la flexión. Los tres modelos enfatizan que el diámetro de la fibra ≤ 0,01 tuvo un impacto ligeramente positivo y la longitud de la fibra ≤ 12 tuvo un impacto negativo en la instancia seleccionada.

La explicación LIME obtenida para la resistencia a la tracción destacó el orden de importancia de las características diferentes. La característica más importante fueron los agregados finos para DT, el diámetro de la fibra para GB y el contenido de cenizas de sílice para LGB. Todas esas características dominantes tuvieron un impacto positivo en la instancia seleccionada. Tanto DT como LGB están de acuerdo con una contribución positiva de las cenizas volantes > 86 y se contraen con la misma contribución negativa mostrada por el modelo GB. Los modelos de aumento de gradiente han obtenido una importancia de característica insignificante para el contenido de agua (160

Se desarrolló una aplicación informática fácil de usar para predecir la resistencia a la compresión, la flexión y la tracción basada en el modelo LGB. Dado que las divisiones de entrenamiento y prueba verificaron la aplicabilidad del modelo LGB (R2 > 0,89 en todos los casos en comparación con los modelos restantes), todo el conjunto de datos se utilizó simultáneamente para los modelos finales de entrenamiento. A medida que se emplea todo el conjunto de datos, la profundidad del modelo LGB se aumentó a seis manteniendo constantes los hiperparámetros restantes. Se escribieron tres modelos LGB en GUI y lograron una fase de aprendizaje R2 > 0,95 (con todo el conjunto de datos). La interfaz gráfica de usuario (GUI) se muestra en la Fig. 8 de la aplicación desarrollada. Esta aplicación permite a los usuarios ingresar diez parámetros (contenido de cemento, contenido de cenizas volantes, contenido de agua, etc.), incluidos tres parámetros de fibras basales (diámetro, longitud, contenido). La capacidad de manejo de errores de la GUI propuesta garantiza que el usuario sea dirigido a ingresar valores dentro de un rango aceptable y obtener características de resistencia mecánica. Los autores creen que esta aplicación proporcionará un método conveniente y eficiente para predecir parámetros de resistencia y al mismo tiempo permitirá diferentes estudios paramétricos sobre esta tecnología del hormigón. Para una predicción más precisa, la aplicación guía a los usuarios para que limiten los parámetros de entrada al rango en el que se ajustó el modelo LGB.

Aplicación basada en GUI desarrollada para predecir las características de resistencia de BFRC.

Este estudio evaluó específicamente las explicaciones obtenidas de diferentes modelos de IA explicables en diferentes modelos de ML. Con un conjunto de datos limitado, las explicaciones tienden a depender del algoritmo más que de los datos. Por lo tanto, los autores recomiendan encarecidamente el uso de encuestas o ensayos de explicaciones basados ​​en expertos en el dominio para investigar su fidelidad. Aunque SHAP y LIME son explicaciones de caja negra ampliamente utilizadas, en ocasiones consisten en contradicciones moderadas en las explicaciones.

Este estudio utilizó algoritmos de aprendizaje automático basados ​​en árboles para modelar las características de resistencia (compresión, flexión y tracción) del hormigón reforzado con fibra de basalto. Posteriormente, utilizamos el aprendizaje automático interpretable (SHAP y LIME) para dilucidar todos los modelos a nivel local y global. Finalmente, desarrollamos una herramienta lista para usar con una conveniente interfaz gráfica de usuario (GUI) para predecir las características de resistencia del concreto reforzado con fibra de basalto. La conclusión del estudio se puede resumir de la siguiente manera:

Los modelos de regresión basados ​​en árboles pueden capturar el comportamiento no lineal de las características de resistencia del hormigón armado con fibra de basalto. Los modelos DT alcanzaron un R2 de entrenamiento > 0,85 y R2 de prueba > 0,802, los modelos GB alcanzaron un R2 de entrenamiento > 0,91 y R2 de prueba > 0,882 para predecir la resistencia. características, y los modelos LGB alcanzaron un R2 de entrenamiento > 0,92 y un R2 de prueba > 0,89 en todos los casos.

Aunque todos los modelos demostraron una buena precisión predictiva, el modelo LGB funcionó ligeramente mejor que los otros dos modelos. Como resultado, el modelo LGB es una opción adecuada para la previsión precisa de las propiedades de resistencia del hormigón armado con fibras de basalto. Sin embargo, no descarta la aplicabilidad de los modelos de árbol DT y GB para predecir la resistencia mecánica de BFRC.

Por primera vez en estudios de investigación concretos, se obtuvo la interpretabilidad del modelo utilizando los métodos de explicación SHAP y LIME. SHAP proporcionó una resolución detallada sobre el modelo en su totalidad, instancias y dependencias de características, mientras que LIME proporcionó explicaciones basadas en instancias. Convertieron la naturaleza de caja negra de los modelos ML en una caja de cristal (interpretable) al revelar la causalidad de las predicciones.

Por primera vez, utilizamos IA explicable en los tres modelos para investigar en qué se diferencian estos modelos. Curiosamente, los autores observaron que las explicaciones dependen del algoritmo. Incluso las explicaciones SHAP obtenidas para la resistencia a la compresión fueron únicas para cada modelo de regresión, ya sea por magnitud o por orden de importancia de las características. Este aspecto se pasó por alto en estudios anteriores, ya que utilizaron IA explicable en el modelo mejor realizado. Los autores sostienen que, bajo el mismo nivel de precisión, diferentes algoritmos de ML pueden proporcionar diferentes explicaciones.

Este estudio proporcionó además una interfaz gráfica de usuario para predecir la resistencia mecánica del hormigón reforzado con fibra de basalto basándose en el modelo LGB. La GUI puede predecir de manera eficiente todas las resistencias a la compresión, flexión y tracción del BFRC y será útil para la comunidad de investigación que investiga el uso de ML relacionado con el BFRC.

Los datos estarán disponibles previa solicitud del autor correspondiente.

Impulso adaptativo

Sistema adaptativo de interferencia neuro-difusa

Red neuronal artificial

Hormigón básico reforzado con fibras.

Árbol de clasificación y regresión.

Red neuronal convolucional

Recocido simulado acoplado

Árbol de decisión

Máquina de refuerzo explicable

Máquina de aprendizaje extrema

árbol adicional

Sesgo fraccional

Plástico reforzado con fibra

Árbol de aumento de gradiente

Programación de expresión genética.

Regresión del proceso gaussiano

Interfaz gráfica del usuario

Máquina de aprendizaje extremo del kernel con algoritmos genéticos

Operador de selección y contracción mínima absoluta

Aumento del gradiente de luz

Explicación agnóstica del modelo local interpretable

Regresión de la cresta del núcleo laplaciano

Máquina de vectores de soporte de mínimos cuadrados

Error absoluto medio

Error medio cuadrado

Regresión lineal múltiple

Coeficiente de correlación

Coeficiente de determinación

bosque aleatorio

Explicación del aditivo Shapley

Error de suma de cuadrados

Regresión de vectores de soporte

Velocidad del pulso ultrasónico

Inteligencia artificial explicable

Aumento de gradiente extremo

Sim, J., Park, C. & Moon, DY Características de la fibra de basalto como material de refuerzo para estructuras de hormigón. Compos. B Ing. 36, 504–512 (2005).

Artículo de Google Scholar

Ekanayake, IU, Meddage, DPP y Rathnayake, U. Un enfoque novedoso para explicar la naturaleza de caja negra del aprendizaje automático en las predicciones de resistencia a la compresión del hormigón utilizando explicaciones aditivas de Shapley (SHAP). Caso Stud. Construcción Madre. 16, e01059 (2022).

Google Académico

Kang, M.-C., Yoo, D.-Y. & Gupta, R. Predicción basada en aprendizaje automático para resistencias a la compresión y flexión del hormigón reforzado con fibras de acero. Construcción Construir. Madre. 266, 121117 (2021).

Artículo de Google Scholar

Wang, X., He, J., Mosallam, AS, Li, C. y Xin, H. Los efectos de la longitud y el volumen de las fibras sobre las propiedades del material y la resistencia al agrietamiento del hormigón armado con fibra de basalto (BFRC). Adv. Madre. Ciencia. Ing. 2019, e7520549 (2019).

Artículo de Google Scholar

Meyyappan, PL. & Jemimah Carmichael, M. Estudios sobre las propiedades de resistencia del hormigón armado con fibras de basalto. Madre. Hoy Proc. 43, 2105–2108 (2021).

Chen, W., Zhu, ZC, Wang, J., Chen, J. & Mo, Y. Análisis numérico de las propiedades mecánicas del hormigón armado con fibra de basalto picado. Ing. clave. Madre. 815, 175–181 (2019).

Artículo de Google Scholar

Jalasutram, S., Sahoo, DR y Matsagar, V. Investigación experimental de las propiedades mecánicas del hormigón reforzado con fibras de basalto. Estructura. Concr. 18, 292–302 (2017).

Artículo de Google Scholar

Li, H., Lin, J., Lei, X. y Wei, T. Predicción de la resistencia a la compresión del hormigón armado con fibra de basalto mediante un algoritmo de bosque aleatorio. Madre. Hoy Común. 30, 103117 (2022).

Artículo CAS Google Scholar

Li, H. y col. Un método de predicción de la resistencia a la compresión BFRC mediante un algoritmo genético de máquina de aprendizaje extremo del núcleo. Construcción Construir. Madre. 344, 128076 (2022).

Artículo de Google Scholar

Golafshani, EM, Behnood, A. y Arashpour, M. Predicción de la resistencia a la compresión de hormigones normales y ecológicos utilizando un sistema de inferencia difusa híbrido y un algoritmo de optimización de enjambre de partículas. Artif. Intel. Rev. 56, 7965–7984 (2023).

Artículo de Google Scholar

Ghanbari, S., Shahmansouri, AA, Akbarzadeh Bengar, H. & Jafari, A. Predicción de la resistencia a la compresión del hormigón agregado liviano de cáscara de palma aceitera de alta resistencia utilizando métodos de aprendizaje automático. Reinar. Ciencia. Contaminación. Res. 30, 1096-1115 (2023).

Basaran, B., Kalkan, I., Bergil, E. y Erdal, E. Estimación de la resistencia del enlace FRP-hormigón con formulaciones de códigos y algoritmos de aprendizaje automático. Compos. Estructura. 268, 113972 (2021).

Artículo CAS Google Scholar

Iqbal, M., Zhang, D., Jalal, FE y Faisal Javed, M. Modelos de predicción de IA computacional para la resistencia a la tracción residual de barras de GFRP envejecidas en un ambiente de concreto alcalino. Ing. Océano. 232, 109134 (2021).

Artículo de Google Scholar

Salami, BA, Olayiwola, T., Oyehan, TA y Raji, IA Modelo basado en datos para la predicción de la resistencia a la compresión del hormigón de mezcla ternaria mediante un enfoque de aprendizaje automático. Construcción Construir. Madre. 301, 124152 (2021).

Artículo de Google Scholar

Zhang, Y. & Aslani, F. Modelos de predicción de la resistencia a la compresión de hormigones de agregados livianos utilizando velocidad de pulso ultrasónico. Construcción Construir. Madre. 292, 123419 (2021).

Artículo de Google Scholar

Liu, Q. y col. Predicción de la difusividad de cloruros en hormigón mediante red neuronal artificial: modelado y evaluación del desempeño. Construcción Construir. Madre. 268, 121082 (2021).

Artículo CAS Google Scholar

Güçlüer, K., Özbeyaz, A., Göymen, S. & Günaydın, O. Una investigación comparativa que utiliza métodos de aprendizaje automático para la estimación de la resistencia a la compresión del hormigón. Madre. Hoy Común. 27, 102278 (2021).

Artículo de Google Scholar

Nguyen, H., Vu, T., Vo, TP y Thai, H.-T. Modelos eficientes de aprendizaje automático para la predicción de resistencias del hormigón. Construcción Construir. Madre. 266, 120950 (2021).

Artículo de Google Scholar

Feng, D.-C. et al. Predicción de la resistencia a la compresión del hormigón basada en el aprendizaje automático: un enfoque de impulso adaptativo. Construcción Construir. Madre. 230, 117000 (2020).

Artículo de Google Scholar

Asteris, PG, Skentou, AD, Bardhan, A., Samui, P. y Pilakoutas, K. Predicción de la resistencia a la compresión del hormigón mediante un conjunto híbrido de modelos sustitutos de aprendizaje automático. Cem. Concr. Res. 145, 106449 (2021).

Artículo CAS Google Scholar

DeRousseau, MA, Laftchiev, E., Kasprzyk, JR, Rajagopalan, B. & Srubar, WV Una comparación de métodos de aprendizaje automático para predecir la resistencia a la compresión del hormigón colocado en el campo. Construcción Construir. Madre. 228, 116661 (2019).

Artículo de Google Scholar

Fang, X. y col. Influencia de las características de los poros mesoscópicos en la resistencia a la tracción del hormigón celular a través de la segmentación de imágenes basada en aprendizaje profundo. Construcción Construir. Madre. 315, 125335 (2022).

Artículo de Google Scholar

Malami, SI et al. Implementación de un modelo predictivo híbrido neurodifuso y autogirante para la predicción de la profundidad de carbonatación del concreto: una técnica de computación suave. Res. Ing. 10, 100228 (2021).

CAS Google Académico

Ashrafian, A., Shahmansouri, AA, Akbarzadeh Bengar, H. & Behnood, A. Evaluación del comportamiento post-incendio de mezclas de concreto que contienen zeolita natural utilizando un novedoso método de aprendizaje automático basado en metaheurísticas. Archivo. Civilización. Mec. 22 de agosto de 101 (2022).

Artículo de Google Scholar

Behnood, A. & Golafshani, EM Estudio de aprendizaje automático de las propiedades mecánicas de hormigones que contienen residuos de arena de fundición. Construcción Construir. Madre. 243, 118152 (2020).

Artículo de Google Scholar

Ashrafian, A., Panahi, E., Salehi, S. y Taheri Amiri, MJ Sobre la implementación del modelo de inteligencia de datos interpretable para diseñar la vida útil del hormigón estructural en un entorno marino. Ing. Océano. 256, 111523 (2022).

Artículo de Google Scholar

Ben Chaabene, W., Flah, M. y Nehdi, ML Predicción del aprendizaje automático de las propiedades mecánicas del hormigón: revisión crítica. Construcción Construir. Madre. 260, 119889 (2020).

Artículo de Google Scholar

Madushani, JPSS, Sandamal, RMK, Meddage, DPP, Pasindu, HR & Gomes, PIA Evaluación de la gravedad de los accidentes de tráfico en autopistas mediante el uso de regresión logística y clasificadores de aprendizaje automático explicables y supervisados. Transp. Ing. 13, 100190 (2023).

Artículo de Google Scholar

Ekanayake, IU y cols. Predecir la fuerza de adhesión de superficies con micropatrones utilizando modelos de aumento de gradiente y visualizaciones de inteligencia artificial explicables. Madre. Hoy Común. 36, 106545 (2023).

Artículo CAS Google Scholar

Belle, V. & Papantonis, I. Principios y práctica del aprendizaje automático explicable. Frente. Grandes datos 4, (2021).

Roscher, R., Bohn, B., Duarte, MF y Garcke, J. Aprendizaje automático explicable para conocimientos y descubrimientos científicos. Acceso IEEE 8, 42200–42216 (2020).

Artículo de Google Scholar

Chakraborty, D., Awolusi, I. y Gutiérrez, L. Un modelo de aprendizaje automático explicable para predecir y dilucidar el comportamiento compresivo del hormigón de alto rendimiento. Res. Ing. 11, 100245 (2021).

Google Académico

Ekanayake, IU, Palitha, S., Gamage, S., Meddage, DPP, Wijesooriya, K. y Mohotti. Predecir la fuerza de adhesión de superficies con micropatrones utilizando modelos de aumento de gradiente y visualizaciones de inteligencia artificial explicables. Madre. Hoy Común. 36, 106545 (2023).

Liu, G. & Sun, B. Predicción de la resistencia a la compresión del hormigón mediante un modelo de máquina impulsora explicable. Caso Stud. Construcción Madre. 18, e01845 (2023).

Google Académico

Lyngdoh, GA, Zaki, M., Krishnan, NMA y Das, S. Predicción de fortalezas concretas habilitada por la imputación de datos faltantes y el aprendizaje automático interpretable. Cemento Concreto. Compos. 128, 104414 (2022).

Artículo CAS Google Scholar

Mohammadi Golafshani, E., Kashani, A., Behnood, A. y Kim, T. Modelado de la migración de cloruro del hormigón agregado reciclado utilizando alumnos conjuntos para la construcción de edificios sostenibles. J. Limpio. Pinchar. 407, 136968 (2023).

Artículo CAS Google Scholar

Wu, Y. & Zhou, Y. Modelo híbrido de aprendizaje automático y explicaciones aditivas de Shapley para la resistencia a la compresión del hormigón sostenible. Construcción Construir. Madre. 330, 127298 (2022).

Artículo de Google Scholar

Zeng, Z. y col. Predicción precisa de la resistencia a la compresión del hormigón basada en características explicables mediante aprendizaje profundo. Construcción Construir. Madre. 329, 127082 (2022).

Artículo de Google Scholar

Meddage, DPP y cols. Aprendizaje automático explicable (XML) para predecir la presión del viento externo de un edificio de poca altura en entornos urbanos. J. Viento Ing. Indiana Aerodyn. 226, 105027 (2022).

Artículo de Google Scholar

Meddage, P. y col. Interpretación de predicciones de presión del viento basadas en aprendizaje automático (caja negra) para edificios de poca altura con techo a dos aguas utilizando explicaciones aditivas de Shapley (SHAP). Edificios 12, 734 (2022).

Artículo de Google Scholar

Liang, Y., Li, S., Yan, C., Li, M. y Jiang, C. Explicando el modelo de caja negra: un estudio de los métodos de interpretación local para redes neuronales profundas. Neurocomputación 419, 168–182 (2021).

Artículo de Google Scholar

Lundberg, SM y Lee, S.-I. Un enfoque unificado para interpretar las predicciones de los modelos. en Avances en sistemas de procesamiento de información neuronal vol. 30 (Curran Associates, Inc., 2017).

Ribeiro, MT, Singh, S. & Guestrin, C. '¿Por qué debería confiar en ti?': Explicando las predicciones de cualquier clasificador. en Actas de la 22ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos 1135–1144 (Asociación de Maquinaria de Computación, 2016). https://doi.org/10.1145/2939672.2939778.

Meddage, DPP y cols. Predecir la velocidad promedio masiva con vegetación rígida en canales abiertos mediante aprendizaje automático basado en árboles: un enfoque novedoso que utiliza inteligencia artificial explicable. Sensores 22, 4398 (2022).

Artículo ADS PubMed PubMed Central Google Scholar

Ribeiro, MT, Singh, S. y Guestrin, C. '¿Por qué debería confiar en ti?' Explicar las predicciones de cualquier clasificador. Demostraciones de HLT-NAACL https://doi.org/10.1145/2939672.2939778 (2016).

Artículo de Google Scholar

Meddage, DPP, Ekanayake, IU, Weerasuriya, AU & Lewangamage, CS Modelos de regresión basados ​​en árboles para predecir la presión del viento externo de un edificio con una configuración no convencional. en 2021 Conferencia de investigación en ingeniería de Moratuwa (MERCon) 257–262 (2021). https://doi.org/10.1109/MERCon52712.2021.9525734.

Xu, M., Watanachaturaporn, P., Varshney, PK y Arora, MK Regresión del árbol de decisión para una clasificación suave de datos de teledetección. Sensores remotos. Medio ambiente. 97, 322–336 (2005).

ADS del artículo Google Scholar

Ahmad, M., Reynolds, J. y Rezgui, Y. Modelado predictivo para sistemas de energía solar térmica: una comparación de regresión de vectores de soporte, bosque aleatorio, árboles adicionales y árboles de regresión. J. Limpio. Pinchar. 203, 810–821 (2018).

Artículo de Google Scholar

Rodríguez-Galiano, V., Sánchez-Castillo, M., Chica-Olmo, M. & Chica-Rivas, M. Modelos predictivos de aprendizaje automático para la prospectividad mineral: una evaluación de redes neuronales, bosques aleatorios, árboles de regresión y máquinas de vectores de soporte . Mineral Geol. Rev. 71, 804–818 (2015).

Artículo de Google Scholar

Breiman, L., Friedman, J., Olshen, R. & Stone, CJ Árboles de clasificación y regresión https://doi.org/10.2307/2530946 (1983).

Artículo de Google Scholar

Ding, C., Wu, X., Yu, G. & Wang, Y. Un modelo logit que aumenta el gradiente para investigar el comportamiento de detenerse o correr del conductor en intersecciones señalizadas utilizando datos de tráfico de alta resolución. Transp. Res. Parte C Emergente. Tecnología. 72, 225–238 (2016).

Artículo de Google Scholar

He, Q., Kamarianakis, Y., Jintanakul, K. & Wynter, L. Predicción de la duración del incidente con regresión cuantil híbrida basada en árboles. en Avances en el modelado de redes dinámicas en sistemas de transporte complejos (eds. Ukkusuri, SV y Ozbay, K.) 287–305 (Springer, 2013). https://doi.org/10.1007/978-1-4614-6243-9_12.

Alsabti, K., Ranka, S. & Singh, V. NUBES: Un clasificador de árbol de decisión para grandes conjuntos de datos. en Actas de la Cuarta Conferencia Internacional sobre Descubrimiento de Conocimiento y Minería de Datos 2–8 (AAAI Press, 1998).

Wang, M. Conjunto de datos de propiedades mecánicas de BFRC para predicción de fuerza con aprendizaje automático. 1, (2022).

scikit-learn: aprendizaje automático en Python: documentación de scikit-learn 1.3.0. https://scikit-learn.org/stable/.

Descargar referencias

Agradecemos al Departamento de Ingeniería Civil de la Universidad de Moratuwa por ayudarnos a iniciar este proyecto.

Departamento de Ingeniería Civil, Instituto de Tecnología de la Información de Sri Lanka, Malabe, Sri Lanka

WKVJB Kulasooriya, RSS Ranasinghe, Udara Sachinthana Perera y P. Thisovithan

Departamento de Ingeniería Informática, Universidad de Peradeniya, Kandy, Sri Lanka

IU Ekanayake

Departamento de Ingeniería Civil, Universidad de Moratuwa, Moratuwa, Sri Lanka

Meddaje del PPD

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

WKVJBK: investigación, metodología, modelización y programación. RSSR: investigación, metodología, modelación y programación. USP: redacción y revisión, marco metodológico, codificación GUI. PT: redacción del borrador original, análisis y validación, codificación GUI. IUE: supervisión, redacción y revisión, conceptualización. DPPM: redacción y revisión, validación, conceptualización.

Correspondencia al DPP Meddage.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Kulasooriya, WKVJB, Ranasinghe, RSS, Perera, EE.UU. et al. Modelado de características de resistencia del hormigón armado con fibra de basalto utilizando múltiples aprendizajes automáticos explicables con una interfaz gráfica de usuario. Representante científico 13, 13138 (2023). https://doi.org/10.1038/s41598-023-40513-x

Descargar cita

Recibido: 23 de marzo de 2023

Aceptado: 11 de agosto de 2023

Publicado: 12 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40513-x

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.