XiaoMi-AI文件搜索系统
World File Search System抗压强度
相关的生物炭特征影响生物炭污垢砂浆的抗压强度
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。
采用无损检测和岩相试验预测岩石材料无侧限抗压强度的先进树状技术
摘要：准确评估岩石强度是几乎所有岩石项目（如隧道和开挖）的一项基本任务。人们尝试了许多方法来创建计算无限制抗压强度 (UCS) 的间接技术。这通常是由于收集和完成上述实验室测试的复杂性。本研究应用了两种先进的机器学习技术，包括极端梯度提升树和随机森林，用于根据无损检测和岩相学研究预测 UCS。在应用这些模型之前，使用 Pearson 卡方检验进行了特征选择。该技术选择了以下输入来开发梯度提升树 (XGBT) 和随机森林 (RF) 模型：干密度和超声波速度作为无损检测，云母、石英和斜长石作为岩相学结果。除了 XGBT 和 RF 模型外，还开发了一些经验方程和两个单决策树 (DT) 来预测 UCS 值。本研究的结果表明，在系统精度和误差方面，XGBT 模型在 UCS 预测方面优于 RF。XGBT 的线性相关性为 0.994，其平均绝对误差为 0.113。此外，XGBT 模型优于单个 DT 和经验方程。XGBT 和 RF 模型也优于 KNN（R = 0.708）、ANN（R = 0.625）和 SVM（R = 0.816）模型。本研究的结果表明，XGBT 和 RF 可有效用于预测 UCS 值。
先进的机器学习算法来评估原材料对超高性能混凝土流动性和抗压强度的影响
通过人工智能技术估算混凝土特性已被证明是建筑领域节省时间和成本的有效方法。超高性能混凝土 (UHPC) 的制造基于多种成分的组合，从而产生一种非常复杂的新鲜和硬化形式的复合材料。成分越多，可能的组合、特性和相对混合配比就越多，导致难以预测 UHPC 行为。本研究的主要目的是开发机器学习 (ML) 模型来预测 UHPC 的流动性和抗压强度。因此，当前的研究采用了复杂而有效的人工智能方法。为此，应用了一个名为决策树 (DT) 的单独 ML 模型和名为引导聚合 (BA) 和梯度提升 (GB) 的集成 ML 算法。还采用了诸如判定系数 (R2)、均方根误差 (RMSE) 和平均绝对误差 (MAE) 之类的统计分析来评估算法的性能。结论是，GB 方法可以适当地预测 UHPC 的流动性和抗压强度。DT 技术的 R 2 值较高，分别为抗压和流动性的 0.94 和 0.95，误差值较小，与其他 R 2 值较低的算法相比具有更高的精度。SHAP 分析表明，石灰石粉含量和固化时间分别对 UHPC 的流动性和抗压强度具有最高的 SHAP 值。本研究成果将有利于建筑行业的学者快速有效地确定 UHPC 的流动性和抗压强度。