From Machine Learning to Semi-Empirical Formulas for Estimating Compressive Strength of the Ultra-High Performance Concrete
- 1. Ho Chi Minh City University of Technology
- 2. Sejong University
Description
Although some machine learning (ML) models have successfully developed for ultra-highperformance concrete (UHPC), they do not provide insights and explicit relations between all ingredients and its compressive strength. This paper will address these ambiguities and provide a tool to predict the compressive strength by explainable and interpretable equations and plots. Explicit semi-empirical formulas are derived from a multivariate polynomial regression (Lasso) and automated feature engineering and selection (Autofeat) using a 810 dataset of UHPC with 15 ingredients, which are collected from literature. Coefficient of determination R 2 = 0.8223 is the same for the first-order degree (linear regression) of both models, however, the Autofeat achieves a better result than Lasso for the third-order degree with R 2 = 0.9616 vs. R 2 = 0.9503. A comprehensive parametric study is carried out via relative feature importance and partial dependence plots to explain and gain profound insights into the effects of some important input variables on the compressive strength of UHPC. Some details discussions related to these effects with previous studies are also presented. The proposed models not only show better performance with those from reference in terms of R 2 , especially for Autofeat model but also have explicit relations of compressive strength with 15 input ingredients. Hence, they can be used as a reliable tool in mixture design optimisation of the UHPC.
Translated Descriptions
Translated Description (Arabic)
على الرغم من أن بعض نماذج التعلم الآلي (ML) قد تطورت بنجاح للخرسانة فائقة الأداء (UHPC)، إلا أنها لا توفر رؤى وعلاقات صريحة بين جميع المكونات وقوتها الانضغاطية. ستتناول هذه الورقة هذه الغموض وتوفر أداة للتنبؤ بمقاومة الانضغاط من خلال معادلات ومخططات قابلة للتفسير والتفسير. يتم اشتقاق الصيغ شبه التجريبية الصريحة من الانحدار متعدد الحدود متعدد المتغيرات (LASSO) وهندسة الميزات الآلية واختيارها (Autofeat) باستخدام مجموعة بيانات 810 من UHPC مع 15 مكونًا، والتي يتم جمعها من الأدبيات. معامل التحديد R 2 = 0.8223 هو نفسه بالنسبة للدرجة الأولى (الانحدار الخطي) لكلا النموذجين، ومع ذلك، فإن Autofeat يحقق نتيجة أفضل من Lasso للدرجة الثالثة مع R 2 = 0.9616 مقابل R 2 = 0.9503. يتم إجراء دراسة بارامترية شاملة عبر أهمية الميزة النسبية ومؤامرات الاعتماد الجزئي لشرح واكتساب رؤى عميقة حول تأثيرات بعض متغيرات المدخلات المهمة على قوة ضغط UHPC. كما يتم تقديم بعض المناقشات التفصيلية المتعلقة بهذه الآثار مع الدراسات السابقة. لا تُظهر النماذج المقترحة أداءً أفضل مع النماذج المرجعية من حيث R 2 ، خاصة بالنسبة لنموذج Autofeat ولكن لها أيضًا علاقات صريحة من قوة الانضغاط مع 15 مكون إدخال. وبالتالي، يمكن استخدامها كأداة موثوقة في تحسين تصميم الخليط من UHPC.Translated Description (French)
Bien que certains modèles d'apprentissage automatique (ML) se soient développés avec succès pour le béton ultra-performant (UHPC), ils ne fournissent pas d'informations et de relations explicites entre tous les ingrédients et sa résistance à la compression. Cet article abordera ces ambiguïtés et fournira un outil pour prédire la résistance à la compression à l'aide d'équations et de tracés explicables et interprétables. Les formules semi-empiriques explicites sont dérivées d'une régression polynomiale multivariée (Lasso) et de l'ingénierie et de la sélection automatisées des fonctionnalités (Autofeat) à l'aide d'un ensemble de données 810 d'UHPC avec 15 ingrédients, qui sont collectées dans la littérature. Le coefficient de détermination R 2 = 0,8223 est le même pour le degré du premier ordre (régression linéaire) des deux modèles, cependant, l'Autofeat atteint un meilleur résultat que le Lasso pour le degré du troisième ordre avec R 2 = 0,9616 vs R 2 = 0,9503. Une étude paramétrique complète est réalisée via des diagrammes d'importance relative des caractéristiques et de dépendance partielle pour expliquer et obtenir des informations approfondies sur les effets de certaines variables d'entrée importantes sur la résistance à la compression de l'UHPC. Certains détails des discussions liées à ces effets avec des études antérieures sont également présentés. Les modèles proposés montrent non seulement de meilleures performances avec ceux de référence en termes de R 2 , en particulier pour le modèle Autofeat, mais ont également des relations explicites de résistance à la compression avec 15 ingrédients d'entrée. Par conséquent, ils peuvent être utilisés comme un outil fiable dans l'optimisation de la conception du mélange de l'UHPC.Translated Description (Spanish)
Aunque algunos modelos de aprendizaje automático (ML) se han desarrollado con éxito para el hormigón de ultra alto rendimiento (UHPC), no proporcionan información ni relaciones explícitas entre todos los ingredientes y su resistencia a la compresión. Este documento abordará estas ambigüedades y proporcionará una herramienta para predecir la resistencia a la compresión mediante ecuaciones y gráficos explicables e interpretables. Las fórmulas semi-empíricas explícitas se derivan de una regresión polinómica multivariante (Lasso) y de la ingeniería y selección automatizada de características (Autofeat) utilizando un conjunto de datos 810 de UHPC con 15 ingredientes, que se recopilan de la literatura. El coeficiente de determinación R 2 = 0.8223 es el mismo para el grado de primer orden (regresión lineal) de ambos modelos, sin embargo, el Autofeat logra un mejor resultado que el Lasso para el grado de tercer orden con R 2 = 0.9616 vs. R 2 = 0.9503. Se lleva a cabo un estudio paramétrico exhaustivo a través de gráficos de importancia relativa de características y dependencia parcial para explicar y obtener información profunda sobre los efectos de algunas variables de entrada importantes en la resistencia a la compresión de UHPC. También se presentan algunos detalles de discusiones relacionadas con estos efectos con estudios previos. Los modelos propuestos no solo muestran un mejor rendimiento con los de referencia en términos de R 2 , especialmente para el modelo Autofeat, sino que también tienen relaciones explícitas de resistencia a la compresión con 15 ingredientes de entrada. Por lo tanto, se pueden utilizar como una herramienta confiable en la optimización del diseño de mezclas del UHPC.Files
42858913.pdf.pdf
Files
(1.6 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:7ec89e77b5fb2bbac558b53a0a1308d1
|
1.6 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- من التعلم الآلي إلى الصيغ شبه التجريبية لتقدير قوة الضغط للخرسانة فائقة الأداء
- Translated title (French)
- De l'apprentissage automatique aux formules semi-impiriques pour estimer la résistance à la compression du béton ultra-haute performance
- Translated title (Spanish)
- Del aprendizaje automático a las fórmulas semi empíricas para estimar la resistencia a la compresión del hormigón de ultra alto rendimiento
Identifiers
- Other
- https://openalex.org/W4226528784
- DOI
- 10.2139/ssrn.4058999