基于随机森林的支持向量机混凝土早期抗裂性预测研究

发布时间：2021-02-12 23:59

　　混凝土收缩开裂问题严重危害建筑工程的结构安全和正常使用,准确快速预测混凝土早期抗裂性成为研究重点。将随机森林结合支持向量机算法（RF-SVM）引入混凝土早期抗裂性研究,以某项目混凝土为例,基于材料和配合比选取了12个影响因素的混凝土早期抗裂性指标体系,采用基于重要性排序的随机森林回归算法,对影响因子进行特征提取,选出最优特征变量集,达到降维的目的,同时明确了该实际工程中应当注意加强控制的因素。然后采用十折交叉验证方法对支持向量机（SVM）模型进行参数优化,利用SVM模型对筛选后的样本进行训练和预测,输出预测结果,并与未进行特征筛选的支持向量机预测模型、人工神经网络预测模型对比,结果显示:RF-SVM预测结果最接近实测值,模型精度最高。RF-SVM预测模型可为实现混凝土早期抗裂性快速预测提供一种有效的方法。 

【文章来源】：工业建筑. 2020,50(09)北大核心

【文章页数】：8 页

【部分图文】：

基于RF-SVM的混凝土早期抗裂性预测模型流程

根据式(11)使用R包中的Pearson函数可以分析影响因素之间以及影响因素与总开裂面积之间的相关性，并对基于随机森林importance函数计算的重要性排序做一个验证，调用R软件ggplot2程序包输出绘图结果，可得到图2各影响因素与输出变量的相关性散点图。当图中的相关性点径越大，表明影响因素与输出变量之间的相关系数越大，两者之间的关联性越强。由图2可以看出，水泥用量、水泥强度、混凝土强度、水胶比、平均粒径与总开裂面积的相关性明显高于其他因素，说明这些因素与混凝土早期总开裂面积高度相关。与基于随机森林的变量重要性评价结果相吻合，因此有效验证了随机森林能够较准确对复杂的影响因素进行重要性度量。5)交叉验证降维。使用递归消除法(RFE算法)经过5折交叉验证重复10次得到不同变量组合的RMSE(均方根误差)变化趋势，见图3。由图可知，随着变量组合个数的增加，模型的RMSE整体表现出先大幅下降后缓慢上升的趋势。RFE通过交叉组合，不断建立模型，剔除一些特征变量，直到遍历所有的特征变量，最终得到最佳变量组合。比较每次验证时得到的模型的RMSE值，选择均方根误差值最小的变量集作为最优特征变量集。这种算法筛除了不重要的特征和冗余的影响因素，可以提高模型的预测精度。此外，当变量组合数达到7个时，RMSE达到最小，表示此时模型的预测效果最好。经序列后向选择的特征筛选得到的变量集合包含水泥用量、水泥强度、减水剂、水胶比、混凝土强度、粗集料用量、平均粒径7个因素，将交叉验证误差最小的特征变量集合作为混凝土抗裂性预测模型的输入指标集。

5)交叉验证降维。使用递归消除法(RFE算法)经过5折交叉验证重复10次得到不同变量组合的RMSE(均方根误差)变化趋势，见图3。由图可知，随着变量组合个数的增加，模型的RMSE整体表现出先大幅下降后缓慢上升的趋势。RFE通过交叉组合，不断建立模型，剔除一些特征变量，直到遍历所有的特征变量，最终得到最佳变量组合。比较每次验证时得到的模型的RMSE值，选择均方根误差值最小的变量集作为最优特征变量集。这种算法筛除了不重要的特征和冗余的影响因素，可以提高模型的预测精度。此外，当变量组合数达到7个时，RMSE达到最小，表示此时模型的预测效果最好。经序列后向选择的特征筛选得到的变量集合包含水泥用量、水泥强度、减水剂、水胶比、混凝土强度、粗集料用量、平均粒径7个因素，将交叉验证误差最小的特征变量集合作为混凝土抗裂性预测模型的输入指标集。3.3 支持向量机建模和评估


本文编号：3031635