مهندسی عمران امیرکبیر، جلد ۵۶، شماره ۱۲، صفحات ۱۵۸۳-۱۶۰۴
عنوان فارسی پیش‌بینی عمق کربناته شدن بتن و بررسی عوامل تأثیرگذاراز طریق مدل های یادگیری ماشین و بهینه‌سازی
چکیده فارسی مقاله پیش‌بینی دقیق عمق کربناته شدن بتن برای محافظت در برابر پیامدهای زیان‌بار مانند ترک خوردگی و خوردگی بسیار مهم است. با این وجود، به دلیل پیچیدگی‌های فرآیند و انبوه متغیرهای موجود، تشخیص پارامترهایی که بیشترین اهمیت را در مدل‌سازی عمق کربناته بتن دارند، چالش‌ بزرگی محسوب می‌شود. این مقاله به توسعه یک روش انتخاب ویژگی جدید به نام MOEA/D-ANN می پردازد. هدف این روش شناسایی مهم‌ترین متغیرهایی است که به دستیابی بالاترین دقت پیش بینی کمک می کنند. این روش پیشنهادی الگوریتم تکاملی بهینه‌سازی چند هدفه مبتنی بر جداسازی را با شبکه‌های عصبی مصنوعی ترکیب می‌کند تا با استفاده از قدرت روش‌های بهینه‌سازی و یادگیری ماشین، مشکل انتخاب ویژگی را به طور موثر حل کند. برای ارزیابی عملکرد روش معرفی شده از الگوریتم (RReliefF) که یک الگوریتم رتبه بندی ویژگی است ، نیز بهره گرفته شده است. از روش ANN برای پیش‌بینی عمق کربناته بتن و از روش های ترکیبی M‏OEA/D-ANN و RReliefFبرای یافتن متغیرهای‌ تأثیرگذار استفاده شده است. نتایج بدست آمده نشان داده اند که مدل ایجاد شده با استفاده از رویکرد MOEA/D-ANN، با ترکیب متغیرهای تعیین‌شده توسط آن، کاهش قابل توجهی را در درصد خطاها و افزایش دقت دارد. علاوه بر این، این مدل به مقدار قابل‌توجه ضریب تعیین R2 = 0.99 می‌رسد، که بر دقت استثنایی آن در پیش بینی عمق کربناته بتن و تأیید انتخاب دقیق متغیرهای تأثیرگذار تأکید می‌کند.
کلیدواژه‌های فارسی مقاله عمق کربناسیون،پیش‌بینی،یادگیری ماشین،شبکه عصبی مصنوعی،بهینه سازی،
عنوان انگلیسی Predicting Concrete Carbonation Depth and investigating the influencing factors through machine learning approaches and optimization
چکیده انگلیسی مقاله Accurate prediction of the carbonation depth of concrete is very important to protect against harmful consequences such as cracking and corrosion. Nevertheless, due to the complexities of the process and the multitude of available variables, identifying the parameters that are most important in modeling the carbonate depth of concrete is considered a big challenge. This paper deals with the development of a new feature selection method called MOEA/D-ANN. The purpose of this method is to identify the most important variables that help to achieve the highest forecasting accuracy. This proposed method combines the separation-based multi-objective optimization evolutionary algorithm with artificial neural networks to effectively solve the feature selection problem by using the power of optimization methods and machine learning. To evaluate the performance of the introduced method, the algorithm (RReliefF), which is a feature ranking algorithm, has also been used. ANN method has been used to predict concrete carbonate depth and combined MOEA/D-ANN and RReliefF methods have been used to find the influencing variables. The obtained results have shown that the model created using the MOEA/D-ANN approach, by combining the variables determined by it, has a significant reduction in the percentage of errors and an increase in accuracy. In addition, this model reaches the significant value of the coefficient of determination R2 = 0.99, which emphasizes its exceptional accuracy in predicting the depth of concrete carbonate and confirming the accurate selection of influential variables.
کلیدواژه‌های انگلیسی مقاله عمق کربناسیون,پیش‌بینی,یادگیری ماشین,شبکه عصبی مصنوعی,بهینه سازی
نویسندگان مقاله شعیب منصوری |
دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکببر، تهران، ایران

علیرضا رهایی |
دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکببر، تهران، ایران

سیدهادی راشدی |
دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکببر، تهران، ایران

فریدون مقدس نژاد |
دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکببر، تهران، ایران

نشانی اینترنتی https://ceej.aut.ac.ir/article_5587_2e4f6233a40a781b5f691c4894b03555.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات