Machine Learning Prediction of Flexural Behavior of UHPFRC
Capítulo - Parte de Libro
2020
Springer Nature
To evaluate the possibility of predicting the flexural behaviour of UHPFRC, four analytical models were developed, based on artificial neural networks (ANN), to predict the first cracking tension or Limit of Proportionality (LOP), its corresponding deflection (δLOP), ultimate strength or Modulus of Rupture (MOR), and its corresponding deflection (δMOR) of UHPFRC under bending test. The models that were composed of an input level, one output level, and four hidden levels were developed through the R platform. The input level applied the most significative Principal Components (PC) of a large dimension of input dataset. To avoid overfitting K-fold validation and l2 regularization was used. After the models were created, an improvement based on assembling of models by incorporating the predicted values in the dataset of features. The results indicated that the developed assembling models have a good accuracy for the prediction of the behaviour of UHPFRC under three or four points bending test, even when containing supplementary cementitious materials and hybrid mixture of fibers. Para evaluar la posibilidad de predecir el comportamiento a flexión del UHPFRC, se desarrollaron cuatro modelos analíticos, basados en redes neuronales artificiales (ANN), para predecir la primera tensión de fisuración o Límite de Proporcionalidad (LOP), su correspondiente deflexión (δLOP), la resistencia última o Módulo de Ruptura (MOR), y su correspondiente deflexión (δMOR) del UHPFRC bajo ensayo de flexión. Los modelos, compuestos por un nivel de entrada, un nivel de salida y cuatro niveles ocultos, se desarrollaron mediante la plataforma R. El nivel de entrada aplicó los componentes principales (PC) más significativos de un conjunto de datos de entrada de gran dimensión. Para evitar el sobreajuste se utilizó la validación K-fold y la regularización l2. Una vez creados los modelos, se realizó una mejora basada en el ensamblaje de los modelos mediante la incorporación de los valores predichos en el conjunto de datos de características. Los resultados indicaron que los modelos de ensamblaje desarrollados tienen una buena precisión para la predicción del comportamiento de los UHPFRC en ensayos de flexión de tres o cuatro puntos, incluso cuando contienen materiales cementosos suplementarios y mezcla híbrida de fibras.
9783030584818
RILEM Bookseries
Descripción:
Machine Learning Prediction of Flexural Behavior of UHPFRC.pdf
Título: Machine Learning Prediction of Flexural Behavior of UHPFRC.pdf
Tamaño: 1017.Kb
PDF
Título: Machine Learning Prediction of Flexural Behavior of UHPFRC.pdf
Tamaño: 1017.Kb