그래픽 사용자 인터페이스를 갖춘 다중 설명 가능한 기계 학습을 사용하여 현무암 섬유 강화 콘크리트의 강도 특성 모델링

Scientific Reports 13권, 기사 번호: 13138(2023) 이 기사 인용

773 액세스

측정항목 세부정보

본 연구에서는 현무암 섬유 강화 콘크리트(BFRC)의 강도 특성을 예측하기 위해 개발된 다양한 기계 학습(ML) 모델에 설명 가능한 인공 지능(XAI)을 적용하는 것의 중요성을 조사했습니다. ML이 콘크리트의 강도 예측에 널리 채택되더라도 예측의 블랙박스 특성으로 인해 결과 해석이 어렵습니다. 설명 가능한 AI를 사용하여 이러한 한계를 극복하려는 여러 시도 중 연구자들은 단 하나의 설명 방법만 사용했습니다. 본 연구에서는 기초섬유보강콘크리트(BFRC)의 기계적 강도 특성(압축강도, 굴곡강도, 인장강도)을 예측하기 위해 3가지 트리 기반 ML 모델(Decision tree, Gradient Boosting tree, Light Gradient Boosting Machine)을 사용하였다. ). 처음으로 우리는 모든 모델에 대한 설명을 제공하기 위해 두 가지 설명 방법(Shapley 추가 설명(SHAP) 및 로컬 해석 가능 모델 불가지론 설명(LIME))을 사용했습니다. 이러한 설명 가능한 방법은 복잡한 기계 학습 모델의 기본 의사 결정 기준을 밝혀 최종 사용자의 신뢰를 향상시킵니다. 비교는 트리 기반 모델이 강도 특성을 예측하는 데 있어 좋은 정확도를 얻었지만 기능 중요도의 크기나 중요도에 따라 설명이 달랐음을 강조합니다. 이러한 불일치는 (1) 콘크리트 강도 예측에서 XAI 기반 연구를 확장하고 (2) XAI 결과를 평가하기 위해 도메인 전문가를 참여시키는 것을 더욱 강조하는 ML 예측을 기반으로 한 복잡한 의사 결정을 추진합니다. 이 연구는 현무암 섬유 강화 콘크리트(BFRC)의 빠른 강도 예측을 가능하게 하는 "사용자 친화적인 컴퓨터 애플리케이션"의 개발로 마무리됩니다.

현무암 섬유는 현무암 암석을 녹이는 과정을 통해 얻습니다. 현무암 암석을 미세하게 분할하여 섬유를 생산하는 것이 가능합니다. 현무암 섬유는 무기, 생분해성, 비금속 물질입니다. 인장특성이 강하여 콘크리트의 인장능력을 향상시키는데 널리 사용됩니다. 현무암 섬유의 생산 공정은 첨가물 혼합이 필요하지 않기 때문에 비용 효율적입니다. 현무암 섬유는 E-유리 섬유에 비해 뛰어난 인장 강도, 탄소 섬유에 비해 더 높은 파괴 강도, 화학적 공격, 화재 및 충격 하중에 대한 더 나은 저항성을 나타냅니다1. 이러한 특성으로 인해 연구 커뮤니티는 기초 섬유를 혁신적인 구조 강화 재료로 적용하여 철근 콘크리트를 생산하는 데 집중하게 되었습니다.

콘크리트의 압축강도, 인장강도, 굴곡강도는 콘크리트의 기본강도 특성으로 간주된다2,3. 현무암 섬유의 영향을 완전히 밝히기 위해 BFRC4의 기계적 특성을 결정하기 위한 여러 연구가 수행되었습니다. Meyyappan과 Carmichael5은 기초 섬유의 다양한 부피 분율을 사용했으며 현무암 섬유가 있는 경우 분할 인장 강도와 압축 강도가 모두 증가한다는 것을 관찰했습니다. 그러나 변화는 1% 부피 분율에서 최적에 도달했으며 이후 감소 추세를 나타냈습니다. 최적분율에서의 압축강도 증가는 대조군 시료에 비해 11.5%, 쪼개짐 인장강도는 18.2% 증가하였다. Chen 등6은 BFRC의 기계적 성질에 미치는 영향을 연구하기 위해 현무암 섬유의 함량을 변수로 사용했습니다. Jalasutran 등7은 BFRC의 기계적 특성을 조사하여 비슷한 주장을 했습니다. 그들은 현무암 섬유 함량의 결과로 강도 특성이 향상되는 것을 관찰했습니다. 그러나 현무암 섬유를 첨가하면 강도 특성5,8,9에 비선형 변화가 발생했습니다. 결과적으로 BFRC의 강도특성 예측은 기존 콘크리트에 비해 상대적으로 복잡하며, 점진적인 관계 연구를 위해서는 반복적인 실험 과정이 필요하다. 강도 특성의 정확한 평가는 구조 설계 및 최적화에 매우 중요합니다. 반면, 기존 연구는 시간과 노력이 많이 들고 비용이 많이 드는 실험실 실험을 기반으로 결과를 도출해 왔습니다. 대체 접근 방식으로 기계 학습(ML) 기술과 같은 분석 방법을 사용하여 BFRC의 강도 특성을 예측할 수 있습니다.

0.8) in all three models. The study conducted by Salami et al.14 explored the nonlinear properties of compressive strength in ternary composite concrete. They employed coupled simulated annealing (CSA) as an optimization algorithm in combination with the least squares support vector machine (LSSVM) to forecast compressive strength with an impressive R2 value of 0.954. Zhang and Aslani15 proposed an artificial neural network (ANN) model to predict the compressive strength of lightweight aggregate concrete based on UPV (Ultrasonic Pulse Velocity) under different conditions which resulted in a maximum \({\mathrm{R}}^{2}\) of 0.988, and a minimum of 0.736. By leveraging complex potential physical phenomena like mechanical properties, concrete composition, and experimental processes, Liu et al.16 constructed a model utilizing an ANN for predicting the chloride ion diffusion coefficient in concrete. Güçlüer et al.17 used ML models (ANN, Decision tree (DT), Support vector regression (SVR), and Linear regression) to predict 28-day compressive strength. DT model was selected as the best model with an R2 of 0.86. Kang et al.3 developed 12 machine-learning models to predict the compressive and flexural strength of steel fiber-reinforced concrete. Their gradient boosting (GB) model (MAE = 1.18) and extreme gradient boosting (XGB) model (MAE = 1.25) obtained superior performance compared to the remaining models. Nguyen et al.18 employed ANN, SVR, GB, and XGB to predict the compressive strength of concrete. They argued that GB regression and the XGB model performed better compared to ANN and SVR models. Feng et al.19 used an adaptive boosting (ADABoost) model to predict the compressive strength of concrete and the model achieved an R2 of 0.982 with MAE = 1.64. Similar studies were conducted by Asteris et al.20 and DeRousseau et al.21 to predict the compressive strength of concrete. Fang et al.22 used an image segmentation method to investigate the effect of pore structure on the split tensile strength of cellular concrete. Malami et al.23 used a neuro-fuzzy hybrid model composed of, an extreme learning machine (ELM), an adaptive neuro-fuzzy inference system (ANFIS), a multi-linear regression model (MLR), and SVR to study the impact of carbonization on reinforced concrete durability (R \(\ge \) 0.96). Ashrafian et al.24 have developed an evolutionary-based ML model which give promising prediction of post-fire mechanical properties of green concrete. Recently, Li et al.8 used machine learning methods to predict the compressive strength of BFRC. They proposed random forests to predict the compressive strength and later used the Kernel extreme learning machine with genetic algorithms (KELM-GA) to perform the same task9. They argued that KELM-GA outperformed the models such as ANN, SVR, and Gaussian process regression (GPR). Behnood et al.25 used ML to model the elastic modulus, the flexural, compressive, and split tensile strength of concrete. Ashrafian et al.26 have shown that ML can accurately predict apparent surface chloride concentration of structural concrete in a marine environment. On these ML approaches to predict the mechanical properties of concrete, Chaabene et al.27 conducted a comprehensive review. They reported that conventional machine learning (ML) models do not explain the model despite the higher accuracy of results prediction. The model interpretation is important for structural engineering applications due to three reasons; (1) to identify interactions between inputs and underlying reasoning, (2) to establish the end-user’s and domain experts’ trust on ML, (3) to explain proposed methods to the non-technical community specially with less understanding about machine learning. Hence, the boundary of ML research has pushed towards revealing characteristic of black-box predictions./p> 60 Mpa). Few deviations are shown in DT predictions that lead to comparatively lower accuracy compared to gradient boosting models. However, both gradient-boosting models showcase points that deviated more than 20% compared to the original predictions./p> 6 MPa) within a 10% error margin. Both models have slightly overestimated flexural strength values compared to the flexural strength values which are less than 6 MPa. Even though both GB and LGB are based on DT structure, the implementation of gradient boosting showcased a different learning (training) method./p> 0, cement content > 450, 175 < water content < 185, and fine aggregates < 613 had a positive contribution to the compressive strength./p> 86 and contract with the same but negative contribution displayed by the GB model. Gradient boosting models have obtained a negligible feature importance for water content (160 < water content < 180) whereas a moderate feature importance was given in the DT model./p> 0.89 in all cases compared to the remaining models), the whole data set was simultaneously used for the training final models. As the whole data set is employed, the depth of the LGB model was increased to six by keeping the remaining hyperparameters constant. Three LGB models were written into GUI and they achieved an R2 > 0.95 learning phase (with the whole data set). The graphical user interface (GUI) is shown in Fig. 8 of the developed application. This application enables users to input ten parameters (Cement content, fly ash content, water content, etc.) including three parameters of Basal fibers (diameter, length, content). The error handling capability of the proposed GUI ensures the user is directed to input values within acceptable range and obtain mechanical strength characteristics. The authors believe that this application will provide a convenient and efficient method of predicting strength parameters while enabling different parametric studies on this concrete technology. For more precise prediction the application guide users to limit input parameters to the range in which the LGB model was fitted./p>

0.85 and testing R2 > 0.802, GB models reached a training R2 > 0.91 and testing R2 > 0.882 for predicting strength characteristics, and LGB models reached a training R2 > 0.92 and testing R2 > 0.89 in all cases./p>