必贏3003no1線路檢測(cè)中心必贏3003no1線路檢測(cè)中心馮闖教授團(tuán)隊(duì)在國(guó)際權(quán)威學(xué)術(shù)期刊《Construction and Building Materials》（中科院一區(qū)TOP期刊，IF=7.4）上發(fā)表題為“Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites”的研究論文。2021級(jí)碩士研究生楊金龍為該論文的第一作者，馮闖教授為通訊作者，必贏3003no1線路檢測(cè)中心必贏3003no1線路檢測(cè)中心為第一通訊單位。
氧化石墨烯增強(qiáng)水泥復(fù)合材料（GORCCs）的抗壓強(qiáng)度（CS）預(yù)測(cè)對(duì)于加速其在土木工程中的潛在應(yīng)用至關(guān)重要。然而，傳統(tǒng)的實(shí)驗(yàn)和理論建模存在耗時(shí)、成本高、效率低等問(wèn)題，同時(shí)考慮多種耦合因素的影響也具有挑戰(zhàn)性。這項(xiàng)工作首次開發(fā)了探索GORCCs的CS與多個(gè)耦合因素之間復(fù)雜關(guān)系的機(jī)器學(xué)習(xí)（ML）方法。結(jié)果表明，所開發(fā)的模型可以準(zhǔn)確預(yù)測(cè)GORCCs的CS。特征重要性分析表明，超聲分散GO在聚羧酸減水劑溶液中是實(shí)現(xiàn)良好分散的最有利的分散方法。在使用的 ML 模型中，我們發(fā)現(xiàn) AutoGluon-Tabular (AGT) 模型不僅表現(xiàn)出最高的預(yù)測(cè)置信度，而且還提供了更好的結(jié)果可解釋性。此外，與傳統(tǒng)的ML工作流程相比，用戶可以更有效地訓(xùn)練AGT模型，避免了耗時(shí)的超參數(shù)調(diào)整過(guò)程。
文章在線網(wǎng)址：https://doi.org/10.1016/j.conbuildmat.2023.132179
作者：必贏3003no1線路檢測(cè)中心；審核：楊會(huì)峰
當(dāng)前位置：