清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Evaluating fire resistance of timber columns using explainable machine learning models

可解释性 随机森林 栏(排版) 超参数 计算机科学 抗性(生态学) 耐火性 数学 环境科学 机器学习 结构工程 工程类 材料科学 生物 复合材料 生态学 连接(主束)
作者
Mohsen Zaker Esteghamati,Thomas Gernay,Subir Banerji
出处
期刊:Engineering Structures [Elsevier]
卷期号:296: 116910-116910 被引量:7
标识
DOI:10.1016/j.engstruct.2023.116910
摘要

The global attention to using timber products as sustainable construction material urges careful assessment of their performance against different hazards, particularly fire. However, the current methods prescribed by design codes for evaluating the fire resistance of timber components tend to underpredict the outcomes of standard fire resistance tests, and lack interpretability due to the use of semi-empirical equations. This study develops explainable data-driven models to predict fire resistance of timber columns using geometry- and material-related properties based on a comprehensive experimental database. Nine different single and ensemble-based machine learning algorithms were trained, and their performance was optimized through rigorous hyperparameter tuning and feature selection. The best models were then interpreted using partial dependence and Shapley plots to infer the underlying relationship between fire resistance and column properties. Lastly, the models' predictive capabilities were compared to available prescriptive equations. The results show that a random forest-based model provides the best performance with an average ratio of predicted to observed fire resistance of 1.03 on the test set. The random forest prediction is mainly governed by column capacity at ambient temperature, and to a lesser degree, columns' cross-section dimension. In addition, the partial dependence plots indicate that the effect of density, modulus of elasticity, length, and compressive strength on fire resistance was not notable. Finally, while the considered prescriptive equations consistently underpredict fire resistance, the random forest model provides a consistently accurate and balanced prediction.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
桐桐应助科研通管家采纳,获得10
8秒前
勤恳的饭饭完成签到,获得积分10
9秒前
ee_Liu完成签到,获得积分10
10秒前
妙手回春板蓝根完成签到,获得积分20
38秒前
CChi0923完成签到,获得积分10
1分钟前
乒坛巨人完成签到 ,获得积分10
1分钟前
Shandongdaxiu完成签到 ,获得积分10
1分钟前
舒服的幼荷完成签到,获得积分10
1分钟前
茶包完成签到,获得积分10
1分钟前
Skywings完成签到,获得积分10
1分钟前
明理问柳完成签到,获得积分10
1分钟前
vampire完成签到,获得积分10
1分钟前
斯文败类应助科研通管家采纳,获得10
2分钟前
胖胖橘完成签到 ,获得积分10
2分钟前
1461完成签到 ,获得积分10
2分钟前
ycw7777完成签到,获得积分10
2分钟前
花花完成签到 ,获得积分10
2分钟前
大水完成签到 ,获得积分10
2分钟前
皮皮球完成签到 ,获得积分10
2分钟前
阿泽完成签到 ,获得积分10
2分钟前
Qiuqiu发布了新的文献求助10
3分钟前
chcmy完成签到 ,获得积分0
3分钟前
随影相伴完成签到 ,获得积分10
3分钟前
Sigma完成签到 ,获得积分10
4分钟前
大雁完成签到 ,获得积分10
4分钟前
xue112完成签到 ,获得积分10
4分钟前
nano完成签到 ,获得积分10
4分钟前
zhangzhangzhang完成签到 ,获得积分10
4分钟前
缺粥完成签到 ,获得积分10
4分钟前
4分钟前
三百一十四完成签到 ,获得积分10
5分钟前
称心绮完成签到,获得积分10
5分钟前
vsvsgo完成签到,获得积分10
5分钟前
紫金之巅完成签到 ,获得积分10
5分钟前
开拖拉机的医学僧完成签到 ,获得积分10
5分钟前
wang完成签到,获得积分10
5分钟前
如意的馒头完成签到 ,获得积分10
5分钟前
科研佟完成签到 ,获得积分10
5分钟前
无名草0502完成签到 ,获得积分10
6分钟前
数乱了梨花完成签到 ,获得积分10
6分钟前
高分求助中
中国国际图书贸易总公司40周年纪念文集 大事记1949-1987 2000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
草地生态学 880
Threaded Harmony: A Sustainable Approach to Fashion 799
Basic Modern Theory of Linear Complex Analytic 𝑞-Difference Equations 510
中国有机(类)肥料 500
Queer Politics in Times of New Authoritarianisms: Popular Culture in South Asia 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3059669
求助须知:如何正确求助?哪些是违规求助? 2715529
关于积分的说明 7445380
捐赠科研通 2361181
什么是DOI,文献DOI怎么找? 1251224
科研通“疑难数据库(出版商)”最低求助积分说明 607711
版权声明 596466