Unboxing machine learning models for concrete strength prediction using XAI

决策树 计算机科学 均方误差 支持向量机 机器学习 随机森林 预测建模 集成学习 Lasso(编程语言) 人工智能 数据挖掘 数学 统计 万维网
作者
Sara Elhishi,A. Elashry,Sara El-Metwally
出处
期刊:Scientific Reports [Springer Nature]
卷期号:13 (1) 被引量:10
标识
DOI:10.1038/s41598-023-47169-7
摘要

Abstract Concrete is a cost-effective construction material widely used in various building infrastructure projects. High-performance concrete, characterized by strength and durability, is crucial for structures that must withstand heavy loads and extreme weather conditions. Accurate prediction of concrete strength under different mixtures and loading conditions is essential for optimizing performance, reducing costs, and enhancing safety. Recent advancements in machine learning offer solutions to challenges in structural engineering, including concrete strength prediction. This paper evaluated the performance of eight popular machine learning models, encompassing regression methods such as Linear, Ridge, and LASSO, as well as tree-based models like Decision Trees, Random Forests, XGBoost, SVM, and ANN. The assessment was conducted using a standard dataset comprising 1030 concrete samples. Our experimental results demonstrated that ensemble learning techniques, notably XGBoost, outperformed other algorithms with an R-Square (R 2 ) of 0.91 and a Root Mean Squared Error (RMSE) of 4.37. Additionally, we employed the SHAP (SHapley Additive exPlanations) technique to analyze the XGBoost model, providing civil engineers with insights to make informed decisions regarding concrete mix design and construction practices.
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
筱灬发布了新的文献求助10
刚刚
Waaly完成签到,获得积分10
1秒前
2秒前
大白完成签到,获得积分10
2秒前
xiaowu完成签到,获得积分10
3秒前
研友_Lpawrn发布了新的文献求助10
3秒前
温婉的乌完成签到,获得积分10
3秒前
3秒前
czp完成签到,获得积分10
4秒前
天马行空发布了新的文献求助10
4秒前
刻苦的妙晴完成签到,获得积分10
4秒前
yin发布了新的文献求助10
6秒前
午餐肉完成签到,获得积分10
6秒前
顽固分子发布了新的文献求助10
7秒前
zjc1111发布了新的文献求助10
7秒前
333333333发布了新的文献求助10
7秒前
谦让谷菱完成签到,获得积分10
8秒前
Daryl完成签到,获得积分10
8秒前
sususu完成签到,获得积分10
9秒前
Elaine完成签到,获得积分10
9秒前
10秒前
美海与鱼完成签到,获得积分10
10秒前
10秒前
云殳完成签到,获得积分20
11秒前
BWZ发布了新的文献求助10
11秒前
12秒前
anan发布了新的文献求助10
12秒前
司徒元瑶完成签到 ,获得积分10
13秒前
JamesPei应助hezi采纳,获得10
13秒前
早早入眠完成签到,获得积分10
14秒前
14秒前
东丶完成签到,获得积分10
14秒前
NWAFUZH发布了新的文献求助10
14秒前
孟加拉发布了新的文献求助10
14秒前
14秒前
15秒前
15秒前
16秒前
达西西完成签到 ,获得积分10
16秒前
17秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 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 3244993
求助须知:如何正确求助?哪些是违规求助? 2888654
关于积分的说明 8254529
捐赠科研通 2557066
什么是DOI,文献DOI怎么找? 1385741
科研通“疑难数据库(出版商)”最低求助积分说明 650214
邀请新用户注册赠送积分活动 626422