Estimation of elastic modulus of recycle aggregate concrete based on hybrid and ensemble‐hybrid approaches

骨料(复合) Boosting(机器学习) 数学优化 粒子群优化 计算机科学 公制(单位) 生物系统 数学 人工智能 材料科学 工程类 运营管理 生物 复合材料
作者
Bing Qu
出处
期刊:Structural Concrete [Wiley]
卷期号:25 (2): 1364-1387 被引量:2
标识
DOI:10.1002/suco.202300611
摘要

Abstract The utilization of recycled aggregate concrete (RAC) within the construction sector has the potential to prevent irreversible harm to the environment and reduce the depletion of natural resources. Nonetheless, it is essential to scrutinize the quality of RAC before utilizing it in practical applications. RAC's most significant design parameter is its elastic modulus, typically determined through time‐consuming and costly experiments. Machine learning (ML) techniques can be a feasible solution to reduce the number of experiments required and obtain accurate estimates. This article employs two robust ML techniques, namely Xtreme Gradient Boosting (XGB) and Adaptive Boosting regression, in three distinct modes, namely individual, hybrid, and ensemble‐hybrid methods. Furthermore, phasor particle swarm optimization (PPSO) and chaos game optimization (CGO) have been utilized in hybrid and ensemble‐hybrid modes to optimize final results, minimize errors, and obtain highly precise outcomes. As mentioned earlier, several evaluators were employed to identify the most appropriate model to compare the modes. The findings suggest that the relevant optimizers significantly contributed to achieving superior metric values. Specifically, the results indicated that PPSO exhibited greater efficacy than CGO in optimizing outputs and enhancing accuracy. The hybrid models, particularly XGB in conjunction with PPSO, yielded the most favorable correlation coefficient and root mean square error values equal to 0.996 and 0.336 and can serve as an effective ML method to determine elastic modulus of recycle aggregate concrete for time and energy storage.

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
GTRK完成签到 ,获得积分10
刚刚
Atopos发布了新的文献求助10
2秒前
zhao发布了新的文献求助10
3秒前
3秒前
4秒前
文献文献文献完成签到,获得积分0
4秒前
5秒前
Rocky完成签到 ,获得积分10
5秒前
5秒前
5秒前
kerio发布了新的文献求助10
6秒前
keyan发布了新的文献求助10
6秒前
田兆鹏发布了新的文献求助10
7秒前
diudiu发布了新的文献求助10
8秒前
Rimbaud完成签到 ,获得积分10
8秒前
Keyanrookie关注了科研通微信公众号
9秒前
李健的小迷弟应助吴彦祖采纳,获得10
9秒前
anpina完成签到,获得积分10
10秒前
10秒前
zhao完成签到,获得积分10
11秒前
野原发布了新的文献求助10
11秒前
CipherSage应助小综的fan儿采纳,获得10
11秒前
陆林北完成签到,获得积分10
12秒前
kerio完成签到,获得积分10
12秒前
深情安青应助小锦鲤采纳,获得10
12秒前
顺心牛排发布了新的文献求助10
12秒前
bkagyin应助萧秋灵采纳,获得10
12秒前
13秒前
白白应助886采纳,获得30
15秒前
zjxhjj123发布了新的文献求助10
16秒前
ggappsong完成签到,获得积分10
17秒前
17秒前
傻啦吧唧完成签到,获得积分10
18秒前
顺心牛排完成签到,获得积分10
18秒前
善学以致用应助wjj采纳,获得10
18秒前
小罗完成签到,获得积分10
19秒前
boom关注了科研通微信公众号
19秒前
橓顺发布了新的文献求助10
21秒前
keyan完成签到,获得积分10
22秒前
23秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
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 3256065
求助须知:如何正确求助?哪些是违规求助? 2898207
关于积分的说明 8300363
捐赠科研通 2567343
什么是DOI,文献DOI怎么找? 1394475
科研通“疑难数据库(出版商)”最低求助积分说明 652817
邀请新用户注册赠送积分活动 630501