Modellazione delle caratteristiche di resistenza del cemento fibrorinforzato di basalto utilizzando l'apprendimento automatico multiplo spiegabile con un'interfaccia utente grafica

Rapporti scientifici volume 13, numero articolo: 13138 (2023) Citare questo articolo

764 accessi

Dettagli sulle metriche

Questo studio ha indagato l’importanza dell’applicazione dell’intelligenza artificiale spiegabile (XAI) su diversi modelli di machine learning (ML) sviluppati per prevedere le caratteristiche di resistenza del cemento rinforzato con fibra di basalto (BFRC). Anche se il machine learning è ampiamente adottato nella previsione della resistenza nel calcestruzzo, la natura della scatola nera delle previsioni ostacola l’interpretazione dei risultati. Tra i numerosi tentativi di superare questa limitazione utilizzando l’intelligenza artificiale spiegabile, i ricercatori hanno utilizzato un solo metodo di spiegazione. In questo studio, abbiamo utilizzato tre modelli ML basati su alberi (albero decisionale, albero Gradient Boosting e macchina Light Gradient Boosting) per prevedere le caratteristiche di resistenza meccanica (resistenza a compressione, resistenza alla flessione e resistenza alla trazione) del calcestruzzo fibrorinforzato basale (BFRC). ). Per la prima volta, abbiamo utilizzato due metodi di spiegazione (spiegazioni additive di Shapley (SHAP) e spiegazioni indipendenti dal modello interpretabile locale (LIME)) per fornire spiegazioni per tutti i modelli. Questi metodi spiegabili rivelano i criteri decisionali alla base di complessi modelli di machine learning, migliorando la fiducia dell'utente finale. Il confronto evidenzia che i modelli basati sugli alberi hanno ottenuto una buona precisione nella previsione delle caratteristiche di resistenza, ma le loro spiegazioni erano diverse sia per l'entità dell'importanza delle caratteristiche che per l'ordine di importanza. Questo disaccordo spinge verso un processo decisionale complicato basato su previsioni ML che sottolinea ulteriormente (1) l’estensione della ricerca basata su XAI alle previsioni di resistenza concreta e (2) il coinvolgimento di esperti del settore per valutare i risultati XAI. Lo studio si conclude con lo sviluppo di una “applicazione informatica di facile utilizzo” che consente una rapida previsione della resistenza del calcestruzzo fibrorinforzato di basalto (BFRC).

Le fibre di basalto sono ottenute dalle rocce basaltiche attraverso il processo di fusione. È possibile produrre fibre dalle rocce basaltiche dividendole finemente. La fibra di basalto è un materiale inorganico, biodegradabile e non metallico. È ampiamente utilizzato per migliorare la capacità di trazione del calcestruzzo grazie alla sua forte proprietà di trazione. Il processo di produzione della fibra di basalto è economicamente vantaggioso poiché non necessita di miscelazione di additivi. Le fibre di basalto mostrano un'eccezionale resistenza alla trazione rispetto alla fibra di vetro E, una maggiore resistenza alla rottura rispetto alla fibra di carbonio, oltre a una migliore resistenza agli attacchi chimici, al fuoco e ai carichi di impatto1. Queste proprietà hanno portato la comunità di ricerca a concentrarsi sull’applicazione della fibra basale come materiale di rinforzo strutturale innovativo in grado di produrre cemento armato.

La resistenza alla compressione, alla trazione e alla flessione del calcestruzzo sono considerate caratteristiche di resistenza fondamentali del calcestruzzo2,3. Per chiarire completamente l'impatto delle fibre di basalto, sono stati condotti diversi studi per determinare le proprietà meccaniche del BFRC4. Meyyappan e Carmichael5 hanno utilizzato diverse frazioni di volume delle fibre basali e hanno osservato che sia la resistenza alla trazione divisa che la resistenza alla compressione aumentano in presenza di fibra di basalto. Tuttavia, la variazione ha raggiunto un livello ottimale pari all'1% della frazione volumetrica e successivamente ha mostrato una tendenza al ribasso. L'aumento della resistenza alla compressione nella frazione ottimale è stato dell'11,5% e del 18,2% per la resistenza alla trazione divisa rispetto al campione di controllo. Chen et al.6 hanno utilizzato il contenuto di fibra di basalto come variabile per studiare l'effetto sulle proprietà meccaniche del BFRC. Jalasutran et al.7 hanno avanzato argomentazioni simili studiando le proprietà meccaniche del BFRC. Hanno osservato che le caratteristiche di resistenza migliorano come risultato del contenuto di fibre di basalto. Tuttavia, l'aggiunta di fibra di basalto ha causato una variazione non lineare nelle caratteristiche di resistenza5,8,9. Di conseguenza, la previsione delle caratteristiche di resistenza del BFRC è relativamente complicata rispetto al calcestruzzo convenzionale e richiede un processo sperimentale iterativo per studiare progressivamente le relazioni. Una stima accurata delle caratteristiche di resistenza è estremamente importante per la progettazione e l'ottimizzazione strutturale. D'altro canto, gli studi di ricerca esistenti hanno derivato risultati basati su esperimenti di laboratorio che richiedono molto tempo, sono laboriosi e costosi. Come approccio alternativo, è possibile utilizzare metodi analitici come le tecniche di machine learning (ML) per prevedere le caratteristiche di resistenza del BFRC.

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>