Scientific Reports volume 13, Artigo número: 13138 (2023) Citar este artigo
1356 Acessos
1 Citações
Detalhes das métricas
Este estudo investigou a importância da aplicação de inteligência artificial explicável (XAI) em diferentes modelos de aprendizado de máquina (ML) desenvolvidos para prever as características de resistência do concreto reforçado com fibra de basalto (BFRC). Embora o ML seja amplamente adotado na previsão de resistência em concreto, a natureza de caixa preta das previsões dificulta a interpretação dos resultados. Entre várias tentativas de superar esta limitação através da utilização de IA explicável, os investigadores empregaram apenas um único método de explicação. Neste estudo, usamos três modelos de ML baseados em árvore (árvore de decisão, árvore Gradient Boosting e Light Gradient Boosting Machine) para prever as características de resistência mecânica (resistência à compressão, resistência à flexão e resistência à tração) do concreto reforçado com fibra basal (BFRC). ). Pela primeira vez, empregamos dois métodos de explicação (explicações aditivas de Shapley (SHAP) e explicações independentes de modelo interpretável local (LIME)) para fornecer explicações para todos os modelos. Esses métodos explicáveis revelam os critérios subjacentes de tomada de decisão de modelos complexos de aprendizado de máquina, melhorando a confiança do usuário final. A comparação destaca que os modelos baseados em árvore obtiveram boa precisão na previsão das características de resistência, mas suas explicações foram diferentes pela magnitude da importância do recurso ou pela ordem de importância. Este desacordo leva a uma tomada de decisão complicada com base em previsões de ML que enfatiza ainda mais (1) a extensão da pesquisa baseada em XAI em previsões de resistência do concreto, e (2) o envolvimento de especialistas do domínio para avaliar os resultados de XAI. O estudo conclui com o desenvolvimento de uma “aplicação computacional de fácil utilização” que permite a rápida previsão da resistência do concreto reforçado com fibra de basalto (BFRC).
As fibras basálticas são obtidas a partir de rochas basálticas através do processo de fusão. É possível produzir fibras a partir de rochas basálticas dividindo-as finamente. A fibra de basalto é um material inorgânico, biodegradável e não metálico. É amplamente utilizado para melhorar a capacidade de tração do concreto devido à sua forte propriedade de tração. O processo de produção da fibra de basalto é econômico, pois não necessita de mistura de aditivos. As fibras de basalto apresentam excepcional resistência à tração em relação à fibra de vidro E, maior resistência à ruptura em relação à fibra de carbono, além de melhor resistência a ataques químicos, fogo e cargas de impacto1. Essas propriedades levaram a comunidade de pesquisa a se concentrar na aplicação da fibra basal como um material inovador de reforço estrutural, podendo assim produzir concreto armado.
Resistência à compressão, resistência à tração e resistência à flexão do concreto são consideradas características básicas de resistência do concreto2,3. Para elucidar completamente o impacto das fibras de basalto, vários estudos foram realizados para determinar as propriedades mecânicas do BFRC4. Meyyappan e Carmichael5 utilizaram diferentes frações volumétricas de fibras basais e observaram que tanto a resistência à tração quanto a resistência à compressão aumentam na presença de fibra de basalto. No entanto, a variação atingiu um valor ideal na fração volumétrica de 1% e posteriormente apresentou uma tendência decrescente. O aumento na resistência à compressão na fração ótima foi de 11,5% e 18,2% para a resistência à tração dividida em comparação com a amostra de controle. Chen et al.6 utilizaram o teor de fibra de basalto como variável para estudar o efeito nas propriedades mecânicas do BFRC. Jalasutran et al.7 apresentaram argumentos semelhantes ao investigarem as propriedades mecânicas do BFRC. Eles observaram que as características de resistência melhoram como resultado do teor de fibra de basalto. Porém, a adição de fibra de basalto tem causado variação não linear nas características de resistência5,8,9. Como resultado, a previsão das características de resistência do BFRC é relativamente complicada em comparação com o concreto convencional e requer um processo experimental iterativo para estudar as relações progressivamente. A estimativa precisa das características de resistência é altamente imperativa para projetos e otimizações estruturais. Por outro lado, os estudos de investigação existentes obtiveram resultados baseados em experiências laboratoriais que são altamente demoradas, trabalhosas e dispendiosas. Como abordagem alternativa, métodos analíticos como técnicas de aprendizado de máquina (ML) podem ser usados para prever as características de resistência do 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>
Português
English
Français
Deutsch
Español
Italiano
日本語
한국어
Русский