Modellierung der Festigkeitseigenschaften von basaltfaserverstärktem Beton durch mehrfach erklärbares maschinelles Lernen mit einer grafischen Benutzeroberfläche

Scientific Reports Band 13, Artikelnummer: 13138 (2023) Diesen Artikel zitieren

1356 Zugriffe

1 Zitate

Details zu den Metriken

Diese Studie untersuchte die Bedeutung der Anwendung erklärbarer künstlicher Intelligenz (XAI) auf verschiedene Modelle des maschinellen Lernens (ML), die zur Vorhersage der Festigkeitseigenschaften von basaltfaserverstärktem Beton (BFRC) entwickelt wurden. Auch wenn ML bei der Festigkeitsvorhersage in Beton weit verbreitet ist, erschwert der Black-Box-Charakter der Vorhersagen die Interpretation der Ergebnisse. Unter mehreren Versuchen, diese Einschränkung durch den Einsatz erklärbarer KI zu überwinden, haben Forscher nur eine einzige Erklärungsmethode eingesetzt. In dieser Studie haben wir drei baumbasierte ML-Modelle (Decision Tree, Gradient Boosting Tree und Light Gradient Boosting Machine) verwendet, um die mechanischen Festigkeitseigenschaften (Druckfestigkeit, Biegefestigkeit und Zugfestigkeit) von basalfaserverstärktem Beton (BFRC) vorherzusagen ). Zum ersten Mal verwendeten wir zwei Erklärungsmethoden (Shapley Additive Erklärungen (SHAP) und lokal interpretierbare modellagnostische Erklärungen (LIME)), um Erklärungen für alle Modelle bereitzustellen. Diese erklärbaren Methoden offenbaren die zugrunde liegenden Entscheidungskriterien komplexer Modelle des maschinellen Lernens und stärken so das Vertrauen des Endbenutzers. Der Vergleich zeigt, dass baumbasierte Modelle eine gute Genauigkeit bei der Vorhersage von Festigkeitsmerkmalen erzielten, ihre Erklärungen jedoch entweder hinsichtlich der Größe der Merkmalsbedeutung oder der Reihenfolge der Wichtigkeit unterschiedlich waren. Diese Meinungsverschiedenheit führt zu einer komplizierten Entscheidungsfindung auf der Grundlage von ML-Vorhersagen, was (1) die Ausweitung der XAI-basierten Forschung auf konkrete Festigkeitsvorhersagen und (2) die Einbeziehung von Fachexperten zur Bewertung der XAI-Ergebnisse weiter betont. Die Studie endet mit der Entwicklung einer „benutzerfreundlichen Computeranwendung“, die eine schnelle Festigkeitsvorhersage von basaltfaserverstärktem Beton (BFRC) ermöglicht.

Basaltfasern werden durch Schmelzen aus Basaltgestein gewonnen. Es ist möglich, aus Basaltgestein Fasern herzustellen, indem man sie fein zerteilt. Basaltfasern sind ein anorganisches, biologisch abbaubares, nichtmetallisches Material. Aufgrund seiner starken Zugeigenschaft wird es häufig zur Verbesserung der Zugfestigkeit von Beton eingesetzt. Der Herstellungsprozess von Basaltfasern ist kostengünstig, da keine Zumischung von Zusatzstoffen erforderlich ist. Basaltfasern weisen im Vergleich zu E-Glasfasern eine außergewöhnliche Zugfestigkeit, im Vergleich zu Kohlenstofffasern eine höhere Bruchfestigkeit sowie eine bessere Beständigkeit gegen chemische Angriffe, Feuer und Stoßbelastungen auf1. Diese Eigenschaften haben die Forschungsgemeinschaft dazu veranlasst, sich auf die Verwendung von Basalfasern als innovatives strukturelles Verstärkungsmaterial zu konzentrieren, um so verstärkten Beton herzustellen.

Druckfestigkeit, Zugfestigkeit und Biegefestigkeit von Beton gelten als grundlegende Festigkeitseigenschaften von Beton2,3. Um die Auswirkungen von Basaltfasern vollständig aufzuklären, wurden mehrere Studien zur Bestimmung der mechanischen Eigenschaften von BFRC4 durchgeführt. Meyyappan und Carmichael5 verwendeten unterschiedliche Volumenanteile von Basalfasern und beobachteten, dass sowohl die Spaltzugfestigkeit als auch die Druckfestigkeit in Gegenwart von Basaltfasern zunehmen. Die Variation erreichte jedoch bei einem Volumenanteil von 1 % ihr Optimum und zeigte anschließend einen abnehmenden Trend. Der Anstieg der Druckfestigkeit bei der optimalen Fraktion betrug 11,5 % und bei der Spaltzugfestigkeit 18,2 % im Vergleich zur Kontrollprobe. Chen et al.6 verwendeten den Gehalt an Basaltfasern als Variable, um die Auswirkung auf die mechanischen Eigenschaften von BFRC zu untersuchen. Jalasutran et al.7 brachten ähnliche Argumente vor, indem sie die mechanischen Eigenschaften von BFRC untersuchten. Sie beobachteten, dass sich die Festigkeitseigenschaften durch den Basaltfasergehalt verbesserten. Allerdings hat die Zugabe von Basaltfasern zu einer nichtlinearen Variation der Festigkeitseigenschaften geführt5,8,9. Daher ist die Vorhersage der Festigkeitseigenschaften von BFRC im Vergleich zu herkömmlichem Beton relativ kompliziert und erfordert einen iterativen Experimentierprozess, um die Beziehungen schrittweise zu untersuchen. Eine genaue Schätzung der Festigkeitseigenschaften ist für Strukturdesign und Optimierungen von entscheidender Bedeutung. Andererseits haben bestehende Forschungsstudien Ergebnisse auf der Grundlage von Laborexperimenten abgeleitet, die sehr zeitaufwändig, arbeitsintensiv und kostspielig sind. Als alternativer Ansatz können Analysemethoden wie Techniken des maschinellen Lernens (ML) verwendet werden, um die Festigkeitseigenschaften von BFRC vorherzusagen.

Jüngste Trends bei der Anwendung von ML bei der Vorhersage der Betonfestigkeit haben es Forschern ermöglicht, die Leistung verschiedener Betonmischungen zu untersuchen. Laut Golafshani et al.10 können ML-Techniken die Druckfestigkeit von umweltfreundlichem Beton effizient vorhersagen und diese mithilfe der Partikelschwarmoptimierung weiter optimieren. Eine aktuelle Studie von Ghanbari et al.11 ergab, dass künstliche neuronale Netzwerke (KNN) im Vergleich zu anderen ML-Techniken, die die Druckfestigkeit von Betonmischungen auf Abfallbasis vorhersagen können, eine gute Leistung erbringen. Basaran et al.12 verwendeten das Gaussian Process Regression (GPR)-Modell, um die Verbindung zwischen FRP (faserverstärktem Kunststoff) und Beton mit einer Genauigkeit von 95 % und einer Standardabweichung von 0,14 vorherzusagen. Iqbal et al.13 schlugen eine empirisch basierte neue Strategie zur Vorhersage der Zugfestigkeit mithilfe künstlicher neuronaler Netze (ANN), adaptiver Neuro-Fuzzy-Inferenzsysteme (ANFIS) und Genexpressionsprogrammierung (GEP) mit guter Genauigkeit (R > 0,8) vor alle drei Modelle. Die von Salami et al.14 durchgeführte Studie untersuchte die nichtlinearen Eigenschaften der Druckfestigkeit in ternärem Verbundbeton. Sie nutzten gekoppeltes simuliertes Annealing (CSA) als Optimierungsalgorithmus in Kombination mit der LSSVM (Least Squares Support Vector Machine), um die Druckfestigkeit mit einem beeindruckenden R2-Wert von 0,954 vorherzusagen. Zhang und Aslani15 schlugen ein künstliches neuronales Netzwerkmodell (ANN) vor, um die Druckfestigkeit von Leichtbeton basierend auf UPV (Ultrasonic Pulse Velocity) unter verschiedenen Bedingungen vorherzusagen, was zu einem maximalen \({\mathrm{R}}^{2} führte. \) von 0,988 und ein Minimum von 0,736. Durch die Nutzung komplexer potenzieller physikalischer Phänomene wie mechanische Eigenschaften, Betonzusammensetzung und experimentelle Prozesse konstruierten Liu et al.16 ein Modell unter Verwendung eines KNN zur Vorhersage des Chloridionendiffusionskoeffizienten in Beton. Güçlüer et al.17 verwendeten ML-Modelle (ANN, Entscheidungsbaum (DT), Support Vector Regression (SVR) und lineare Regression), um die 28-Tage-Druckfestigkeit vorherzusagen. Das DT-Modell wurde mit einem R2 von 0,86 als bestes Modell ausgewählt. Kang et al.3 entwickelten 12 maschinelle Lernmodelle, um die Druck- und Biegefestigkeit von stahlfaserverstärktem Beton vorherzusagen. Ihr Gradient Boosting (GB)-Modell (MAE = 1,18) und ihr Extreme Gradient Boosting (XGB)-Modell (MAE = 1,25) erzielten im Vergleich zu den übrigen Modellen eine überlegene Leistung. Nguyen et al.18 nutzten ANN, SVR, GB und XGB, um die Druckfestigkeit von Beton vorherzusagen. Sie argumentierten, dass die GB-Regression und das XGB-Modell im Vergleich zu ANN- und SVR-Modellen eine bessere Leistung erbringen. Feng et al.19 verwendeten ein adaptives Boosting-Modell (ADABoost), um die Druckfestigkeit von Beton vorherzusagen, und das Modell erreichte einen R2 von 0,982 mit MAE = 1,64. Ähnliche Studien wurden von Asteris et al.20 und DeRousseau et al.21 durchgeführt, um die Druckfestigkeit von Beton vorherzusagen. Fang et al.22 verwendeten eine Bildsegmentierungsmethode, um den Einfluss der Porenstruktur auf die Spaltzugfestigkeit von Porenbeton zu untersuchen. Malami et al.23 verwendeten ein Neuro-Fuzzy-Hybridmodell bestehend aus einer Extreme Learning Machine (ELM), einem adaptiven Neuro-Fuzzy-Inferenzsystem (ANFIS), einem multilinearen Regressionsmodell (MLR) und SVR, um die Auswirkungen zu untersuchen der Karbonisierung auf die Dauerhaftigkeit von Stahlbeton (R \(\ge \) 0,96). Ashrafian et al.24 haben ein evolutionäres ML-Modell entwickelt, das eine vielversprechende Vorhersage der mechanischen Eigenschaften von Frischbeton nach dem Brand liefert. Kürzlich verwendeten Li et al.8 Methoden des maschinellen Lernens, um die Druckfestigkeit von BFRC vorherzusagen. Sie schlugen Zufallswälder vor, um die Druckfestigkeit vorherzusagen, und verwendeten später die Kernel Extreme Learning Machine mit genetischen Algorithmen (KELM-GA), um dieselbe Aufgabe auszuführen9. Sie argumentierten, dass KELM-GA Modelle wie ANN, SVR und Gaußsche Prozessregression (GPR) übertraf. Behnood et al.25 verwendeten ML zur Modellierung des Elastizitätsmoduls, der Biege-, Druck- und Spaltzugfestigkeit von Beton. Ashrafian et al.26 haben gezeigt, dass ML die scheinbare Oberflächenchloridkonzentration von Strukturbeton in einer Meeresumgebung genau vorhersagen kann. Zu diesen ML-Ansätzen zur Vorhersage der mechanischen Eigenschaften von Beton führten Chaabene et al.27 eine umfassende Übersicht durch. Sie berichteten, dass herkömmliche Modelle des maschinellen Lernens (ML) das Modell trotz der höheren Genauigkeit der Ergebnisvorhersage nicht erklären. Die Modellinterpretation ist aus drei Gründen für bautechnische Anwendungen wichtig; (1) um Wechselwirkungen zwischen Eingaben und zugrunde liegender Argumentation zu identifizieren, (2) um das Vertrauen des Endbenutzers und der Fachexperten in ML zu stärken, (3) um vorgeschlagene Methoden der nicht-technischen Community zu erklären, insbesondere mit weniger Verständnis für maschinelles Lernen. Daher hat sich die Grenze der ML-Forschung dahingehend verschoben, die Merkmale von Black-Box-Vorhersagen aufzudecken.

Erklärbare künstliche Intelligenz (XAI) versucht, die bisherige Einschränkung unzureichender Modellinterpretation zu beseitigen28. XAI liefert die Begründung, wie eine bestimmte Vorhersage getroffen wird29. Daher ist XAI im Zusammenhang mit dem Umgang mit hohen Einsätzen sehr beliebt30. XAI konvertiert Modelle von Black-Box-Modellen in (transparente) Glas-Box-Modelle, indem es die zugrunde liegende Argumentation offenlegt31,32,33,34,35,36,37,38. Vor kurzem haben mehrere Forscher damit begonnen, XAI zur Interpretation der Betonfestigkeitseigenschaften zu verwenden, die aus Modellen des maschinellen Lernens gewonnen wurden. Meistens verwendeten sie zur Interpretation der Modelle nur Shapley Additive Erklärungen (SHAP). Tabelle 1 fasst die Anwendung von XAI in der Forschung zur Vorhersage der Betonfestigkeit in den letzten Jahren zusammen.

Darüber hinaus haben die Autoren auch herausgefunden, dass XAI-Erklärungen für Betonfestigkeitsvorhersagen eine zufriedenstellende Übereinstimmung mit der empirisch ermittelten Korrelation zwischen Betonparametern und Festigkeit zeigen.

Aufgrund dieser Vorteile kann XAI problemlos zur Modellierung der Beziehungen von Beton mit verschiedenen Bestandteilen verwendet werden. Diese XAI-basierten Studien verdeutlichen jedoch eine gemeinsame Forschungslücke. Sie verwendeten nur eine einzige Erklärungsmethode für ihr leistungsstärkstes Modell. Unter diesen Umständen verließen sie sich ausschließlich auf die Erklärung des Modells mit der besten Leistung. Die Autoren gehen jedoch davon aus, dass sich die Erklärungen je nach Lernalgorithmus (erheblich oder mäßig) ändern würden. Außerdem würden zwei XAI-Methoden selbst für dasselbe ML-Modell nicht die gleichen Erklärungen liefern. Mit anderen Worten: Die unterschiedlichen Erklärungen würden zu einer komplizierteren Entscheidungsfindung führen.

Darüber hinaus wurde keine Studie gefunden, die XAI verwendet hat, um Modelle zur Vorhersage der Festigkeitseigenschaften (Druck, Zug und Biegung) von BFRC zu erklären. Unter Berücksichtigung dieser erheblichen Forschungslücke wollten die Autoren die Beziehung zwischen Festigkeitseigenschaften und den Bestandteilen von BFRC untersuchen, die aus überwachtem baumbasiertem ML gewonnen wurden, und anschließend eine vergleichende Analyse aller ML-Modelle unter Verwendung von XAI durchführen. Die Autoren verwendeten für die vorliegende Studie sowohl Shapley Additive Erklärung (SHAP) als auch lokal interpretierbare modellagnostische Erklärungen (LIME). Diese Neuheit ist in Tabelle 1 dieses Artikels zusammengefasst. Schließlich wurde eine gebrauchsfertige Computeranwendung mit einer grafischen Benutzeroberfläche zur Vorhersage der BFRC-Stärke entwickelt. Diese Anwendung kann für eine schnelle und zuverlässige Festigkeitsvorhersage für verschiedene Industrieanwendungen verwendet werden. Die Bedeutung dieser Studie lässt sich in fünf Kontexten zusammenfassen: (a) Verwendung von maschinellem Lernen zur Vorhersage der Druck-, Zug- und Biegefestigkeit von BFRC, (b) Verwendung von XML zur Erläuterung der Festigkeitseigenschaften von BFRC, (c) Verwendung beider LIME- und SHAP-Algorithmen als erklärbare Methoden, (d) Zum ersten Mal haben wir sowohl SHAP als auch LIME für alle ML-Algorithmen verwendet und (e) eine benutzerfreundliche GUI entwickelt, um die mechanische Festigkeit von BFRC vorherzusagen.

XAI kann basierend auf der Modellkomplexität hauptsächlich in zwei Teile kategorisiert werden39. Modellerklärungen sind praktisch für einfache Modelle wie lineare Regression und Entscheidungsbäume. Mit diesen Modellen kann direkt erklärt werden, wie sich Eingabemerkmale auf die Ausgabe auswirken. Komplexe Modellstrukturen verbessern in der Regel die Genauigkeit der ML-Modellierung im Vergleich zu einem einfachen Modell. Allerdings lässt sich ein Modell mit komplexen Strukturen nicht einfach erklären40. In solchen Fällen sind Post-hoc-Erklärungsmethoden erforderlich, um für Menschen verständliche Erklärungen für die Vorhersagen komplexer ML-Modelle zu liefern41. Für die vorliegende Studie haben wir SHAP42 und LIME43 verwendet.

Lundberg und Lee42 schlugen SHAP als Lösung für die Interpretierbarkeit komplexer Modelle vor. SHAP formuliert die Shapley-Werteprobleme dahingehend neu, wie Mitglieder einer Koalition zu einem Koalitionswert beitragen. SHAP berücksichtigt den Beitrag jedes einzelnen Merkmals, das die Zielausgabe beeinflusst44.

LIME verwendet lokale lineare Modelle von ML-Ergebnissen, um Teile komplexer maschinell erlernter Antwortfunktionen zu erklären45. LIME wird um einen Interessenbereich herum verwendet. Daher erklärt es einen Teil des Verhaltens eines ML-Modells und eines lokalen Interpretierbarkeitsmodells und nicht eines globalen Modells46. LIME ist leistungsstark, wenn es sich auf Bereiche des Modells konzentriert, die lineares Verhalten aufweisen, kann jedoch in Bereichen mit Nichtlinearität versagen.

Für diese Studie verwendeten wir baumbasierte Modelle, nämlich Entscheidungsbäume, Bäume zur Steigerung des Gradienten und Bäume zur Steigerung des Lichtgradienten. Das erste Modell ist die Grundform von Baummodellen, während die beiden letztgenannten Modelle Ensemblemodelle (Kombination mehrerer Entscheidungsbäume) sind. Laut Güçlüer et al.17 sind Entscheidungsbäume im Vergleich zu komplexen Modellen wie künstlichen neuronalen Netzen (ANNs) weniger komplex und genau. Im Allgemeinen ist die Optimierung von Baummodellen im Vergleich zu neuronalen Netzen auch praktisch. Darüber hinaus haben auf Entscheidungsbäumen basierende Ensemblemodelle im Vergleich zu herkömmlichen Modellen eine gute Leistung bei der Vorhersage der Druckfestigkeit von Faserbeton3 und hochfestem Beton2 gezeigt.

DT unterteilt ein komplexes Problem durch den Lernprozess in mehrere einfache Formen. Dies führt zu einer bequemen Interpretation des Modells47. DTs sind äußerst transparent und basieren auf vernünftigen Annahmen48. Multiple Regression und rekursive Partitionierung sind die Grundlage für die DT-Bildung. Die rekursiven Aufteilungen werden fortgesetzt, bis das letzte Kriterium erfüllt ist49. Um die Verallgemeinerung des Modells zu verbessern und seine Komplexität zu reduzieren, wird eine Reduktionssequenz durchgeführt, wobei jeder Blattknoten ein einfaches Regressionsmodell darstellt.

Breiman et al.50 führten Klassifizierungs- und Regressionsbäume (CARTs) ein, wobei Ding et al.51 die Verwendung von CARTs für Probleme bei der Klassifizierung und Regression zeigten. Der GB-Algorithmus ist der von He et al.52 eingeführte kombinierte GB-Algorithmus und CARTs. CART hat nachweislich eine bessere Leistung gegenüber vielen ML-Modellen erzielt, die nichtlineare Korrelationen erfassen können, ohne dass die Verteilungsmerkmale des Modells angegeben werden müssen52. Gradient Boosting ist eine Technik, die darauf abzielt, schwache Lernende in starke Lernende umzuwandeln. Der Algorithmus funktioniert durch die schrittweise Integration schwacher Lernender in das Modell, bis durch die Integration mehrerer schwacher Lernender ein starker Lernender entsteht.

LGB nutzt baumbasierte Lernalgorithmen auf dem GB-Framework. Gradient Boosting ist eine Ensemble-Technik, bei der Sie mehrere Modelle haben, um Vorhersagen zu treffen, wobei die erhaltenen Fehler eines Modells zum Trainieren des nächsten Modells verwendet werden und am Ende alle Modelle kombiniert werden, um das endgültige Modell zu erhalten. Zu den Vorteilen der Verwendung von LGB gehören eine bessere Genauigkeit, eine schnelle Trainingsgeschwindigkeit, eine hohe Effizienz, die Fähigkeit, große Datenmengen zu verarbeiten, und eine geringere Speichernutzung53.

Daten zu den Festigkeitseigenschaften von BFRC-Beton wurden aus dem Mendeley-Endlager54 bezogen. Der Datensatz besteht aus jeweils drei Sätzen für: (a) Druckfestigkeit, (b) Biegefestigkeit und (c) Spaltzugfestigkeit. Jeder Satz besteht aus 10 unabhängigen Variablen und einer einzelnen abhängigen Variablen. Alle Festigkeitskennwerte repräsentieren eine 28-Tage-Stärke. Anhang A1 stellt deskriptive Statistiken aller drei Datensätze dar und Anhang A2 zeigt den paarweisen Korrelationskoeffizienten zwischen unabhängigen und abhängigen Parametern.

Für das Modelltraining und die Validierung verwendeten wir 70 % Training und 30 % Testaufteilung. Diese Aufteilung wurde auf der Grundlage eines Versuch-und-Irrtum-Ansatzes ausgewählt, wobei die Kombination möglicher Aufteilungen berücksichtigt wurde, die die höchste Genauigkeit ergibt. Jedes ML-Modell wird sowohl im Trainings- als auch im Testprozess auf seine Leistung hin bewertet. Modelltraining und Hyperparameteroptimierung wurden gleichzeitig durchgeführt, um die Modellleistung zu verbessern. Für die Bewertung der Modellleistung haben wir die folgenden Indizes vorgeschlagen (Gl. 1–4).

wobei \({\mathrm{P}}_{\mathrm{i}}\) – Vorhersagewert, \({\mathrm{O}}_{\mathrm{i}}\) – Experimenteller Wert, \({ \overline{\mathrm{O}} }_{\mathrm{i}}\) – Mittelwert des experimentellen Satzes, \(\overline{{\mathrm{P} }_{\mathrm{i}}}\ ) – Mittelwert des vorhergesagten Satzes.

Die Methodik der Forschung ist in Abb. 1 dargestellt und besteht aus drei Hauptphasen. Für ML-Modelle verwendeten die Autoren die SciKit Library55. Die Anwendung von XAI (für alle Modelle) und die vergleichende Analyse unterstreichen die Neuheit dieser Studie.

Arbeitsablauf der Studie.

Um den Hyperparameter zu optimieren, haben wir einen Rastersuchalgorithmus verwendet. Die Rastersuche erstellt Kombinationen von Hyperparametern, erstellt ein Modell für jede Kombination und bewertet deren Leistung. Es stellt den optimalen Wertesatz für jeden Hyperparameter für ein entsprechendes Modell bereit. Anhang A3 bezeichnet die optimierten Hyperparameter, die für jedes Modell verwendet werden. Alle Leistungsindizes wurden separat für das Modell sowie für Training und Tests berechnet. Diese Leistungsindizes sind in Tabelle 2 zusammengefasst.

Dementsprechend weist FB aller Modelle darauf hin, dass die Vorhersagen nicht stark über- oder unterschätzt werden. Mit Ausnahme der geringeren Genauigkeit, die für DT bei der Vorhersage der Biegefestigkeit von BFRC erzielt wurde, erreichten alle anderen Modelle eine gute Vorhersagegenauigkeit. DT für die Druckfestigkeit erreichte einen R2 von 0,91 beim Training und 0,894 beim Testen, während GB 0,94 beim Training und 0,902 beim Testen erreichte. Das LGB-Modell hat sowohl die DT- als auch die GB-Modelle übertroffen und einen R2 von 0,94 beim Training und 0,918 beim Testen erreicht. Die MSE und MAE des LGB-Modells liegen zum Testen bei 10,3 bzw. 2,4.

Bei den Biegefestigkeitsvorhersagen zeigten sowohl GB als auch LGB eine vergleichbare Leistung, indem sie beim Testen einen R2 von 0,882 bzw. 0,893 erreichten. Aufgrund der vergleichsweise geringeren Leistung hat DT für den Testsatz einen MSE-Wert von 0,88 erhalten, was ungefähr dem Doppelten des für LGB beobachteten Wertes entspricht. Eine ähnliche Beobachtung wird während des Trainingsprozesses von MSE gemacht, wo der MSE von DT 0,51 erreichte und die übrigen Modelle 0,24–0,26 erreichten.

Von den zur Vorhersage der Zugfestigkeit erstellten Modellen hat DT überraschenderweise die höchste Genauigkeit erzielt. Beispielsweise erreichte die Trainingsgenauigkeit einen R2 von 0,95 für das Training und 0,935 für Tests in einer Tiefe von 5. Sowohl GB als auch LGB erreichten eine vergleichbare Genauigkeit für die Vorhersage der Zugfestigkeit von BFRC. Zum Testen erhielt GB einen R2 von 0,912 und LGB einen R2 von 0,911. Der für DT zum Testen beobachtete MSE ist im Vergleich zu den beobachteten MSE-Werten für GB und LGB um 25 % niedriger.

Abbildung 2 zeigt die aus baumbasierten Modellen gewonnenen Vorhersagen (Tests) für die Festigkeitseigenschaften von BFRC. Für die Druckfestigkeit erreichte DT einen R2 von 0,894, während zwei Modelle mit Gradientenverstärkung (GB und LGB) 0,902 bzw. 0,918 erreichten. Alle drei Modelle sagten höhere Druckfestigkeitswerte (> 60 MPa) genau voraus. In DT-Vorhersagen treten nur wenige Abweichungen auf, die im Vergleich zu Gradientenverstärkungsmodellen zu einer vergleichsweise geringeren Genauigkeit führen. Allerdings weisen beide Gradientenverstärkungsmodelle Punkte auf, die um mehr als 20 % von den ursprünglichen Vorhersagen abwichen.

Vergleich von Testvorhersagen aus baumbasierten Modellen.

DT erhielt einen R2 von 0,803 für Biegefestigkeitsvorhersagen. Zwei Gradientenverstärkungsbaummodelle erreichten R2 von 0,882 bzw. 0,893. Da es sich bei DT um die grundlegende Baumstruktur mit Schrittfunktionen handelt, erscheint die Variation gerechtfertigt. Beispielsweise liefert DT konstante Vorhersagen für einen bestimmten Bereich unabhängiger Variablen. Im Allgemeinen nimmt dieses Verhalten ab, wenn die Baumtiefe erhöht wird. In diesem Fall führt die Zunahme der Baumtiefe jedoch zu Überanpassungen. Gradient-Boosting-Tree-Modelle erreichten im Vergleich zu DT eine höhere Genauigkeit. Sowohl GB- als auch LGB-Modelle sagten höhere Biegefestigkeitswerte (> 6 MPa) innerhalb einer Fehlertoleranz von 10 % genau voraus. Beide Modelle weisen im Vergleich zu den Biegefestigkeitswerten von weniger als 6 MPa leicht überschätzte Biegefestigkeitswerte auf. Obwohl sowohl GB als auch LGB auf der DT-Struktur basieren, zeigte die Implementierung der Gradientenverstärkung eine unterschiedliche Lern-(Trainings-)Methode.

Darüber hinaus erzielte DT die höchste Genauigkeit bei der Vorhersage der Zugfestigkeit. Die Variation zeigt, dass die Ableitungen in Bezug auf die beobachteten Werte fast innerhalb einer Fehlertoleranz von 10 % liegen. Gradient-Boosting-Tree-Modelle erreichten vergleichbare R2-Werte von 0,912 und 0,911. Beide Modelle zeigten leichte Abweichungen jenseits der 20 %-Fehlergrenze, was ihren R2-Wert im Vergleich zu DT verringert. Allerdings zeigten alle drei baumbasierten Modelle eine gute Genauigkeit bei der Vorhersage der Festigkeitseigenschaften von BFRC.

Unter Berücksichtigung der Leistung aller drei Modelle haben wir beschlossen, alle drei Modelle mithilfe erklärbarer KI zu erklären, was ein Hauptziel dieser Studie war. Weil die Autoren fest davon überzeugt waren, dass die KI-Erklärungen algorithmusabhängig sind. Beispielsweise werden unterschiedliche Algorithmen aufgrund einzigartiger Merkmale innerhalb des Algorithmus unterschiedliche Erklärungen haben, obwohl sie vergleichbare Genauigkeiten erreichten. Darüber hinaus ist die Erklärung XAI-abhängig. Wie in Tabelle 1 dieses Manuskripts zusammengefasst, verwendeten viele Forscher nur eine einzige Erklärungsmethode und einen einzigen ML-Algorithmus, wodurch der von uns hervorgehobene Punkt übersehen wird. In dieser Studie haben wir sowohl SHAP als auch LIME für alle drei baumbasierten Modelle implementiert.

Dieser Abschnitt enthält die SHAP- und LIME-Erklärungen für baumbasierte Modelle. Die Erklärungen können in globale (Modell-in-Ganze) und lokale Erklärungen (instanzbasiert) kategorisiert werden. SHAP bietet sowohl globale als auch lokale Erklärungen, während LIME nur lokale Erklärungen bereitstellt. Es ist bekannt, dass SHAP im Gegensatz zu LIME, das auf Dummy-Instanzen basiert, ein einheitliches Maß für die Wichtigkeit von Merkmalen bietet.

Globale Erklärungen für SHAP sind in Abb. 3 dargestellt. Für die Druckfestigkeit hat DT Quarzasche als dominierende Variable gewählt. Eine Erhöhung der Quarzasche verbessert die Druckfestigkeit oder umgekehrt. Es gibt jedoch Fälle, in denen ein höherer Quarzaschegehalt die Druckfestigkeit verringert hat. DT stufte Feinzuschlagstoffe bzw. Zement als die nächsten dominanten Merkmale ein. Der Gehalt an Feinzuschlagstoffen wirkte sich unterschiedlich auf die Druckfestigkeit aus, höhere Feinzuschlagstoffe verringern jedoch die Druckfestigkeit. DT hat die Wirkung von Zement auf die Druckfestigkeit gut erfasst, wobei ein höherer Zementgehalt die Druckfestigkeit erhöht und ein niedrigerer Zementgehalt die Druckfestigkeit verringert. Die besondere Bedeutung von Wasser ist nicht gut verteilt. Beispielsweise zeigt Abb. 3a einen nahezu neuronalen Effekt von höherem und niedrigerem Wassergehalt, der im Allgemeinen im Widerspruch zu dem steht, was bei der Druckfestigkeitsschwankung beobachtet wird. Bei Fließmitteln erhöht ein höherer Gehalt die Druckfestigkeit, was mit dem tatsächlichen Verhalten übereinstimmt. Die übrigen Funktionen; Grobzuschlagstoffe, Flugasche, Basaltfasergehalt, Faserlänge und -durchmesser hatten weniger Einfluss auf die Druckfestigkeit.

Globale Erklärungen für baumbasierte Modelle; (a–c) DT, (d–f) GB, (g–i) LGB.

Laut GB-Algorithmus hatte der Zementgehalt die höchste Merkmalsbedeutung, die von SHAP eingestuft wurde. Es ist vergleichbar mit der Erklärung des LGB-Modells. Sowohl die GB- als auch die LGB-Modelle stuften Feinaggregate als zweitdominante Variable ein. Die für feine Zuschlagstoffe beobachteten Auswirkungen sind vergleichbar mit den Auswirkungen, die anhand der DT-Erklärung in Abb. 3a beobachtet wurden. GB stuft Quarzasche und Wasser als die nächsten wichtigen Variablen ein, während LGB Wasser bzw. Quarzasche einstuft. Trotz der Reihenfolge ist ihre Merkmalsbedeutung vergleichbar und stimmt mit dem allgemeinen konkreten Verhalten überein. Beispielsweise verringert eine Erhöhung des Wassergehalts die Druckfestigkeit. Dies unterschied sich von der Bedeutung neuronaler Merkmale, die für Wasser im DT-Modell beobachtet wurde. Alle drei Modelle rangierten als Fließmittel auf Platz 5. LGB stellte im Vergleich zu GB und DT einen mäßig signifikanten Einfluss der Faserlänge fest. Dementsprechend verringert die Zunahme der Faserlänge die Druckfestigkeit. Alle drei Modelle stimmen darin überein, dass der Faserdurchmesser das am wenigsten signifikante Merkmal ist.

Quarzasche ist laut DT die dominierende Variable für die Biegefestigkeit. Eine Erhöhung der Silica-Asche verbessert die Biegefestigkeit und eine Verringerung der Silica-Asche verringert die Biegefestigkeit. In einigen Fällen führte jedoch ein höherer Quarzaschegehalt zu einer geringeren Biegefestigkeit. Anschließend sind Zement und grobe Gesteinskörnungen die dominierenden Variablen in der Rangfolge der DT. Es wird hervorgehoben, dass ein höherer Zementgehalt die Biegefestigkeit verringerte. Feine Gesteinskörnungen weisen einen nahezu neutralen Biegefestigkeitsverlauf auf. Im Hinblick auf die Eigenschaften der Basaltfasern ist eine geringere Bedeutung der Merkmale hinsichtlich der Biegefestigkeit zu beobachten.

Wiederholt erhielt der Quarzaschegehalt vom GB-Algorithmus die höchste Merkmalsbedeutung für die Biegefestigkeit. Beim GB-Modell stand Zement jedoch an zweiter Stelle, während beim LGB-Modell Zement an erster Stelle stand. Quarzasche belegte im LGB-Modell den zweiten Platz. Die für Feinaggregate in GB und LGB beobachteten Auswirkungen sind mit der DT-Erklärung vergleichbar (Abb. 3b, e, h). Daraufhin ordnet LGB Wasser und Quarzasche als die nächsten wichtigen Variablen ein, während GB Quarzasche und Wasser einordnet. Die SHAP-Erklärung zeigt, dass die Biegefestigkeit mit zunehmendem Faserdurchmesser abnimmt. Flugasche war das am wenigsten signifikante Merkmal, das von baumbasierten Modellen bewertet wurde.

Aus den Erläuterungen zur Zugfestigkeit haben DT und LGB feine Gesteinskörnungen als dominierende Variable eingestuft. Es ist wichtig zu beachten, dass DT und GB eine höhere Merkmalsbedeutung anhand des Faserdurchmessers ermitteln, was im Widerspruch zum LGB-Modell steht. Die Verringerung des Faserdurchmessers hat die Zugfestigkeit von BFRC erhöht. Es wird beobachtet, dass ein höherer Feinaggregatgehalt die Zugfestigkeit verringert. Anders als bei der Druck- und Biegefestigkeit haben der Zement- und Wassergehalt eine eher geringere Bedeutung für die Zugfestigkeit. Interessanterweise zeigen alle drei Modelle, dass der höhere Gehalt an Fließmittel die Zugfestigkeit verringert, die Druckfestigkeit jedoch erhöht hat. Mit Ausnahme einiger weniger Fälle hatten die Eigenschaften der Basaltfasern im Vergleich zu den übrigen Variablen einen relativ geringen Einfluss auf die Festigkeitseigenschaften. DT wählte Quarzasche als den am wenigsten wichtigen Faktor für die Zugfestigkeit, wohingegen sie als den wichtigsten Faktor für die Biegefestigkeit und Druckfestigkeit ausgewählt wurde. GB und LGB haben Flugasche als die am wenigsten wichtige Variable eingestuft.

Daher betonen die Autoren, dass frühere Studien zur Interpretierbarkeit maschinellen Lernens diese Einzigartigkeit von Algorithmen nicht erfasst haben. Sie verwendeten zum Beispiel hauptsächlich SHAP für ihr leistungsstärkstes Modell, während wir alle Modelle auf die gleiche gute Leistung verbesserten und SHAP und LIME verwendeten. Diese Algorithmen spielen bei der Erklärung eine entscheidende Rolle. Wie ein Algorithmus die Muster lernt, hängt von ihrer inneren Implementierung ab. Beispielsweise zeigten das GB- und das LGB-Modell meist vergleichbare Erklärungen, da es auf Gradient Boosting basiert. Andererseits machen solche Erklärungsunterschiede die Entscheidungskriterien komplizierter.

Abbildung 4 zeigt die durchschnittliche Merkmalsbedeutung für jedes Regressionsmodell. Die rote Farbe weist auf positive Auswirkungen hin, die blaue Farbe auf negative Auswirkungen. Bei der Druckfestigkeit unterscheiden sich die durchschnittlichen Merkmalswichtigkeitswerte aus DT erheblich von GB und LGB. Beispielsweise identifizierte DT sowohl negative als auch positive Auswirkungen des Wassergehalts, was im Widerspruch zu tatsächlichen Beobachtungen steht. Allerdings zeigen GB und LGB einen negativen Einfluss des Wassergehalts. Außerdem haben sowohl GB als auch LGB Merkmale trotz ihrer Größe auf die gleiche Weise (positiv/negativ) eingestuft. LGB hat etwas höhere Merkmalswichtigkeitswerte angegeben. Darüber hinaus hat Flugasche einen nicht zu vernachlässigenden positiven Effekt auf die Druckfestigkeit, der in DT- und LGB-Erklärungen beobachtet wird, die nicht mit dem GB-Modell übereinstimmen. DT hat der Faserlänge, dem Durchmesser und dem Inhalt die geringste Bedeutung beigemessen. Sowohl GB als auch LGB haben dem Fasergehalt und der Faserlänge eine bestimmte (negative) Bedeutung beigemessen.

Mittlere absolute SHAP-Erklärungen (global), die für baumbasierte Modelle erhalten wurden; (a–c) DT, (d–f) GB, (g–i) LGB.

Ein signifikanter Unterschied ist bei den Erklärungen zur Biegefestigkeit zu beobachten. Die DT-Erklärung sieht beispielsweise vor, dass alle sechs am höchsten bewerteten Variablen einen positiven Einfluss auf die Biegefestigkeit haben. Dies steht bis zu einem gewissen Grad im Widerspruch zu der in GB und LGB beobachteten Erklärung für Feinzuschlagstoffe. Nicht nur die Reihenfolge der Merkmalswichtigkeit, sondern auch ihre Größenordnungen sind bei jeder Regression unterschiedlich. Ähnliche Beobachtungen werden für die Zugfestigkeit gemacht. Wie bereits in der allgemeinen Erklärung hervorgehoben, haben Superweichmacher einen negativen Einfluss auf die Biege- und Zugfestigkeit. Alle drei Modelle betonten insgesamt einen negativen Einfluss von Faserdurchmesser, groben und feinen Zuschlagstoffen sowie Fließmitteln auf die Zugfestigkeit. GB und LGB zeigten einen positiven Einfluss des Wassergehalts auf die Zugfestigkeit, während DT einen vernachlässigbaren (negativen) Einfluss zeigte.

Neben der globalen Erklärung bietet SHAP auch die Interaktion der einzelnen Funktionen. Abbildung 5 zeigt die Merkmalsabhängigkeitsdiagramme, die für den Basaltfasergehalt erhalten wurden. Abgesehen von seiner im Vergleich zu anderen Bestandteilen geringeren Merkmalsbedeutung weist es einen optimalen Gehalt auf, bei dem die maximale Verbesserung jeder Festigkeitseigenschaft beobachtet wird. Diese Abhängigkeit liefert ein besseres Bild davon, wie das Feature zur Ausgabe beiträgt und mit wem das Feature am meisten interagiert hat. Alle drei Festigkeitseigenschaften weisen ein Optimum bei 0,1–0,2 Faseranteilen auf. Die Farbskala definiert die Variable, mit der der Fasergehalt am meisten interagiert. Beispielsweise entscheiden sowohl DT als auch GB, dass der Fasergehalt hauptsächlich mit dem Gehalt an Fließmittel zusammenhängt, während LGB entscheidet, dass es sich um die Faserlänge und nicht um den Gehalt an Fließmittel handelt. Blaue und rote Farben zeigen an, wie der Fasergehalt mit dem Bereich gegebener Werte des zweiten Parameters interagiert. Laut GB ist der SHAP-Wert für den Fasergehalt hoch, wenn er mit einem höheren Gehalt an Fließmitteln (rote Farbpunkte) interagiert.

Abhängigkeitsdiagramme für den Basaltfasergehalt; (a–c) DT, (d–f) GB, (g–i) LGB.

Für die Biegefestigkeit weisen GB und LGB trotz der interagierenden Variablen vergleichbare Abhängigkeiten auf. GB entschied über die Wechselwirkungsvariable, da Feinzuschlagstoffe und LGB den Zementgehalt auswählten. Allerdings ist ein höherer Feinzuschlagstoff- oder Zementgehalt meist mit Fasergehalten im Bereich von 0,1 bis 0,4 verbunden, was immer zu einer Erhöhung der Biegefestigkeit führt. Andererseits liegt der mit dem Basaltfasergehalt verbundene niedrigere Siliciumdioxidgehalt im Bereich von 0,1 bis 0,3 und erhöht hauptsächlich die Biegefestigkeit. Basierend auf DT hat der SHAP im Vergleich zu GB- und LGB-Modellen einen großen Einfluss auf den Fasergehalt. Nach dem DT-Modell verbessert eine Erhöhung des Fasergehalts die Zugfestigkeit und die Variation kommt zum Stillstand, sobald der Fasergehalt 0,2 erreicht. Meistens ist der Einfluss des Fasergehalts groß, wenn er mit höheren Feinaggregaten interagiert, wie in Abb. 5 dargestellt. GB und LGB zeigten, dass der Fasergehalt hauptsächlich mit groben Aggregaten bzw. dem Wassergehalt zusammenhängt. Der SHAP-Wert für den Fasergehalt wird für geringere grobe Zuschlagstoffe hoch, wie in der für GB beobachteten Darstellung gezeigt. LGB zeigt eine gemischte Variation des Wassergehalts.

Abbildung 6 stellt die lokalen SHAP-Erklärungen dar, die für höhere Festigkeitswerte in jedem Festigkeitsmerkmal beobachtet wurden. Die Autoren wählten aus jeder Stärke einen zufälligen Wert aus und erklärten ihn mithilfe von SHAP und LIME. Die lokale Bedeutung von SHAP muss nicht immer mit der globalen Bedeutung übereinstimmen. Beispielsweise hatte Quarzasche in allen drei Fällen für die Druckfestigkeit die höchste Merkmalsbedeutung. In der SHAP-Skala beträgt die Merkmalsbedeutung für Quarzasche 8 für DT, 6,53 für GB und 4,74 für LGB. Darüber hinaus haben DT und GB der Quarzasche im Vergleich zu den übrigen Parametern eine deutlich höhere Merkmalsbedeutung beigemessen. Interessanterweise ordneten alle drei baumbasierten Modelle die ersten vier Merkmale der Instanz in derselben Reihenfolge. Beispielsweise haben der Fasergehalt und der Flugaschegehalt einen negativen Beitrag geleistet.

SHAP-lokale Erklärungen; (a–c) DT, (d–f) GB, (g–i) LGB.

Für den aus der Biegefestigkeit ausgewählten Fall identifizierten baumbasierte Modelle Zement als dominierende Variable. Als zweites dominantes Merkmal identifizierten sowohl DT als auch LGB grobe Zuschlagstoffe, während die negativen Auswirkungen von Quarzasche hervorgehoben wurden. Anschließend zeigt DT einen negativen Beitrag von Fasergehalt, Silica-Asche, Feinaggregaten, Faserlänge, Wasser und Fließmittel an. GB und LGB zeigen jedoch einen positiven Beitrag der feinen Zuschlagstoffe und des Wassergehalts, der im Widerspruch zur DT-Erklärung steht.

Laut GB und DT trägt der Faserdurchmesser am meisten zur aus der Zugfestigkeit erzielten Zahl bei. SHAP hat für den Faserdurchmesser in DT und GB eine Merkmalsbedeutung von 4,29 bzw. 3,57 angegeben. Allerdings widerspricht das LGB-Modell dem, indem es den Faserdurchmesser als unwichtigstes Merkmal einstuft. Insgesamt tragen alle Merkmale positiv zur gewählten Zugfestigkeit bei.

LIME gewichtet eine Instanz, indem es Dummy-Instanzen erstellt, die daher nicht die tatsächliche Instanz widerspiegeln. Abbildung 7 zeigt die Merkmalsbedeutung, die sich aus der LIME-Erklärung für dieselben in Abb. 6 erläuterten Fälle ergibt. Dementsprechend dominiert Quarzasche den anhand der Druckfestigkeit ausgewählten Fall. LIME liefert eine logische Erklärung basierend auf dem Merkmalswert. Beispielsweise hatten Quarzasche > 0, Zementgehalt > 450, 175 < Wassergehalt < 185 und Feinzuschlagstoffe < 613 einen positiven Beitrag zur Druckfestigkeit.

LIME lokale Erklärungen; (a–c) DT, (d–f) GB, (g–i) LGB.

LIME hat eine vergleichbare Merkmalsbedeutung für Quarzasche und Zement für den aus jedem Regressionsmodell vorhergesagten Biegefestigkeitswert bereitgestellt. Allerdings nimmt die Bedeutung der Merkmale vom DT zum LGB allmählich ab. LIME kommt zu dem Schluss, dass ein Silica-Aschegehalt von weniger als 0 einen negativen Einfluss auf die Biegefestigkeit hätte. Alle drei Modelle betonen, dass ein Faserdurchmesser ≤ 0,01 einen leicht positiven Einfluss und eine Faserlänge ≤12 einen negativen Einfluss auf die ausgewählte Instanz hatte.

Die LIME-Erklärung für die Zugfestigkeit hob die unterschiedliche Reihenfolge der Merkmalswichtigkeit hervor. Das wichtigste Merkmal waren feine Zuschlagstoffe für DT, der Faserdurchmesser für GB und der Quarzaschegehalt für LGB. Alle diese dominanten Merkmale hatten einen positiven Einfluss auf die ausgewählte Instanz. Sowohl DT als auch LGB stimmen mit einem positiven Beitrag von Flugasche > 86 überein und stimmen mit dem gleichen, aber negativen Beitrag des GB-Modells überein. Gradientenverstärkungsmodelle haben eine vernachlässigbare Merkmalsbedeutung für den Wassergehalt erhalten (160 < Wassergehalt < 180), während im DT-Modell eine mäßige Merkmalsbedeutung angegeben wurde.

Basierend auf dem LGB-Modell wurde eine benutzerfreundliche Computeranwendung zur Vorhersage der Druck-, Biege- und Zugfestigkeit entwickelt. Da die Trainings- und Testaufteilungen die Anwendbarkeit des LGB-Modells bestätigten (R2 > 0,89 in allen Fällen im Vergleich zu den übrigen Modellen), wurde der gesamte Datensatz gleichzeitig für die endgültigen Trainingsmodelle verwendet. Da der gesamte Datensatz verwendet wird, wurde die Tiefe des LGB-Modells auf sechs erhöht, indem die verbleibenden Hyperparameter konstant gehalten wurden. Drei LGB-Modelle wurden in die GUI geschrieben und erreichten eine Lernphase von R2 > 0,95 (mit dem gesamten Datensatz). Die grafische Benutzeroberfläche (GUI) ist in Abb. 8 der entwickelten Anwendung dargestellt. Mit dieser Anwendung können Benutzer zehn Parameter (Zementgehalt, Flugaschegehalt, Wassergehalt usw.) eingeben, darunter drei Parameter von Basalfasern (Durchmesser, Länge, Inhalt). Die Fehlerbehandlungsfähigkeit der vorgeschlagenen GUI stellt sicher, dass der Benutzer zu Eingabewerten innerhalb eines akzeptablen Bereichs geleitet wird und mechanische Festigkeitseigenschaften erhält. Die Autoren glauben, dass diese Anwendung eine bequeme und effiziente Methode zur Vorhersage von Festigkeitsparametern bietet und gleichzeitig verschiedene parametrische Studien zu dieser Betontechnologie ermöglicht. Für eine genauere Vorhersage weist die Anwendung den Benutzer an, die Eingabeparameter auf den Bereich zu beschränken, in dem das LGB-Modell angepasst wurde.

GUI-basierte Anwendung zur Vorhersage der Festigkeitseigenschaften von BFRC.

In dieser Studie wurden speziell die Erklärungen bewertet, die von verschiedenen erklärbaren KI-Modellen für verschiedene ML-Modelle erhalten wurden. Bei einem begrenzten Datensatz sind Erklärungen eher vom Algorithmus als von den Daten abhängig. Daher empfehlen die Autoren dringend den Einsatz von fachexpertenbasierten Umfragen oder Versuchen zu Erklärungen, um deren Glaubwürdigkeit zu untersuchen. Auch wenn SHAP und LIME weit verbreitete Black-Box-Erklärungen sind, bestehen sie gelegentlich aus moderaten Widersprüchen in den Erklärungen.

In dieser Studie wurden baumbasierte Algorithmen für maschinelles Lernen verwendet, um die Festigkeitseigenschaften (Druck-, Biege- und Zugfestigkeit) von basaltfaserverstärktem Beton zu modellieren. Anschließend verwendeten wir interpretierbares maschinelles Lernen (SHAP und LIME), um alle Modelle lokal und global zu erläutern. Schließlich haben wir ein gebrauchsfertiges Tool mit einer praktischen grafischen Benutzeroberfläche (GUI) entwickelt, um die Festigkeitseigenschaften von Basaltfaserbeton vorherzusagen. Das Fazit der Studie lässt sich wie folgt zusammenfassen:

Baumbasierte Regressionsmodelle können das nichtlineare Verhalten der Festigkeitseigenschaften von Basaltfaserbeton erfassen. DT-Modelle erreichten einen Trainings-R2 > 0,85 und Test-R2 > 0,802, GB-Modelle erreichten einen Trainings-R2 > 0,91 und Test-R2 > 0,882 zur Vorhersage der Festigkeit Die LGB-Modelle erreichten in allen Fällen einen Trainings-R2 > 0,92 und einen Test-R2 > 0,89.

Obwohl alle Modelle eine gute Vorhersagegenauigkeit zeigten, schnitt das LGB-Modell etwas besser ab als die beiden anderen Modelle. Damit ist das LGB-Modell eine geeignete Möglichkeit zur präzisen Vorhersage der Festigkeitseigenschaften von Basaltfaserbeton. Dies schließt jedoch die Anwendbarkeit von DT- und GB-Baummodellen zur Vorhersage der mechanischen Festigkeit von BFRC nicht aus.

Zum ersten Mal in konkreten Forschungsstudien wurde die Modellinterpretierbarkeit mithilfe der SHAP- und LIME-Erklärungsmethoden erreicht. SHAP lieferte eine detaillierte Lösung zum Gesamtmodell, zu Instanzen und Abhängigkeiten von Features, während LIME instanzbasierte Erklärungen bereitstellte. Sie wandelten den Black-Box-Charakter der ML-Modelle in eine (interpretierbare) Glasbox um, indem sie die Kausalität von Vorhersagen offenlegten.

Zum ersten Mal verwendeten wir erklärbare KI für alle drei Modelle, um zu untersuchen, wie unterschiedlich diese Modelle funktionieren. Interessanterweise stellten die Autoren fest, dass die Erklärungen algorithmusabhängig sind. Sogar die SHAP-Erklärungen für die Druckfestigkeit waren für jedes Regressionsmodell einzigartig, entweder hinsichtlich der Größe oder der Reihenfolge der Merkmalswichtigkeit. Dieser Aspekt wurde in früheren Studien übersehen, da sie erklärbare KI für das Modell mit der besten Leistung verwendeten. Die Autoren argumentieren, dass unterschiedliche ML-Algorithmen bei gleicher Genauigkeit unterschiedliche Erklärungen liefern können.

Diese Studie stellte außerdem eine grafische Benutzeroberfläche zur Vorhersage der mechanischen Festigkeit von Basaltfaserbeton basierend auf dem LGB-Modell bereit. Die GUI kann alle Druck-, Biege- und Zugfestigkeiten von BFRC effizient vorhersagen und wird für die Forschungsgemeinschaft hilfreich sein, die den Einsatz von ML im Zusammenhang mit BFRC untersucht.

Die Daten werden auf Anfrage beim entsprechenden Autor zur Verfügung gestellt.

Adaptives Boosten

Adaptives Neuro-Fuzzy-Interferenzsystem

Künstliche neuronale Netz

Basalfaserbeton

Klassifizierungs- und Regressionsbaum

Faltungs-Neuronales Netzwerk

Gekoppeltes simuliertes Glühen

Entscheidungsbaum

Erklärbare Boosting-Maschine

Extreme Lernmaschine

Zusätzlicher Baum

Bruchteilsvoreingenommenheit

Faserverstärkter Kunststoff

Baum zur Steigerung des Farbverlaufs

Genexpressionsprogrammierung

Gaußsche Prozessregression

Grafische Benutzeroberfläche

Kernel-Maschine für extremes Lernen mit genetischen Algorithmen

Geringster absoluter Schrumpfungs- und Auswahloperator

Leichte Steigungsverstärkung

Lokal interpretierbare, modellunabhängige Erklärung

Laplace-Kernel-Ridge-Regression

Kleinste quadratische Support-Vektor-Maschine

Mittlerer absoluter Fehler

Mittlere quadratische Fehler

Multiple lineare Regression

Korrelationskoeffizient

Bestimmtheitsmaß

Zufälliger Wald

Additive Erklärung von Shapley

Summe der quadratischen Fehler

Unterstützung der Vektorregression

Ultraschall-Pulsgeschwindigkeit

Erklärbare künstliche Intelligenz

Extreme Steigungssteigerung

Sim, J., Park, C. & Moon, DY Eigenschaften von Basaltfasern als Verstärkungsmaterial für Betonkonstruktionen. Kompositionen. B Eng. 36, 504–512 (2005).

Artikel Google Scholar

Ekanayake, IU, Meddage, DPP & Rathnayake, U. Ein neuartiger Ansatz zur Erklärung der Black-Box-Natur des maschinellen Lernens bei Druckfestigkeitsvorhersagen von Beton unter Verwendung additiver Erklärungen nach Shapley (SHAP). Gehäusebolzen. Konstr. Mater. 16, e01059 (2022).

Google Scholar

Kang, M.-C., Yoo, D.-Y. & Gupta, R. Auf maschinellem Lernen basierende Vorhersage für Druck- und Biegefestigkeiten von stahlfaserverstärktem Beton. Konstr. Bauen. Mater. 266, 121117 (2021).

Artikel Google Scholar

Wang, X., He, J., Mosallam, AS, Li, C. & Xin, H. Die Auswirkungen von Faserlänge und -volumen auf Materialeigenschaften und Rissbeständigkeit von basaltfaserverstärktem Beton (BFRC). Adv. Mater. Wissenschaft. Ing. 2019, e7520549 (2019).

Artikel Google Scholar

Meyyappan, PL. & Jemimah Carmichael, M. Studien zu Festigkeitseigenschaften von basaltfaserverstärktem Beton. Mater. Heute Proc. 43, 2105–2108 (2021).

Chen, W., Zhu, ZC, Wang, J., Chen, J. & Mo, Y. Numerische Analyse der mechanischen Eigenschaften von gehacktem Basaltfaserbeton. Schlüssel-Ing. Mater. 815, 175–181 (2019).

Artikel Google Scholar

Jalasutram, S., Sahoo, DR & Matsagar, V. Experimentelle Untersuchung der mechanischen Eigenschaften von basaltfaserverstärktem Beton. Struktur. Konz. 18, 292–302 (2017).

Artikel Google Scholar

Li, H., Lin, J., Lei, X. & Wei, T. Druckfestigkeitsvorhersage von basaltfaserverstärktem Beton mittels Random-Forest-Algorithmus. Mater. Heute Komm. 30, 103117 (2022).

Artikel CAS Google Scholar

Li, H. et al. Eine BFRC-Methode zur Vorhersage der Druckfestigkeit mithilfe eines maschinengenetischen Kernel-Extreme-Learning-Algorithmus. Konstr. Bauen. Mater. 344, 128076 (2022).

Artikel Google Scholar

Golafshani, EM, Behnood, A. & Arashpour, M. Vorhersage der Druckfestigkeit von umweltfreundlichen und normalen Betonen mithilfe eines hybridisierten Fuzzy-Inferenzsystems und eines Partikelschwarm-Optimierungsalgorithmus. Artif. Intel. Rev. 56, 7965–7984 (2023).

Artikel Google Scholar

Ghanbari, S., Shahmansouri, AA, Akbarzadeh Bengar, H. & Jafari, A. Vorhersage der Druckfestigkeit von hochfestem Leichtbeton aus Ölpalmenschalen unter Verwendung von Methoden des maschinellen Lernens. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 30, 1096–1115 (2023).

Basaran, B., Kalkan, I., Bergil, E. & Erdal, E. Schätzung der FRP-Beton-Verbindungsfestigkeit mit Codeformulierungen und Algorithmen für maschinelles Lernen. Kompositionen. Struktur. 268, 113972 (2021).

Artikel CAS Google Scholar

Iqbal, M., Zhang, D., Jalal, FE & Faisal Javed, M. Computergestützte KI-Vorhersagemodelle für die Restzugfestigkeit von GFK-Stäben, die in der alkalischen Betonumgebung gealtert sind. Ocean Eng. 232, 109134 (2021).

Artikel Google Scholar

Salami, BA, Olayiwola, T., Oyehan, TA & Raji, IA Datengesteuertes Modell für die Vorhersage der Druckfestigkeit von ternärem Mischungsbeton mithilfe des maschinellen Lernansatzes. Konstr. Bauen. Mater. 301, 124152 (2021).

Artikel Google Scholar

Zhang, Y. & Aslani, F. Modelle zur Vorhersage der Druckfestigkeit von Leichtbetonen unter Verwendung von Ultraschallimpulsgeschwindigkeit. Konstr. Bauen. Mater. 292, 123419 (2021).

Artikel Google Scholar

Liu, Q. et al. Vorhersage der Chloriddiffusionsfähigkeit in Beton mithilfe eines künstlichen neuronalen Netzwerks: Modellierung und Leistungsbewertung. Konstr. Bauen. Mater. 268, 121082 (2021).

Artikel CAS Google Scholar

Güçlüer, K., Özbeyaz, A., Göymen, S. & Günaydın, O. Eine vergleichende Untersuchung mit Methoden des maschinellen Lernens zur Schätzung der Betondruckfestigkeit. Mater. Heute Komm. 27, 102278 (2021).

Artikel Google Scholar

Nguyen, H., Vu, T., Vo, TP & Thai, H.-T. Effiziente Modelle für maschinelles Lernen zur Vorhersage von Betonfestigkeiten. Konstr. Bauen. Mater. 266, 120950 (2021).

Artikel Google Scholar

Feng, D.-C. et al. Auf maschinellem Lernen basierende Druckfestigkeitsvorhersage für Beton: Ein adaptiver Boosting-Ansatz. Konstr. Bauen. Mater. 230, 117000 (2020).

Artikel Google Scholar

Asteris, PG, Skentou, AD, Bardhan, A., Samui, P. & Pilakoutas, K. Vorhersage der Betondruckfestigkeit mithilfe einer hybriden Kombination von Ersatzmodellen für maschinelles Lernen. Cem. Konz. Res. 145, 106449 (2021).

Artikel CAS Google Scholar

DeRousseau, MA, Laftchiev, E., Kasprzyk, JR, Rajagopalan, B. & Srubar, WV Ein Vergleich maschineller Lernmethoden zur Vorhersage der Druckfestigkeit von Feldbeton. Konstr. Bauen. Mater. 228, 116661 (2019).

Artikel Google Scholar

Fang, X. et al. Einfluss mesoskopischer Poreneigenschaften auf die Spaltzugfestigkeit von Porenbeton durch Deep-Learning-basierte Bildsegmentierung. Konstr. Bauen. Mater. 315, 125335 (2022).

Artikel Google Scholar

Malami, SI et al. Implementierung eines hybriden Neuro-Fuzzy- und Self-Turn-Vorhersagemodells zur Vorhersage der Betonkarbonisierungstiefe: Eine Soft-Computing-Technik. Res. Ing. 10, 100228 (2021).

CAS Google Scholar

Ashrafian, A., Shahmansouri, AA, Akbarzadeh Bengar, H. & Behnood, A. Bewertung des Verhaltens nach dem Brand von Betonmischungen, die natürlichen Zeolith enthalten, unter Verwendung einer neuartigen, auf Metaheuristik basierenden Methode des maschinellen Lernens. Archiv. Zivil. Mech. Eng 22, 101 (2022).

Artikel Google Scholar

Behnood, A. & Golafshani, EM Maschinelle Lernstudie der mechanischen Eigenschaften von Betonen, die Abfallformsand enthalten. Konstr. Bauen. Mater. 243, 118152 (2020).

Artikel Google Scholar

Ashrafian, A., Panahi, E., Salehi, S. & Taheri Amiri, MJ Zur Implementierung des interpretierbaren Daten-Intelligence-Modells zur Gestaltung der Lebensdauer von Strukturbeton in einer Meeresumgebung. Ocean Eng. 256, 111523 (2022).

Artikel Google Scholar

Ben Chaabene, W., Flah, M. & Nehdi, ML Vorhersage der mechanischen Eigenschaften von Beton durch maschinelles Lernen: Kritische Überprüfung. Konstr. Bauen. Mater. 260, 119889 (2020).

Artikel Google Scholar

Madushani, JPSS, Sandamal, RMK, Meddage, DPP, Pasindu, HR & Gomes, PIA Bewertung der Schwere von Verkehrsunfällen auf Schnellstraßen mithilfe logistischer Regression und erklärbarer und überwachter Klassifikatoren für maschinelles Lernen. Transp. Ing. 13, 100190 (2023).

Artikel Google Scholar

Ekanayake, IU et al. Vorhersage der Haftfestigkeit mikrostrukturierter Oberflächen mithilfe von Gradientenverstärkungsmodellen und erklärbaren Visualisierungen künstlicher Intelligenz. Mater. Heute Komm. 36, 106545 (2023).

Artikel CAS Google Scholar

Belle, V. & Papantonis, I. Prinzipien und Praxis des erklärbaren maschinellen Lernens. Vorderseite. Big Data 4, (2021).

Roscher, R., Bohn, B., Duarte, MF & Garcke, J. Erklärbares maschinelles Lernen für wissenschaftliche Erkenntnisse und Entdeckungen. IEEE Access 8, 42200–42216 (2020).

Artikel Google Scholar

Chakraborty, D., Awolusi, I. & Gutierrez, L. Ein erklärbares maschinelles Lernmodell zur Vorhersage und Aufklärung des Druckverhaltens von Hochleistungsbeton. Res. Ing. 11, 100245 (2021).

Google Scholar

Ekanayake, IU, Palitha, S., Gamage, S., Meddage, DPP, Wijesooriya, K. & Mohotti. Vorhersage der Haftfestigkeit mikrostrukturierter Oberflächen mithilfe von Gradientenverstärkungsmodellen und erklärbaren Visualisierungen künstlicher Intelligenz. Mater. Heute Komm. 36, 106545 (2023).

Liu, G. & Sun, B. Vorhersage der Betondruckfestigkeit mithilfe eines erklärbaren Boosting-Maschinenmodells. Gehäusebolzen. Konstr. Mater. 18, e01845 (2023).

Google Scholar

Lyngdoh, GA, Zaki, M., Krishnan, NMA & Das, S. Vorhersage konkreter Stärken durch fehlende Datenimputation und interpretierbares maschinelles Lernen. Zementkonz. Kompositionen. 128, 104414 (2022).

Artikel CAS Google Scholar

Mohammadi Golafshani, E., Kashani, A., Behnood, A. & Kim, T. Modellierung der Chloridmigration von recyceltem Zuschlagstoffbeton mithilfe von Ensemble-Lernenden für nachhaltigen Gebäudebau. J. Sauber. Prod. 407, 136968 (2023).

Artikel CAS Google Scholar

Wu, Y. & Zhou, Y. Hybrides maschinelles Lernmodell und additive Erklärungen von Shapley für die Druckfestigkeit von nachhaltigem Beton. Konstr. Bauen. Mater. 330, 127298 (2022).

Artikel Google Scholar

Zeng, Z. et al. Genaue Vorhersage der Betondruckfestigkeit basierend auf erklärbaren Merkmalen mithilfe von Deep Learning. Konstr. Bauen. Mater. 329, 127082 (2022).

Artikel Google Scholar

Meddage, DPP et al. Erklärbares maschinelles Lernen (XML) zur Vorhersage des externen Winddrucks eines niedrigen Gebäudes in städtischen Umgebungen. J. Wind Eng. Ind. Aerodyn. 226, 105027 (2022).

Artikel Google Scholar

Meddage, P. et al. Interpretation von auf maschinellem Lernen basierenden (Black-Box-)Winddruckvorhersagen für niedrige Gebäude mit Giebeldach unter Verwendung additiver Erklärungen nach Shapley (SHAP). Gebäude 12, 734 (2022).

Artikel Google Scholar

Liang, Y., Li, S., Yan, C., Li, M. & Jiang, C. Erläuterung des Black-Box-Modells: Eine Übersicht über lokale Interpretationsmethoden für tiefe neuronale Netze. Neurocomputing 419, 168–182 (2021).

Artikel Google Scholar

Lundberg, SM & Lee, S.-I. Ein einheitlicher Ansatz zur Interpretation von Modellvorhersagen. in Advances in Neural Information Processing Systems vol. 30 (Curran Associates, Inc., 2017).

Ribeiro, MT, Singh, S. & Guestrin, C. „Warum sollte ich Ihnen vertrauen?“: Erklären der Vorhersagen eines Klassifikators. in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 1135–1144 (Association for Computing Machinery, 2016). https://doi.org/10.1145/2939672.2939778.

Meddage, DPP et al. Vorhersage der durchschnittlichen Massengeschwindigkeit mit starrer Vegetation in offenen Kanälen mithilfe von baumbasiertem maschinellem Lernen: Ein neuartiger Ansatz, der erklärbare künstliche Intelligenz nutzt. Sensoren 22, 4398 (2022).

Artikel ADS PubMed PubMed Central Google Scholar

Ribeiro, MT, Singh, S. & Guestrin, C. „Warum sollte ich Ihnen vertrauen?“ Erklären der Vorhersagen eines Klassifikators. HLT-NAACL-Demos https://doi.org/10.1145/2939672.2939778 (2016).

Artikel Google Scholar

Meddage, DPP, Ekanayake, IU, Weerasuriya, AU & Lewangamage, CS Baumbasierte Regressionsmodelle zur Vorhersage des externen Winddrucks eines Gebäudes mit einer unkonventionellen Konfiguration. im Jahr 2021 Moratuwa Engineering Research Conference (MERCon) 257–262 (2021). https://doi.org/10.1109/MERCon52712.2021.9525734.

Xu, M., Watanachaturaporn, P., Varshney, PK & Arora, MK Entscheidungsbaumregression zur weichen Klassifizierung von Fernerkundungsdaten. Fernerkundung. Umwelt. 97, 322–336 (2005).

Artikel ADS Google Scholar

Ahmad, M., Reynolds, J. & Rezgui, Y. Prädiktive Modellierung für solarthermische Energiesysteme: Ein Vergleich von Support Vector Regression, Random Forest, Extra Trees und Regression Trees. J. Sauber. Prod. 203, 810–821 (2018).

Artikel Google Scholar

Rodriguez-Galiano, V., Sanchez-Castillo, M., Chica-Olmo, M. & Chica-Rivas, M. Vorhersagemodelle für maschinelles Lernen für die Mineralvorkommen: Eine Bewertung neuronaler Netze, Zufallswälder, Regressionsbäume und Support-Vektor-Maschinen . Erzgeol. Rev. 71, 804–818 (2015).

Artikel Google Scholar

Breiman, L., Friedman, J., Olshen, R. & Stone, CJ Klassifizierungs- und Regressionsbäume https://doi.org/10.2307/2530946 (1983).

Artikel Google Scholar

Ding, C., Wu, Transp. Res. Teil C Emerg. Technol. 72, 225–238 (2016).

Artikel Google Scholar

He, Q., Kamarianakis, Y., Jintanakul, K. & Wynter, L. Vorhersage der Vorfalldauer mit hybrider baumbasierter Quantilregression. in Advances in Dynamic Network Modeling in Complex Transportation Systems (Hrsg. Ukkusuri, SV & Ozbay, K.) 287–305 (Springer, 2013). https://doi.org/10.1007/978-1-4614-6243-9_12.

Alsabti, K., Ranka, S. & Singh, V. CLOUDS: Ein Entscheidungsbaumklassifikator für große Datensätze. in Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining 2–8 (AAAI Press, 1998).

Wang, M. Datensatz zu mechanischen Eigenschaften von BFRC zur Festigkeitsvorhersage mit maschinellem Lernen. 1, (2022).

scikit-learn: Maschinelles Lernen in Python – Dokumentation zu scikit-learn 1.3.0. https://scikit-learn.org/stable/.

Referenzen herunterladen

Wir danken der Fakultät für Bauingenieurwesen der Universität Moratuwa für die Unterstützung bei der Initiierung dieses Projekts.

Abteilung für Bauingenieurwesen, Sri Lankan Institute of Information Technology, Malabe, Sri Lanka

WKVJB Kulasooriya, RSS Ranasinghe, Udara Sachinthana Perera & P. ​​​​Thisovithan

Fakultät für Computertechnik, Universität Peradeniya, Kandy, Sri Lanka

IU Ekanayake

Fakultät für Bauingenieurwesen, Universität Moratuwa, Moratuwa, Sri Lanka

DPP Meddage

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

WKVJBK: Untersuchung, Methodik, Modellierung und Programmierung. RSSR: Untersuchung, Methodik, Modellierung und Programmierung. USP: Schreiben und Überprüfen, Methodik-Framework, GUI-Codierung. PT: Originalentwurf schreiben, Analyse und Validierung, GUI-Codierung. IUE: Supervision, Schreiben und Überprüfen, Konzeptualisierung. DPPM: Schreiben und Überprüfen, Validieren, Konzeptualisieren.

Korrespondenz mit DPP Meddage.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kulasooriya, WKVJB, Ranasinghe, RSS, Perera, US et al. Modellierung der Festigkeitseigenschaften von basaltfaserverstärktem Beton durch mehrfach erklärbares maschinelles Lernen mit einer grafischen Benutzeroberfläche. Sci Rep 13, 13138 (2023). https://doi.org/10.1038/s41598-023-40513-x

Zitat herunterladen

Eingegangen: 23. März 2023

Angenommen: 11. August 2023

Veröffentlicht: 12. August 2023

DOI: https://doi.org/10.1038/s41598-023-40513-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.