基于极端梯度提升框架的FRP增强混凝土梁抗剪强度预测

摘要整理

尽管经验模型具有重要性和准确性，但现有大多数模型仅在收集的实验数据上表现准确，添加新数据或考虑数据中的噪声和方差会导致模型精度丧失。本文旨在缓解过拟合问题，采用基于决策树的集成机器学习算法和梯度提升框架，开发更准确可靠的替代方法，用于预测无箍筋FRP增强混凝土梁的极限抗剪强度。为增强结果的鲁棒性、充分利用训练样本（不使用验证集）并缓解测试样本选择的随机性，采用K折交叉验证方法。基于包含205个样本的数据集，研究结果表明极端梯度提升框架（XGBoost）提供了更优的预测性能。事实上，与经验方程、现行设计规范、最小绝对收缩和选择算子模型（LASSO）以及随机森林模型（RF）相比，XGBoost模型具有更高的精度和更强的泛化能力。

相关论文