改进的随机森林模型用于预测FRP与混凝土粘结强度

摘要整理

纤维增强复合材料（FRP）是加固混凝土结构的优良建筑材料，但由于多种参数的影响，准确评估FRP与混凝土的粘结强度存在困难。本研究提出了一种新型混合模型，将粒子群优化算法（PSO）与随机森林（RF）相结合，用于预测FRP与混凝土的粘结强度。采用PSO算法优化RF模型的超参数。从文献中收集749个试件样本用于建立PSO-RF模型，每个样本包含11个参数：（1）混凝土抗压强度、（2）混凝土抗拉强度、（3）混凝土试件宽度、（4）混凝土最大骨料粒径、（5）FRP抗拉强度、（6）FRP厚度、（7）FRP弹性模量、（8）粘合剂抗拉强度、（9）FRP粘结长度、（10）FRP粘结宽度、（11）FRP与混凝土粘结强度。将PSO-RF模型与其他机器学习模型及10个经验公式进行对比，采用均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）、Nash-Sutcliffe效率系数（NSE）、Willmott一致性指数（WIA）和Legates-McCabe指数（LM）等6个统计指标评估预测性能。结果表明，PSO-RF模型在训练集上的RMSE、MAE、R²、NSE、WIA和LM值分别为1.529 kN、0.942 kN、0.986、0.984、0.996和0.892，在测试集上分别为2.672 kN、1.967 kN、0.963、0.961、0.989和0.761。研究表明PSO-RF模型在预测FRP与混凝土粘结强度方面具有最优的综合性能。此外，还进行了PSO-RF模型的敏感性分析。

相关论文