$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

배깅 및 스태킹 기반 앙상블 기계학습법을 이용한 고성능 콘크리트 압축강도 예측모델 개발
Development of a High-Performance Concrete Compressive-Strength Prediction Model Using an Ensemble Machine-Learning Method Based on Bagging and Stacking 원문보기

한국전산구조공학회논문집 = Journal of the computational structural engineering institute of Korea, v.36 no.1, 2023년, pp.9 - 18  

곽윤지 (국립 한밭대학교 건설환경공학과) ,  고채연 (국립 한밭대학교 건설환경공학과) ,  곽신영 (국립 한밭대학교 건설환경공학과) ,  임승현 (경북대학교 융복합시스템공학과 플랜트시스템전공)

초록
AI-Helper 아이콘AI-Helper

고성능 콘크리트(HPC) 압축강도는 추가적인 시멘트질 재료의 사용으로 인해 예측하기 어렵고, 개선된 예측 모델의 개발이 필수적이다. 따라서, 본 연구의 목적은 배깅과 스태킹을 결합한 앙상블 기법을 사용하여 HPC 압축강도 예측 모델을 개발하는 것이다. 이 논문의 핵심적 기여는 기존 앙상블 기법인 배깅과 스태킹을 통합하여 새로운 앙상블 기법을 제시하고, 단일 기계학습 모델의 문제점을 해결하여 모델 예측 성능을 높이고자 한다. 단일 기계학습법으로 비선형 회귀분석, 서포트 벡터 머신, 인공신경망, 가우시안 프로세스 회귀를 사용하고, 앙상블 기법으로 배깅, 스태킹을 이용하였다. 결과적으로 본 연구에서 제안된 모델이 단일 기계학습 모델, 배깅 및 스태킹 모델보다 높은 정확도를 보였다. 이는 대표적인 4가지 성능 지표 비교를 통해 확인하였고, 제안된 방법의 유효성을 검증하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Predicting the compressive strength of high-performance concrete (HPC) is challenging because of the use of additional cementitious materials; thus, the development of improved predictive models is essential. The purpose of this study was to develop an HPC compressive-strength prediction model using...

주제어

#고성능 콘크리트   #압축강도   #기계학습법   #앙상블 기법   #배깅 기법   #스태킹 기법  

참고문헌 (29)

  1. Ahmad, S., Alghamdi, S.A. (2014) A Statistical approach to？Optimizing Concrete Mixture Design, The Scientific World？J., 2014. 

  2. Alpaydin, E. (2020) Introduction to Machine Learning, MIT？Press, p.683. 

  3. Apostolopoulou, M., Armaghani, D.J., Bakolas, A., Douvika, M.？G., Moropoulou, A., Asteris, P.G. (2019) Compressive？Strength of Natural Hydraulic Lime Mortars using Soft？Computing Techniques, Procedia Struct. Integr., 17, pp.914~923. 

  4. Asteris, P.G., Kolovos, K.G., Douvika, M.G., Roinos, K. (2016)？Prediction of Self-Compacting Concrete Strength using？Artificial Neural Networks, Eur. J. Environ. & Civil Eng.,？20(sup1), pp.s102~s122. 

  5. Asteris, P.G., Mokos, V.G. (2020) Concrete Compressive？Strength using Artificial Neural Networks, Neural Comput. &？Appl., 32(15), pp.11807~11826. 

  6. Asteris, P.G., Skentou, A.D., Bardhan, A., Samui, P., Pilakoutas,？K. (2021) Predicting Concrete Compressive Strength using？Hybrid Ensembling of Surrogate Machine Learning Models,？Cement & Concr. Res., 145, 106449. 

  7. Atici, U. (2011) Prediction of the Strength of Mineral Admixture？Concrete using Multivariable Regression Analysis and an？Artificial Neural Network, Expert Syst. with Appl., 38(8),？pp.9609~9618. 

  8. Breiman, L. (1996) Bagging Predictors, Mach. Learn., 24(2),？pp.123~140. 

    상세보기

  9. Burges, C.J. (1998) A Tutorial on Support Vector Machines for？Pattern Recognition, Data Min. & Knowl. Discov., 2(2), pp.？121~167. 

  10. Cheng, M.Y., Chou, J.S., Roy, A.F., Wu, Y.W. (2012) High-Performance Concrete Compressive Strength Prediction using？Time-Weighted Evolutionary Fuzzy Support Vector Machines？Inference Model, Automat. Constr., 28, pp.106~115. 

  11. Chou, J.S., Chiu, C.K ., Farfoura, M., Al-Taharwa, I. (2011)？Optimizing the Prediction Accuracy of Concrete Compressive？Strength based on a Comparison of Data-Mining Techniques,？J. Comput. Civil Eng., 25(3), pp.242~253. 

  12. Gartner, E. (2004) Industrially Interesting Approaches to "low-CO2" Cements, Cem. & Concr. Res., 34(9), pp.1489~1498. 

    상세보기

  13. Jerath, S. (1983) Computer-aided Concrete Mix Proportioning, J.？Proc., 80(4), pp.312~317. 

  14. Juenger, M.C.G., Winnefeld, F., Provis, J.L., Ideker, J.H. (2011)？Advances in Alternative Cementitious Binders, Cem. &？Concr. Res., 41(12), pp.1232~1243. 

    상세보기

  15. Kasperkiewicz, J., Racz, J., Dubrawski, A. (1995) HPC Strength？Prediction using Artificial Neural Network, J. Comput. Civil？Eng., 9(4), pp.279~284. 

  16. Kwag, S., Gupta, A., Dinh, N. (2018) Probabilistic Risk？Assessment based Model Validation Method using Bayesian？Network, Reliab. Eng. & Syst. Safety, 169, pp.380~393. 

  17. Lam, L., Wong, Y.L., Poon, C.S. (1998) Effect of Fly Ash and？Silica Fume on Compressive and Fracture behaviors of？Concrete, Cem. & Concr. Res., 28(2), pp.271~283. 

    상세보기

  18. McClelland, J.L., Rumelhart, D.E., Hinton, G.E. (1986) The？Appeal of Parallel Distributed Processing, MIT Press,？Cambridge MA, 3, 44. 

  19. Neshat, M., Adeli, A., Sepidnam, G., Sargolzaei, M. (2012)？Predication of Concrete Mix Design using Adaptive Neural？Fuzzy Inference Systems and Fuzzy Inference Systems, Int. J. 

  20. Adv. Manuf. Technol., 63(1), pp.373~390.？Ozbay, E., Gesoglu, M., Guneyisi, E. (2011) Transport Properties？Based Multi-Objective Mix Proportioning Optimization of？High Performance Concretes, Mater. & Struct., 44(1), pp.？139~154. 

  21. Oztas, A., Pala, M., Ozbay, E., Kanca, E., Caglar, N., Bhatti, M.？A. (2006) Predicting the Compressive Strength and Slump of？High Strength Concrete using Neural Network, Constr. &？Build. Mater., 20(9), pp.769~775. 

    상세보기

  22. Rasmussen, C.E. (2003) Summer School on Machine Learning,？Gaussian Processes in Machine Learning, Springer, Berlin,？Heidelberg. pp.63~71. 

  23. Rutkowska, G., Wichowski, P., Franus, M., Mendryk, M.,？Fronczyk, J. (2020) Modification of Ordinary Concrete using？Fly Ash from Combustion of Municipal Sewage Sludge,？Mater., 13(2), 487. 

  24. Sun, L., Koopialipoor, M., Jahed Armaghani, D., Tarinejad, R.,？Tahir, M.M. (2021) Applying a Meta-Heuristic Algorithm to？Predict and Optimize Compressive Strength of Concrete？Samples, Eng. Comput., 37(2), pp.1133~1145. 

  25. Syarif, I., Zaluska, E., Prugel-Bennett, A., Wills, G. (2012)？Application of Bagging, Boosting and Stacking to Intrusion？Detection, In International Workshop on Machine Learning？and Data Mining in Pattern Recognition, Springer, Berlin,？Heidelberg, pp.593~602. 

  26. Yeh, I.C. (1998) Modeling of Strength of High-Performance？Concrete using Artificial Neural Networks, Cem. & Concr.？Res., 28(12), pp.1797~1808. 

    상세보기

  27. Yilmaz, I., Erik, N.Y., Kaynar, O. (2010) Different Types of？Learning Algorithms of Artificial Neural Network (ANN)？Models for Prediction of Gross Calorific Value (GCV) of？Coals, Sci. Res. & Essays, 5(16), pp.2242~2249. 

  28. Zain, F.M., Abd, M.S. (2009) Multiple Regression Model for？Compressive Strength Prediction of High Performance？Concrete, J. Appl. Sci., 9(1), pp.155~160. 

  29. Zhang, J., Huang, Y., Wang, Y., Ma, G. (2020) Multi-Objective？Optimization of Concrete Mixture Proportions using Machine？Learning and Metaheuristic Algorithms, Constr. & Build.？Mater., 253, 119208. 

    상세보기

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로