Rapports scientifiques volume 13, Numéro d'article : 13138 (2023) Citer cet article
725 accès
Détails des métriques
Cette étude a examiné l'importance de l'application de l'intelligence artificielle explicable (XAI) sur différents modèles d'apprentissage automatique (ML) développés pour prédire les caractéristiques de résistance du béton renforcé de fibres de basalte (BFRC). Même si le ML est largement adopté pour la prédiction de la résistance du béton, la nature de la boîte noire des prédictions entrave l'interprétation des résultats. Parmi plusieurs tentatives visant à surmonter cette limitation en utilisant l’IA explicable, les chercheurs n’ont employé qu’une seule méthode d’explication. Dans cette étude, nous avons utilisé trois modèles ML basés sur des arbres (arbre de décision, arbre de boosting de gradient et machine de boosting de gradient de lumière) pour prédire les caractéristiques de résistance mécanique (résistance à la compression, résistance à la flexion et résistance à la traction) du béton basal renforcé de fibres (BFRC). ). Pour la première fois, nous avons utilisé deux méthodes d'explication (explications additives de Shapley (SHAP) et explications locales interprétables et indépendantes du modèle (LIME)) pour fournir des explications pour tous les modèles. Ces méthodes explicables révèlent les critères de prise de décision sous-jacents à des modèles complexes d'apprentissage automatique, améliorant ainsi la confiance de l'utilisateur final. La comparaison met en évidence que les modèles arborescents ont obtenu une bonne précision dans la prévision des caractéristiques de résistance, mais que leurs explications étaient différentes soit par l'ampleur de l'importance des caractéristiques, soit par l'ordre d'importance. Ce désaccord pousse à une prise de décision complexe basée sur les prédictions ML qui met en outre l'accent (1) sur l'extension de la recherche basée sur XAI dans les prédictions de résistance du béton, et (2) sur l'implication d'experts du domaine pour évaluer les résultats XAI. L'étude se termine par le développement d'une « application informatique conviviale » qui permet de prédire rapidement la résistance du béton renforcé de fibres de basalte (BFRC).
Les fibres de basalte sont obtenues à partir de roches de basalte par le processus de fusion. Il est possible de produire des fibres à partir de roches de basalte en les divisant finement. La fibre de basalte est un matériau inorganique, biodégradable et non métallique. Il est largement utilisé pour améliorer la capacité de traction du béton en raison de sa forte propriété de traction. Le processus de production de fibre de basalte est rentable car il ne nécessite aucun mélange d’additifs. Les fibres de basalte présentent une résistance à la traction exceptionnelle par rapport à la fibre de verre E, une résistance à la rupture supérieure à celle de la fibre de carbone, ainsi qu'une meilleure résistance aux attaques chimiques, au feu et aux charges d'impact1. Ces propriétés ont conduit la communauté des chercheurs à se concentrer sur l'application des fibres basales comme matériau de renforcement structurel innovant pouvant ainsi produire du béton armé.
La résistance à la compression, à la traction et à la flexion du béton sont considérées comme des caractéristiques de base de la résistance du béton2,3. Pour élucider pleinement l'impact des fibres de basalte, plusieurs études ont été réalisées pour déterminer les propriétés mécaniques du BFRC4. Meyyappan et Carmichael5 ont utilisé différentes fractions volumiques de fibres basales et ont observé que la résistance à la traction et la résistance à la compression augmentent en présence de fibres de basalte. Cependant, la variation a atteint un optimum à 1 % de fraction volumique et a ensuite montré une tendance à la baisse. L'augmentation de la résistance à la compression pour la fraction optimale était de 11,5 % et de 18,2 % pour la résistance à la traction fendue par rapport à l'échantillon témoin. Chen et al.6 ont utilisé la teneur en fibres de basalte comme variable pour étudier l'effet sur les propriétés mécaniques du BFRC. Jalasutran et al.7 ont avancé des arguments similaires en étudiant les propriétés mécaniques du BFRC. Ils ont observé que les caractéristiques de résistance s’améliorent grâce à la teneur en fibres de basalte. Cependant, l’ajout de fibre de basalte a provoqué une variation non linéaire des caractéristiques de résistance5,8,9. En conséquence, la prédiction des caractéristiques de résistance du BFRC est relativement compliquée par rapport au béton conventionnel et nécessite un processus expérimental itératif pour étudier progressivement les relations. Une estimation précise des caractéristiques de résistance est hautement impérative pour la conception et les optimisations structurelles. D’un autre côté, les études de recherche existantes ont obtenu des résultats basés sur des expériences en laboratoire qui prennent beaucoup de temps, sont laborieuses et coûteuses. Comme approche alternative, des méthodes analytiques telles que les techniques d’apprentissage automatique (ML) peuvent être utilisées pour prédire les caractéristiques de résistance du 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>