基于集成学习和LSTM人工智能算法混凝土徐变研究

目录

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 混凝土徐变

1.2.2 机器学习在土木工程中的应用

1.3 主要研究内容与技术路线

1.3.1 研究内容

1.3.2 技术路线

2 混凝土徐变与机器学习基本理论

2.1 混凝土徐变理论

2.1.1 混凝土徐变机理

2.1.2 混凝土徐变影响因素

2.2 混凝土徐变计算模型综述

2.2.1 混凝土徐变计算理论

2.2.2 经典混凝土徐变数值计算模型

2.3 机器学习基本理论

2.3.1 集成学习

2.3.2 神经网络

2.4 模型评价指标

2.4.1 单一指标

2.4.2 综合指标

3 基于GA-RF 混凝土徐变预测模型

3.1 随机森林模型相关理论

3.1.1 随机森林结构

3.1.2 参数说明及选择

3.2 GA-RF 混凝土徐变预测模型的建立

3.2.1 遗传算法基本理论

3.2.2 GA-RF组合模型

3.2.3 数据来源与预处理

3.2.4 GA-RF训练结果

3.3 徐变影响因素重要性及贡献度

3.3.1 影响因素的特征重要性

3.3.2 贡献度

3.3.3 数据特征筛选后预测模型训练结果

3.4 本章小结

4 基于XGBoost 的混凝土徐变预测模型

4.1 XGBoost 算法的理论基础

4.1.1 XGBoost综述

4.1.2 XGBoost的原理

4.1.3 XGBoost算法参数

4.2 XGBoost 预测混凝土徐变模型

4.2.1 数据类型和来源

4.2.2 模型可视化与特征重要性

4.2.3 模型训练结果及评价

4.3 不同机器学习模型结果对比分析

4.4 本章小结

5 基于单特征LSTM网络的混凝土徐变预测模型

5.1 验证性试验设计及结果

5.1.1 试验原材料

5.1.2 试验设备

5.1.3 试验方案及结果

5.2 LSTM网络相关理论

5.2.1 LSTM网络原理

5.2.2 LSTM 计算框架

5.3 单特征LSTM的混凝土徐变预测模型

5.3.1 LSTM 模型的适用性与优势

5.3.2 单特征 LSTM 网络的建模流程

5.4 结果对比分析

5.4.1 基于单特征LSTM网络模型的混凝土徐变依时性变化结果

5.4.2 基于集成学习模型的试验验证

5.5 本章小结

6 结论与展望

6.1 结论

6.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集