Integrating an Ensemble Machine Learning Model with a Metaheuristic Optimizer to Predict the Compressive Strength of High-performance Concrete Mixtures

Dieses Kapitel untersucht die Integration eines maschinellen Lernmodells mit einem metaheuristischen Optimierer zur Vorhersage der Druckfestigkeit von Hochleistungsbetonmischungen (HPC). Die Studie stellt den Enterprise Development (ED) Optimierer vor, einen neuartigen metaheuristischen Algorithmus, der 2024 entwickelt wurde und zur Optimierung eines Stacking-Ensemblemodells (SEM) verwendet wird, das Least Squares Support Vector Regression (LSSVR) und Radial Basis Function Neural Network (RBFNN) kombiniert. Das vorgeschlagene ED-SEM-Modell wird anhand von drei Datensätzen aus verschiedenen Laboratorien bewertet, die jeweils spezifischen Standards folgen. Die Leistung des ED-SEM-Modells wird mit verschiedenen in früheren Studien berichteten Methoden des maschinellen Lernens verglichen, was eine überlegene Prädiktierbarkeit zeigt. Die Ergebnisse zeigen, dass das ED-SEM-Modell den niedrigsten mittleren absoluten Fehler (MAE), den durchschnittlichen Quadratfehler (RMSE) und den durchschnittlichen absoluten Prozentfehler (MAPE) erreicht, zusammen mit dem höchsten Korrelationskoeffizienten (R), der sich 1 annähert. Dies deutet auf eine starke Beziehung zwischen Input- und Output-Variablen hin, was das ED-SEM-Modell für die Vorhersage der Druckfestigkeit von HPC hocheffektiv macht. Die Studie kommt zu dem Schluss, dass die vorgeschlagene Methode eine robuste und effiziente Alternative für eine schnelle und präzise Festigkeitsprognose bietet, die auf verschiedene technische Herausforderungen anwendbar ist.