基于机器学习的混凝土抗压强度预测

抗压强度是材料在压缩下断裂的阻力。压缩试验通常在通用试验机中进行。这从桌面到大型机器都不一样。为了避免使用大型机器，我们在施工中引入了机器学习和自动化。

机器学习与自动化都是人工智能(AI)的子集。自动化在建筑领域有着广阔的前景。

想要建立机器学习项目?：

机器学习工具包将发送给您，您可以使用教程学习和构建。你今天就可以免费开始了!

1.机器学习(职业发展课程)

2.使用机器学习进行欺诈检测

3.使用Python进行机器学习

4.使用ML推荐电影

5.使用ML的手写数字识别

6.机器学习培训与实习

7.基于深度学习的脑肿瘤检测

机器学习是在计算机系统上研究算法和统计模型的方法，这些系统在不使用明确指令的情况下执行特定任务。它使用推理而不是依赖于模式。

机器学习包括建筑生命的所有阶段，从计划和设计开始，到建造设施，其维护和运行，到其失败，再到重建工程结构。计算机科学和机器人分支的最新进展为建筑业的增长开发了新技术。

成功的机器学习模型需要的另一个重要部分是用于训练的数据集。数据集是我们为进行实验而收集的一组数据。这个数据集应该是准确的数据，当有大量数据可用时，最好能准确地得到结果。我们讨论过有两种数据训练数据和测试数据。为了让机器识别数据中的模式，使用训练数据，而预测新的答案则使用测试数据。

在训练数据和测试数据之间可能有很多差异。为了测量精度，使用RMSE(均方根误差)方法可以得到更准确的结果。RMSE的理想值为0。

方法

有三种方法，即决策树学习，多元自适应回归样条(MARS)和神经网络。

1)决策树学习

决策树学习使用一种称为决策树的树型结构，它是一种预测模型，用于理解一个项目的观察结果，从而得出该项目的目标值。该方法用于可视化和详细的决策分析。在数据挖掘中，决策提供详细的数据，但这种分类的结果可以作为决策的输入。

你知道吗

2022世界杯亚洲区赛程表时间Skyfi实验室帮助学生学习实用技能通过构建真实世界的项目。

你可以和朋友一起报名，并在家门口领取工具包

你可以向专家学习，建立工作项目，向世界展示技能，并获得最好的工作。
从今天开始!

2)多元自适应回归样条(MARS)

在这种回归技术中，参数没有值，变量之间的非线性和倒数被建模。它是一种创建分段线性模型的算法，在掌握线性回归和其他本质上线性模型的概念后，提供了一个直观的进入非线性的跳板。在MARS模型可以建立在两个阶段，即向前和向后通过。这种两阶段方法与递归分区树使用的方法相同。

3)神经网络

神经网络是现代意义上由人工制造的神经元或节点组成的广泛的神经元电路网络。它可以由真正的生物神经元或人工制造的神经网络组成。生物神经元被建模为权重。兴奋性和抑制性联系用正权和负权来表示。

编程语言:Python

软件要求:

在anaconda软件中编码

在Jupiter笔记本上编程

基本的机器学习和自动化知识。

目的:

1. 收集足够的抗压强度预测所需的数据。
2. 学习机器学习模型。
3. 为模型获得尽可能高的训练速度。
4. 在预测抗压强度时达到最大的准确性，并提出最佳的预测模型。

结论:

神经网络模型在三个模型中表现最好。与其他模型相比，它实现了最大的精度。为了得到准确的结果，还可以进行其他几种测试。

• 万能试验机

• 施工管理
• 混凝土强度

基于机器学习的混凝土抗压强度预测