Vorhersage der Betonfestigkeit: mithilfe von Modellen des maschinellen Lernens

Beton ist nach wie vor der weltweit am häufigsten verwendete Baustoff, was auf seine einfache Verarbeitung, seine Verfügbarkeit und seine geringen Kosten zurückzuführen ist. Seine Druckfestigkeit ist seine wesentliche mechanische Eigenschaft und das wichtigste Leistungskriterium für die Bemessung von Bauwerken. Eine experimentelle Datenbank wurde herangezogen, um die Leistungsfähigkeit verschiedener Techniken des maschinellen Lernens zu vergleichen: Lasso-Regression, quadratische Polynomregression, Entscheidungsbäume, Support-Vektor-Maschinen, künstliche neuronale Netze, Random Forests, Bagging, Gradient Boosting und Gauß-Prozesse. Für das GPR-Modell wurden vier Kovarianzfunktionen berücksichtigt. Bei jedem Algorithmus wurde eine systematische Optimierung der Hyperparameter durchgeführt. Es wurde eine vergleichende Analyse auf der Grundlage statistischer Kennzahlen und grafischer Darstellungen durchgeführt. Eine Sensitivitätsanalyse verdeutlicht den relativen Einfluss der Rezepturparameter und unterstreicht insbesondere die entscheidende Rolle des Zementgehalts. Schließlich zeigt eine Analyse der Unsicherheitsfortpflanzung eine nicht zu vernachlässigende Streuung der Vorhersagen.