Resumen

La mejora de la precisión en la predicción de la resistencia a compresión del concreto es crucial y se considera una tarea desafiante para reducir los costosos experimentos y el tiempo. Particularmente, la determinación de la resistencia a compresión del concreto utilizando escoria de alto horno granulada molida (GGBFS) es más difícil debido a la complejidad del diseño de la mezcla de composición. En este artículo, se propone un enfoque que utiliza el bosque aleatorio (RF), que es uno de los poderosos algoritmos de aprendizaje automático, para predecir la resistencia a compresión del concreto utilizando GGBFS. El modelo RF primero se evalúa para determinar la mejor arquitectura, que consta de 500 árboles de crecimiento y un tamaño de hoja de 1. En el siguiente paso, la evaluación del modelo se lleva a cabo en 500 simulaciones considerando el efecto del muestreo aleatorio. Finalmente, los mejores resultados de predicción se presentan en función de medidas estadísticas como el coeficiente de

• Materias:Elementos finitos Análisis de estabilidad Energía histerética Seguridad en la ingeniería civil Tensión-deformación
• Subjects:Finite elements Stability analysis Hysteretic energy Safety in civil engineering Stress-strain
• Palabras claves:Mejora; Precisión en la predicción de resistencia a la compresión; Concreto; Escoria granulada de alto horno; Bosque aleatorio; Algoritmos de aprendizaje automático
• Keywords:Improvement; Compressive strength prediction accuracy; Concrete; Ground granulated blast furnace slag; Random forest; Machine learning algorithms