luodaming
|
- Professor
- Supervisor of Doctorate Candidates
- Supervisor of Master's Candidates
- Name (Pinyin):luodaming
- School/Department:土木工程学院
- Education Level:With Certificate of Graduation for Doctorate Study
- Business Address:陕西省西安市雁塔路13号，西安建筑科技大学土木工程学院
- Contact Information:dmluo@xauat.edu.cn
- Degree:Doctoral degree
- Professional Title:Professor
- Status:Employed
- Academic Titles:西安建筑科技大学土木工程学院混凝土教研室，教师
- Other Post:中国建筑学会工程诊治与运维分会 理事
- Alma Mater:西安建筑科技大学
- Teacher College:工程结构耐久性与全寿命
- Discipline:Structural Engineering
Disaster Prevention and Mitigation Engineering and Protection Works
Other Contact Information
- Email：
- Paper Publications
内养护混凝土中氯离子浓度机器学习预测模型
Release time:2026-03-06 Hits:
- Affiliation of Author(s):土木工程学院
- Journal:建筑结构学报
- Key Words:混凝土耐久性; 氯离子侵蚀; 机器学习; 传输模型; 内养护作用
- Abstract:氯离子侵蚀是海洋基础设施耐久性劣化的重要原因,多孔预湿轻骨料对混凝土的内养护作用可改善骨料界面过渡区结构,提高混凝土耐久性;然而传统物理化学或经验模型,大多通过有限试验数据简单拟合得出,难以准确预测内养护混凝土中氯离子浓度分布。对此,结合自然浸泡试验测得的数据,采用三种传统机器学习算法(XGBoost、CatBoost和LightGBM)及两种深度学习算法(LSTM和Bi-LSTM)建立氯离子浓度数智预测模型,基于粒子群优化(PSO)算法得到的超参数寻优结果对各模型的非线性预测能力展开研究,并在数智模型基础上使用python语言开发了图形用户界面(GUI)。研究结果表明:LightGBM模型在训练集和测试集上统计意义的决定系数分别为0.990 3和0.983 1,在5种模型中表现最佳;LSTM与Bi-LSTM虽在当前数据集中表现整体逊色于机器学习模型,但引入双向机制的Bi-LSTM模型性能较LSTM模型有所提升,证明了深度学习模型用于回归预测任务的潜在能力;通过Shapely加法解释方法(SHAP)解释性分析,揭示了输入参量的特征重要性排序(PFI)及各特征参量发生变化时对预测结果的影响。所建立的模型可用于预测和解析内养护混凝土离子浓度。
- Co-author:王天泽,李凡
- First Author:罗大明,韩洁
- Indexed by:Journal paper
- Correspondence Author:牛荻涛
- Translation or Not:no
- Date of Publication:2024-01-01