Die Konstruktion des Datensatzes in dieser Studie basiert auf insgesamt 1030 Betonproben, die zufällig in ein Trainingsdatensatz und einen unabhängigen Testdatensatz aufgeteilt wurden. Dabei wurden 822 Proben für das Modelltraining verwendet und 208 Proben wurden zur Leistungsbewertung bestimmt. Jede Probe besteht aus acht Faktoren: Hochofenschlacke, Flugasche, Wasser, Superplastifizierer, grober Zuschlag, feiner Zuschlag, Alter und Zement. Eine statistische Analyse der Proben ist in Tabelle 1 dargestellt. Die Korrelationsanalyse zeigt die Beziehung zwischen den verschiedenen Faktoren und der Druckfestigkeit des Betons. Es wurden die Korrelationskoeffizienten zwischen der Druckfestigkeit und den Faktoren wie Hochofenschlacke, Flugasche, Wasser, Superplastifizierer, grober Zuschlag, feiner Zuschlag, Alter und Zement berechnet.
Um die Korrelation zwischen den verschiedenen Faktoren weiter zu untersuchen, wurde der Korrelationskoeffizient zwischen jedem Faktor berechnet. Die Ergebnisse zeigen, dass der Superplastifizierer den stärksten Zusammenhang mit der Druckfestigkeit aufweist. Zusätzlich wurde festgestellt, dass der Korrelationskoeffizient zwischen Flugasche, Wasser, grobem Zuschlag und feinem Zuschlag negativ ist. Daher sollte die Zugabe dieser Elemente während der Experimente vernünftig kontrolliert werden. Eine Normalisierung der Daten wurde durchgeführt, um die numerischen Unterschiede zwischen den Faktoren zu eliminieren und sicherzustellen, dass sie ähnliche Wertebereiche haben. Dies ist wichtig, da einige Maschinenlernalgorithmen empfindlich auf numerische Unterschiede reagieren können.
RandomForest und ExtraTrees sind zwei verwandte Ensemble-Lernalgorithmen, die in dieser Studie implementiert wurden. RandomForest verwendet mehrere CART-Entscheidungsbäume für Vorhersagen, während ExtraTrees eine Variante von RandomForest ist, die das ursprüngliche Trainingsset für jeden Entscheidungsbaum verwendet. Deepforest, auch bekannt als Kaskadenwald, wurde ebenfalls verwendet und kombiniert die Vorteile von RandomForest und ExtraTrees in jeder Schicht. Die Leistung der verschiedenen Regressoren wurde anhand von Koeffizient der Bestimmtheit, mittlerem quadratischem Fehler, mittlerem absoluten Fehler und Wurzel des mittleren quadratischen Fehlers bewertet.
Durch die Implementierung von 12 verschiedenen Regressoren und die Verwendung von Grid-Suche zur Optimierung der Hyperparameter konnten die Modelle trainiert werden. Eine Fünf-Fach-Kreuzvalidierung wurde durchgeführt, um die Leistung der Modelle zu bewerten. Dabei wurden verschiedene Standardindikatoren wie der Koeffizient der Bestimmtheit, der mittlere quadratische Fehler, der mittlere absolute Fehler und die Wurzel des mittleren quadratischen Fehlers abgeleitet, um die Genauigkeit der Vorhersagen zu bewerten. Die grafische Darstellung des Modellrahmens bietet einen intuitiven Ansatz zur Untersuchung der Beton-Druckfestigkeitsvorhersage.