基于XGBoost-LSTM的胶凝砂砾石抗压强度预测

摘要：

针对胶凝砂砾石(CSG)抗压强度试验周期长、耗材大等问题,运用极度梯度提升树-长短期记忆网络(XGBoost-LSTM)组合模型对CSG抗压强度进行预测.先选取相关性较强的"水泥含量"和"砂率"这2个输入变量代入XGBoost模型进行预测,并将结果与原特征一起代入LSTM模型;再采用 94 组抗压强度数据进行训练和验证.结果表明:与基础模型 XGBoost和 LSTM 相比,XGBoost-LSTM组合模型的决定系数分别提高5.6%和3.5%.说明通过XGBoost模型构造新特征具有可行性,且XGBoost-LSTM组合模型能够对CSG抗压强度进行精准预测.

关键词：极度梯度提升树、长短期记忆网络、胶凝砂砾石、抗压强度

所属期刊栏目：26

分类号：TV41(水工材料)

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2023-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：631-637