Application of Least Squares Support Vector Regression Analysis to Green Concrete with Oil Palm Husk Aggregate
Notice bibliographique
Résumé
Least Squares Support Vector Regression (LSSVR) machine has the advantages of small sample, nonlinearity and high dimensionality, which can solve the problem of predicting the compressive strength of green concrete with oil palm shell aggregate.In this paper, the error sum of squares instead of the error sum is used as the objective function, IFFA is used to find the optimization of the kernel function parameters and penalty factors of LSSVR, and the PWLCM-based chaotic search is used to initialize the population, and ultimately the improved auricular fox algorithm is realized for the optimization of the least squares support vector regression algorithm, which makes it have strong fitting and generalization abilities, and significantly reduces the burden of computation, thus improving the Computational efficiency.Application of the designed combined algorithm for compressive strength prediction of concrete reveals that the R, MAPE and RMSE values obtained by this paper's model on the training dataset are 98.71%, 5.92% and 1.0823 MPa, respectively.The correlation coefficients predicted by the model are much closer to 1 as compared to that of the baseline model, which suggests that this paper's model possesses a superior generalization capability, making it more effective in dealing with complex and invisible data.The adopted method is practical and innovative, and is of guiding significance for practical engineering.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».