An Explainable Android-Based Decision Support System for High-Performance Concrete Strength Prediction Using XGBoost and Monte Carlo SHAP
Deze studie presenteert een uitlegbare Android-gebaseerde beslissingsondersteunend systeem dat gebruikmaakt van een geoptimaliseerd XGBoost-model en een computationeel efficiënt Monte Carlo SHAP-algoritme om real-time, interpreteerbare voorspellingen van de druksterkte van hoogwaardig beton direct op mobiele apparaten te bieden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Beton is het meest gebruikte bouwmateriaal op aarde en vormt het skelet van onze steden, bruggen en woningen. Terwijl gewoon beton een mengsel is van cement, water, zand en steen, is hoogwaardig beton een meer geavanceerde versie die is ontworpen om sterker, duurzamer en beter verwerkbaar te zijn. Het creëren van dit materiaal vereist een delicaat evenwicht; ingenieurs moeten specifieke hoeveelheden ingrediënten zoals cement, water en diverse additieven mengen om een beoogde sterkte te bereiken. Traditioneel gezien omvat het bepalen van de juiste mix tijdrovende laboratoriumtests waarbij monsters worden uitgehard en verbrijzeld om te zien hoeveel kracht ze kunnen weerstaan. Dit proces is traag, duur en laat ingenieurs vaak gissen naar het uiteindelijke resultaat totdat het beton al is gestort.
In de afgelopen jaren hebben wetenschappers zich gericht op computerprogramma's die leren van gegevens uit het verleden om deze resultaten te voorspellen. Deze programma's, bekend als machine learning-modellen, kunnen duizenden eerdere betonrecepten en hun resulterende sterkte analyseren om complexe patronen te vinden die de menselijke intuïtie zou kunnen missen. Er is echter een aanzienlijk probleem ontstaan: de meest nauwkeurige computermodellen fungeren vaak als "black boxes". Ze kunnen de sterkte van een nieuwe mengeling met grote precisie voorspellen, maar ze kunnen niet uitleggen waarom ze tot dat getal zijn gekomen. Voor een ingenieur op een bouwplaats is het weten van de voorspelde sterkte nuttig, maar begrijpen welke ingrediënt de sterkte omhoog duwt of omlaag trekt, is essentieel voor het nemen van veilige, geïnformeerde beslissingen. Bovendien vereisen deze krachtige modellen meestal enorme computers of internetverbindingen om te draaien, wat ze onpraktisch maakt voor gebruik in het veld waar stroom en connectiviteit vaak schaars zijn.
Een onderzoeker heeft deze kloof overbrugd door een hulpmiddel te creëren dat zowel een hoge nauwkeurigheid in voorspelling als een duidelijke uitleg direct naar een smartphone brengt. Hun werk richt zich op een specifiek type geavanceerd computermodel genaamd XGBoost, dat zij het meest effectief vonden voor het raden van de sterkte van hoogwaardig beton. De onderzoeker testte dit model tegen vijf andere populaire machine learning-methoden met behulp van een database van meer dan tweeduizend verschillende betonmengsels. De resultaten toonden aan dat het XGBoost-model het meest nauwkeurig was, waarbij de voorspellingen slechts gemiddeld 3,512 megapascal afwijken van de werkelijk gemeten sterkte, een eenheid van druk. Deze prestatie was superieur aan die van de andere modellen, die grotere foutmarges hadden.
De echte innovatie van dit onderzoek ligt echter in de manier waarop ze dit krachtige model werkbaar hebben gemaakt op een mobiel apparaat en het begrijpelijk hebben gemaakt. Het draaien van een complex model op een telefoon is moeilijk, maar de onderzoeker loste dit op door het getrainde model te vertalen naar een eenvoudig tekstbestandsformaat dat de telefoon kan lezen en verwerken zonder externe internetverbinding. Dit maakte het mogelijk dat de applicatie volledig offline draaide, wat betekent dat een ingenieur het overal kan gebruiken, zelfs op afgelegen locaties. Om het "black box"-probleem op te lossen, ontwikkelde de onderzoeker een nieuwe manier om de denkwijze van het model uit te leggen die snel genoeg is om op een smartphone te draaien. Standaardmethoden voor het uitleggen van deze modellen zijn zo rekenintensief dat ze te lang zouden duren of de batterij van een telefoon zouden leegtrekken. De onderzoeker gebruikte in plaats daarvan een techniek die willekeurige variaties van de invoergegevens samplet om te schatten hoeveel elk ingrediënt bijdroeg aan de uiteindelijke voorspelling.
Het resultaat is een beslissingsondersteunend systeem dat meer doet dan alleen een getal geven. Wanneer een gebruiker de details van een betonmengsel invoert — zoals de hoeveelheid cement, water en de leeftijd van het mengsel — berekent de app direct de voorspelde sterkte. Tegelijkertijd genereert het een visuele grafiek die de voorspelling uiteenzet. Deze grafiek toont een startpunt gebaseerd op een gemiddelde mengeling en voegt daar de waarden aan toe of trekt ze ervan af voor elk specifiek ingrediënt dat de gebruiker heeft ingevoerd. Het kan bijvoorbeeld laten zien dat een hogere hoeveelheid cement de voorspelde sterkte omhoog duwde, terwijl een specif kind type additief de sterkte omlaag trok. Deze visuele uitleg stelt de gebruiker in staat om precies te zien hoe de computer tot zijn conclusie kwam, waardoor een complexe berekening wordt omgezet in een transparant verhaal over de samenstelling van de mengeling.
De onderzoeker toonde aan dat deze aanpak effectief werkt door het op hun dataset te testen en te bevestigen dat de verklaringen overeenkwamen met het gedrag van het model. Ze ontdekten dat de vereenvoudigde methode voor het genereren van deze verklaringen honderden keren sneller was dan de traditionele, exacte methode, wat het bruikbaar maakt voor gebruik in realtime op een mobiel apparaat. Door een zeer nauwkeurige voorspellingsmotor te combineren met een heldere, visuele uitleg die offline werkt, biedt dit systeem een praktisch hulpmiddel voor ingenieurs. Het transformeert het proces van het ontwerpen van beton van een trial-and-error oefening naar een datagestuurde beslissing, waardoor professionals hun mengsels kunnen optimaliseren en de structurele veiligheid kunnen garanderen zonder een laboratorium of een supercomputer nodig te hebben.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.