R语言学习#3-用神经网络对混凝土强度进行建模

饶晓黎

于 2023-10-22 17:05:07 发布

阅读量332

点赞数 1

文章标签： r语言学习神经网络

本文链接：https://blog.csdn.net/Xiaoli_Rao/article/details/133975033

版权

用神经网络对混凝土强度进行建模

实验目的

根据过去案例的历史数据，包括混凝土成分的多个主要特征、强度结果等数据样本，建立神经网络模型，用于预测新样本的抗压强度

实验要求

1、利用已发生的1030条数据样本，8个条件属性包括水泥cement、矿渣slag、灰ash、水water、超塑化剂superplasticizer、粗料集coarse aggregate、细料集fine aggregate、老化时间aging time；1个结论属性：抗压强度。建立神经网络预测模型；

2、对于新样本，根据混凝土成分的特征，预测输出抗压强度。（kg/cm2）

实验原理

基于R语言与数据样本，建立神经网络模型。对模型进行训练、评估和优化，以及部署预测

实验仪器、设备、材料或软件等

1、Windows环境

2、R 3.6.3 安装

3、Rstudio 安装

已装跳过

实验内容及步骤

数据预处理

载入数据文件

concrete <- read.csv(“concrete.csv”)

查看数据字段定义

str(concrete)

文件中的数据都很大，需要进行归一化处理

定义“标准化函数”（归一化）

normalize <- function(x){ return((x - min(x)) / (max(x) - min(x)))}

标准化训练数据集

concrete_norm <- as.data.frame(lapply(concrete, normalize))

对比标准化前后的数据情况

summary(concrete_norm$strength)

summary(concrete$strength)

分析出训练集和测试集

concrete_train <- concrete_norm[1:773,]

concrete_test <- concrete_norm[774:1030,]

使用留出法，比例为3：1.

训练模型

安装升级网络算法包

install.packages("neuralnet”)

加载算法库

library(neuralnet)

建模

生成模型

concrete_model <-neuralnet(strength~cement+slag+ash+water+superplastic+coarseagg+fineagg+age, data=concrete_train)

查看模型

plot(concrete_model)

模型一共有三层，第一层有八个神经元、第二层和第三层都只有一个神经元，误差平方和为5.666757；迭代次数为1560.

评估模型

使用测试数据集进行测试

model_results <- compute(concrete_model,concrete_test[1:8])

取出预测的强度结论结果值

predicted_strength <- model_results$net.result

计算精确度

cor(predicted_strength,concrete_test$strength)

精确度为0.7214244.

优化模型

建模（增加隐藏层神经元个数）

concrete_model2<- neuralnet(strength ~ cement+slag+ash+water+superplastic+coarseagg+fineagg+age,data=concrete_train,hidden=3)

查看模型

plot(concrete_model2)

模型一共有三层，第一层有八个神经元、第二层较于优化前的模型增加了两个神经元，共三个神经元，第三层仍然是一个神经元，误差平方和为2.029324；迭代次数为20132.这些数值较于之前有明显的增加。

使用测试数据集进行预测

model_results2 <- compute(concrete_model2, concrete_test[1:8])

取出预测的强度结论结果值（展示部分）

predicted_strength2 <- model_results2$net.result

计算准确度

cor(predicted_strength2,concrete_test$strength)

可见，优化后的模型精确度有所提高，为0.823141。

实际预测

读取新数据

concrete_new <- read.csv("concrete-new.csv")

标准化

concrete_new_norm <- as.data.frame(concrete_new)

concrete_new_norm$cement=(concrete_new_norm$cement-102)/(540-102)

concrete_new_norm$slag=(concrete_new_norm$slag-0)/(359.4-0)

concrete_new_norm$ash=(concrete_new_norm$ash-0)/(200.1-0)

concrete_new_norm$water=(concrete_new_norm$water-121.8)/(247-121.8)

concrete_new_norm$superplastic=(concrete_new_norm$superplastic-0)/(32.2-0)

concrete_new_norm$coarseagg=(concrete_new_norm$coarseagg-801)/(1145-801)

concrete_new_norm$fineagg=(concrete_new_norm$fineagg-594)/(992.6-594)

concrete_new_norm$age=(concrete_new_norm$age-1)/(365-1)

预测-归一化

model_results_new <- compute(concrete_model2,concrete_new_norm)

predicted_strength_new <- model_results_new$net.result

predicted_strength_new

归一化的结果为0.8232523，较于优化后的结果有微小提高。

还原抗压强度数据值-反归一化

final_results=predicted_strength_new*(82.6-2.33)+2.33

final_results

反归一化后的值为68.412254。

结果分析

模型架构：

原始模型（concrete_model）包含了一个具有8个神经元的输入层，一个具有8个神经元的隐藏层，以及一个具有1个神经元的输出层。模型的均方误差（误差平方和）较高，迭代次数也相对较低。
优化后的模型（concrete_model2）增加了隐藏层的神经元数量，共三层，具有更多的参数，从而提高了模型的容量。这使得模型更复杂，适应性更强，均方误差较低，但需要更多的迭代次数。

模型评估：