7、花岗岩材料无侧限抗压强度的人工智能预测研究

花岗岩材料无侧限抗压强度的人工智能预测研究

在工程领域，准确估算花岗岩的无侧限抗压强度至关重要。借助人工神经网络（ANN）模型，能够利用无损测试指标实现对花岗岩抗压强度的可靠预测。接下来，我们将详细探讨相关的计算方法、数据处理以及模型评估等内容。

1. 性能指标公式

为了评估模型的性能，文中引入了两个重要公式：
- 决定系数 (R^2) ：用于衡量模型对数据的拟合程度。其计算公式为 (R^2 = 1 - \frac{\sum_{i = 1}^{n}(x_i - y_i)^2}{\sum_{i = 1}^{n}(x_i - \bar{x})^2})，其中 (n) 是数据集的总数，(x_i) 和 (y_i) 分别是每个数据样本的预测值和目标值。
- a20 - 指数 ：表示样本预测值与实验值在 ±20% 误差范围内的匹配百分比。计算公式为 (a20 - index = \frac{m_{20}}{M})，其中 (M) 是从数据集中选取的样本总数，(m_{20}) 是实验值与预测值之比在 0.80 到 1.20 范围内的样本数量。

2. 数据库数据集划分

为了训练、验证和测试开发的计算模型，将 92 个实验数据库数据集进行了划分，具体采用了五折交叉验证分割方法，并选择能使性能指标值更优的分割方式。划分结果如下：
- 训练数据集：62 个数据集，占原始数据库的 67.40%，用于训练开发的 ANN 模型。
- 验证数据集：15 个数据集，占原始数据库的 16.30%，用于验证 ANN 模型。
- 测试数据集：15 个数据集，占原始数据库的