Python案例 | Kriging预测钢筋混凝土梁长期挠度

2024-08-23 03:44

本文主要是介绍Python案例 | Kriging预测钢筋混凝土梁长期挠度,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前言

Kriging是一种基于高斯过程建模的代理模型,也称为高斯过程回归,是一种用于空间插值和预测的统计方法。最早由丹尼斯·克里金在地质学中提出,通过已知数据点来预测未知点的值,适用于具有空间相关性的情况。

Kriging用于回归问题,具体原理的解释可参考SMT工具箱[1]或在微信公众号、CSDN和B站等网站检索学习。

笔者认为,对于代理模型/机器学习算法理论的学习应配合具体案例代码。因此,本文将通过一个钢筋混凝土梁长期挠度预测实验数据集,使用python来展示Kriging的回归建模效果。

1. 数据来源

本文所采用的钢筋混凝土梁长期挠度数据集来源于之前在世界各地进行的实验工作中收集的包含217个测试的数据集。详细的数据库由Espion[2]从29个不同的研究计划中总结和记录。

下表给出所使用数据的变量名称和统计描述

需要该数据集可关注公众号“UQLearner”,后台回复“Espion”获取。

在这里插入图片描述

数据收集不易,如果对您发表文章有用,还请引用文章:

Dan, W.; Yue, X.; Yu, M.; Li, T.; Zhang, J. Prediction and Global Sensitivity Analysis of Long-Term Deflections in Reinforced Concrete Flexural Structures Using Surrogate Models. Materials 2023, 16 (13), 4671. https://doi.org/10.3390/ma16134671.

2. Python代码实现

# 使用Kriging预测钢筋混凝土梁长期挠度
# Edit by Yue
# 2024.8.22
###################### 1. 导入必要的第三方库库 ######################
import numpy as np
import matplotlib
matplotlib.use('TkAgg') # 用于指定matplotlib使用TkAgg后端进行图形渲染。TkAgg是matplotib的一个后端,它使用Tkinter库来创建图形窗口并显示图表。
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
import pandas as pd
from smt.surrogate_models import KRG
###################### 2. 读取钢筋混凝土梁长期挠度数据 ######################
Data = pd.read_excel('Long-Term Deflection of Reinforced Concrete Beams_New.xlsx')  # 读取钢筋混凝土梁长期挠度数据
#print(Data.describe())                       # 输出数据的统计信息,包括计数、平均值、标准差、最小值、最大值、中位数、25%的分位数和75%的分位数。
pd.set_option('display.max_columns', None)   # 设置显示数据的所有列
#print(Data)         # 打印显示所有的列的数据
#print(Data.head())  # 显示数据的前5行###################### 3. 数据预处理 ######################
X = Data.drop(columns=['X2', 'Y'])  # 删除输出列
features = X.columns                # 将X每个变量的每个变量名提取出来,用于后续的特征重要性分析
X = preprocessing.scale(X)          # 进行标准化处理
y = Data['Y']                       # 模型输出为数据中的“Y”列###################### 4. 数据集划分 ######################
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=50)  # 划分训练集和测试集
y_train = y_train.to_numpy()   # 将Series对象转换为numpy数组
y_test = y_test.to_numpy()   # 转不转换都行
print(type(y_train))  ## 4. 模型训练
sm = KRG(theta0=[1e-2])
sm.set_training_values(X_train, y_train)
sm.train()###################### 5. 模型评估 ######################
y_train_pred = sm.predict_values(X_train)  # 预测输出
y_test_pred = sm.predict_values(X_test)  # 预测输出# 训练集均方根误差
RMSE_train = np.sqrt(mean_squared_error(y_train, y_train_pred))
print(f'训练集RMSE:{RMSE_train: .4f}')    # 打印输出RMSE值
# 训练集决定系数R2
R2_train =r2_score(y_train, y_train_pred)
print(f'训练集R2:{R2_train: .4f}')        # 打印输出R2值# 测试集均方根误差
RMSE_test = np.sqrt(mean_squared_error(y_test, y_test_pred))
print(f'测试集RMSE:{RMSE_test: .4f}')    # 打印输出RMSE值
# 测试集决定系数R2
R2_test =r2_score(y_test, y_test_pred)
print(f'测试集R2:{R2_test: .4f}')        # 打印输出R2值###################### 6. 可视化实际值与预测值的关系 ######################
plt.subplot(1, 2, 1)
plt.scatter(y_train, y_train_pred, alpha=0.3, label='Kriging')   # Kriging与真实值的比较
plt.plot([y_train.min(), y_train.max()], [y_train.min(), y_train.max()], 'r--', lw=2, label='Best Line of Fit') # 最优拟合线
plt.xlabel('Actual')
plt.ylabel('Predicted')
plt.title(f'Actual vs Predicted \nR2_train: {R2_train: .4f}')
plt.legend()plt.subplot(1, 2, 2)
plt.scatter(y_test, y_test_pred, alpha=0.3, label='Kriging')          # Kriging与真实值的比较
plt.plot([y_test_pred.min(), y_test_pred.max()], [y_test_pred.min(), y_test_pred.max()], 'r--', lw=2, label='Best Line of Fit') # 最优拟合线
plt.xlabel('Actual')
plt.ylabel('Predicted')
plt.title(f'Actual vs Predicted \nR2_test: {R2_test: .4f}')
plt.legend()plt.tight_layout()  # 自动调整图形的布局,确保元素如坐标轴标签、刻度和标题不会重叠
plt.show()          # 显示图像

3. 结果展示

从上图展示的结果来看,Kriging可用于钢筋混凝土梁长期挠度的预测。

参考文献

[1] https://smt.readthedocs.io/en/latest/_src_docs/surrogate_models/gpr/krg.html)

[2] Espion B (1988a) Long term sustained loading tests on reinforced concrete beams. Bull Serv Génie Civil

这篇关于Python案例 | Kriging预测钢筋混凝土梁长期挠度的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/1098256

相关文章

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合