عنوان البحث: مقارنة بين التعلم الآلي والانحدار الخطي المتعدد للتنبؤ بمقاومة الانضغاط للخرسانة: دراسة تحقق مراعية للمجموعات على قاعدة بيانات مجمعة تضم 431 سجلاً

الملخص

يُستخدم الانحدار الخطي المتعدد (MLR) على نطاق واسع للتنبؤ المبكر بمقاومة الانضغطاط للخرسانة لشفافيته وسهولة استخدامه من قبل المهندسين الممارسين، إلا أن الأدبيات الحديثة تشير إلى أن طرق التعلم الآلي (ML) تحقق دقة أعلى على مجموعات البيانات الكبيرة والمتنوعة. تعيد هذه الدراسة فحص هذه المسألة على قاعدة بيانات مجمعة من مصادر متعددة تحتوي على 431 سجلاً لخلطات خرسانية، مع مقارنة ثلاثة نماذج للانحدار الخطي المتعدد مقابل الغابات العشوائية (Random Forest)، والتدرج المعزز (Gradient Boosting)، والشبكة العصبية (Multilayer Perceptron). تم التعامل بوضوح مع مسألة منهجية رئيسية: 96 تصميم خلطة فريد في قاعدة البيانات تم اختبار كل منها عند أعمار معالجة متعددة، مما يعني أن التقسيم العشوائي التقليدي يضع سجلات متطابقة تقريباً في مجموعتي التدريب والتحقق، مما يضخم دقة التعلم الآلي بسبب تسرب البيانات. لذلك تم استخدام تقسيم مراعٍ للمجموعات يستبعد خلطات كاملة، مما نتج عنه 379 سجلاً للعايرة (73 خلطة) و52 سجلاً للمصادقة المستقلة (23 خلطة غير معروضة مسبقاً). تحت هذا المخطط الصارم للمصادقة، كان تعميم النماذج الخطية ضعيفاً على الخلطات غير المعروضة (معامل التحديد للتحقق R² بين -0.30 و0.18)، بينما حققت نموذج التدرج المعزز أفضل أداء (R² = 0.894).