Python案例 | Kriging预测钢筋混凝土梁长期挠度

【代理模型】KrigingModel predict”方法采用未采样位置的x和y坐标,并使用克里金插值法返回估计的z值。克里金模型基于半方差函数,半方差函数将采样位置对之间的空间相关性作为其分离距离的函数进行测量。在此代码中,我们使用简单的欧几里得距离作为分离度量,并假设一个具有块金效应、基台值和范围参数的球面半变异函数模型。要估计模型参数,我们需要将半变异函数拟合到根据采样位置计算的经验半方差值。定义了一个“KrigingModel”类,它接受三个“Double”值的“ArrayLists ”,分别表示采样位置的x坐标、y坐标和z值。 阅读详情

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

Kriging代理模型理论相关推导 代理模型,Kriging,加点准则 阅读详情

相关推荐

克里金(Kriging)模型及Python pykrige库实现

简单而言,克里金(kriging)模型就是一种插值模型,与多项式插值、线性插值、样条插值等类似,根据“采样点”上的值预测非采样点的值。只不过克里金(kriging)模型相较于其他插值方法具备一些优势(上文介绍过了)。其对于非样本点值的预测是基于线性加权组合(linearly weighted combination)实现的。在普通克里金(kriging)模型中,通过计算预测点附近的已知值的加权平均来获得预测值。其只有在样本值具备空间相关性时才有意义。

xiaoqiang_2的博客 1万+

克里金(kriging)模型的推导详解

Kriging模型理论推导1、前言2、条件3、基础知识3.1、方差的理解3.2、概率密度函数3.3、多元正态分布4、理论推导4.1 模型建立 1、前言 简介:Kriging模型是一种通过已知试验点信息来预测未知试验点上响应的无偏估计模型,其最早是由南非矿业工程师D.G.Krige于1951年提出。20世纪70年代,法国的数学家G.Matheron对D.G.Krige的研宄成果进行了进一步的系统化、理论化,并将其命名为Kriging模型。1989年Sacks等将Kriging模型推广至试验设计领域,形成了基于

weixin_45671036的博客 4万+

SMT | Kriging代理模型原理及应用

代理模型工具箱 (surrogate modeling toolbox, SMT) 是一个基于Python开发的第三方包,其中包含代理模型方法、采样技术和基准测试函数。SMT | 代理模型Python工具包推荐Kriging (KRG):经典的高斯过程回归。KPLS and KPLSK: 使用PLS降维来处理高维训练数据的KRG变体。GPX:是使用 Rust 重新实现的 KRG 和 KPLS,以实现更快的训练/预测操作。GEKPLS:利用衍生品训练数据来提高替代模型质量。

ikhui7的博客 8200

python 高斯过程_Python-scikit_learn中的克里金(高斯过程) - python

我正在考虑使用此方法对我拥有的3D点进行插值。作为输入,我在一个区域中的各个高度具有大气浓度的气体。我所获得的数据显示为垂直高度每隔几英尺延伸几十英尺,但水平分开数百英尺的值(因此,“列”紧密堆积)。假定在任何给定时间点,值在垂直方向上的变化比在水平方向上的变化大得多。我想在考虑到这一假设的情况下执行3D克里金法(作为我可以调整的参数,或者是经过统计定义的参数-或)。我相信scikit学习模块可以...

weixin_39810901的博客 733

【算法】克里金kriging参数值预测模型

模型中特征值2个,目标值1个,data数据集如图所示。搭建kriging参数值预测模型。

weixin_48618536的博客 5066

kriging matlab代码

kriging的matlab代码,及kriging插值原理介绍

克里金代理模型Kriging

由于 Kriging 模型不仅能对未知点的适应值进行预测,还能对其预测的不确定性进行估计。因此,其被广泛应用于代理模型辅助进化算法中,以解决昂贵单目标或多目标优化问题。使用下面的公式来估计未知点。的预测适应值和预测方差(也就是与测试和相关程度)。的适应值:(均值+正态分布求解适应度值))的重要程度(也就是每个维度的权重)。个包含输入和输出的训练数据集(带入似然函数中可以消除未知参数。2似然函数只有两个未知参数。最大化似然函数可以得到。)是均值为零和方差为。’)之间的相关函数。×1 维的输出矩阵;

pengyunfenn的博客 6800

kriging模型

MATLAB的kriging模型,用于建立代理模型,kriging插值分析等

Kriging(克里金模型)介绍

克里金模型最早出现在地质学文献中,用来估计有价值矿物的分布。萨克斯·艾尔1989年将这种方法应用于近似的计算机实验。此后,克里格法被广泛研究并应用于工程领域。 克里格模型也称为高斯过程模型,因为它将目标函数建模为高斯过程的实现。定义 ...

就很秃然 9846

Kriging.rar_Kriging代理_Kriging模型_kriging matlab_matlab代理模型

kriging代理模型的应用,里面没有很多例子,以及各种说明,可以很好地学习

dace_代理模型_Kriging拟合_putting5m5_源码

kriging代理模型通用程序,基于高斯假设拟合预测数据

Kriging 模型 —— 克里金法 —— 最优插值

原创作者: u_15642578 转载于: https://blog.51cto.com/u_15642578/...

weixin_42332497的博客 345

krigingmodel_Matlab_代理模型_代理模型matlab_Kriging代理模型_krigingmodel_Mat

完整kriging代理模型代码,有说明书以及使用手册

(懒人救星版)Kriging_NSGA3_Topsis克里金做代理预测模型目标遗传NSGA3反求最优因变量和对应的最佳自变量组合,结合熵权法Topsis求解各帕累托各解的接近度确定最优解组合

Kriging_NSGA3克里金做代理预测模型目标遗传NSGA3反求最优因因变量和对应的最佳自变量组合,结合熵权法Topsis求解各帕累托各解的接近度确定最优解 (懒人救星版)Kriging_NSGA3_Topsis 1.任意多输入多输出都可以用(采用三套数据集) 4输入2输出.xlsx 4输入3输出.xlsx 5输入3输出.xlsx 2.加入数据拟合散点图 数据特点:(多元化的数据) 包含0-1数据、大于1的数据和极大的数据(10的8次方) 每个代码压缩文件包改动代码处不超过3处

qq_43024991的博客 1126

帆软 finereport FCRA 考试 题库+答案,共收录561题,大部分有答案

帆软 finereport FCRA 考试 题库+答案,共收录561题,大部分有答案 入门基础 11.多选题 以下方式中属于FineReport中预览模式的有( ) 分页预览、填报预览、新填报预览、数据分析、移动端预览 16.判断题 FineReport报表工具必须购买激活码后才能使用。 错误,可以免费获取激活码。 29.单选题 FineReport是一款利用( )语言开发的报表工具。java 41.多选题 访问帮助文档的方式有哪些?设计器中社区菜单下-帮助文档;直接访问http://help.finere

qq_37485720的博客 2万+

设计一个订单管理系统(OMS)系统100问?

一个完善的订单管理系统不仅仅是简单地记录和处理订单信息,更需要考虑到订单的全生命周期管理,包括订单的创建、支付、配送、售后等环节。这100个问题围绕订单管理系统(OMS)的各个方面展开,涵盖了系统的功能、架构、安全性、异常处理、订单处理流程、支付、库存管理、客户管理、报表与分析等多个方面。通过这些问题,可以全面考虑订单管理系统在设计与实现过程中需要考虑的各种因素,从而确保系统能够满足业务需求、具有良好的性能和稳定性,同时易于扩展、维护和管理。

nbsaas-boot基于Request-Response的企业级快速开发框架 1389

Kriging(克里金)算法 pyhton 基于pykriging包实现

Kriging算法 一种空间插值算法,可以根据数据拟合一个曲面,可以用于预测数值,帮助颜色插值等。 pykriging官网 数据 X_train = [] # position - 位置,里面的内容是[x, y] y_train = [] # value - 权重,对应上面每一个位置的权重 Kriging模型训练 kriging_model = kriging(X_train, y_train,...

Sqssq的博客 1万+

H3C-HCL模拟器-STP生成树协议实验

边缘接口的存在是为了提高网络的收敛速度和性能。由于边缘接口连接的是终端设备,这些设备通常不会产生环路,因此不需要参与生成树协议的计算和决策。边缘接口通常是指那些不会连接到其他交换机或生成树的冗余路径的接口。H3C交换机千兆口的cost默认是20,把SW2的g1/0/2接口的cost改为100;SW4是根网桥,根据STP计算,闭塞端口应该在SW1上;方法:使得SW2到SW1的cost比SW4到SW1更大;7)修改配置:把SW1连接PC的所有接口配置为边缘接口。协议的计算开销,提高网络的收敛速度。

网络工程 3000

Kriging-MOPSO-Topsis克里金模型结合多目标粒子群结合熵权法Topsis求最优因变量及最佳自变量组合

Kriging-MOPSO-Topsis克里金模型结合多目标粒子群结合熵权法Topsis求最优因变量及最佳自变量组合

前程算法屋的博客 1191

Ubuntu20.04下Intel AX201网卡驱动安装全攻略:从内核升级到固件更新

本文详细介绍了在Ubuntu 20.04系统上解决Intel AX201无线网卡驱动问题的完整方案。针对戴尔游匣G15等新硬件,通过升级内核至HWE版本、从官方仓库获取最新固件文件,并调整BIOS设置,彻底解决Wi-Fi无法识别或连接不稳定的问题,为开发者提供了一套从诊断到修复的实践指南。

gpt4scribbler的博客 693

【原创,解决CLodop安装后无法调用的问题】已经安装过CLodop,但是网页上仍然提示“clodop云打印服务(localhost本地)未安装启动,点击这里执行安装....”

在某些国内web网站中,需要安装一个名为“CLodop”的插件;但在实际使用过程中,即使安装了CLodop插件,网页试图调用它时还是会提示“clodop云打印服务(localhost本地)未安装启动,点击这里执行安装...”,且无法完成相关打印任务 本文属原创博客,分析了解决CLodop无法被调用的问题,并附上了原理和解决方法,本质上是和跨域请求以及CORS类安全组策略相关

link_in_csdn的博客 2万+

Python案例 | XGBoost预测钢筋混凝土梁长期挠度

XGBoost(eXtreme Gradient Boosting)[1]是经过优化的分布式梯度提升库,旨在高效、灵活且可移植,是Boosting算法的其中一种,其思想是将许多弱分类器集成在一起,形成一个强分类器。它可以很好地解决工业界大规模数据的问题。XGBoost可用于分类和回归问题,具体原理的解释可下载原文或在微信公众号、CSDN和B站等网站检索学习。笔者认为,对于机器学习/深度学习算法理论的学习应配合具体案例代码。

ikhui7的博客 708

在F1C100s上跑GBA游戏:手把手教你用Buildroot配置SDL和移植gpsp模拟器

本文详细介绍了在全志F1C100s开发板上配置Buildroot、移植SDL库和gpsp模拟器的完整流程,帮助开发者实现在ARM9平台上流畅运行GBA游戏。内容涵盖环境配置、交叉编译、常见问题解决及性能优化技巧,特别针对'段错误'和'无声音'等典型问题提供实用解决方案。

weixin_42566424的博客 401

KADAL | Kriging代理模型Python工具箱推荐

用于分析、设计优化和探索的克里金法 (Kriging for Analysis, Design optimization, And expLoration, KADAL) 是由万隆理工学院 (Institut Teknologi Bandung, ITB) 的流动诊断研究小组(Flow Diagnostics Research Group)[1]开发的 Python 程序,其中包含贝叶斯优化工具集合,包括各种代理模型方法、采样技术和优化方法。目前,该程序正在开发中,尚未在 Pypi 上提供。Kriging。

ikhui7的博客 1278

基于Verilog的8位CPU设计及UART扩展实现方案,包含完整的架构设计、核心代码实现和仿真验证方法

基于Verilog的8位CPU设计及UART扩展实现方案,包含完整的架构设计、核心代码实现和仿真验证方法

a_zxswer的博客 194

RK3576 Buildroot 双机 ADB 异常排障实录:同版 `boot.img`,一台可识别一台不可识别

进程在跑”不等于“USB 枚举成功”,adbd存活只是必要不充分条件。生产环境中的全局别名可能反向污染系统脚本。shell 命令替换中的字符串问题,必须做字节级验证(od -tx1相比“改环境规避”,核心脚本对输入做鲁棒处理更可长期维护。

小灰灰的博客 218
上一篇: MATLAB R2023b配置Fortran编译器
下一篇: SMT | 代理模型Python工具包推荐
半撅儿
博客等级 码龄8年 1316粉丝 54原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址