CN104034865A - 一种混凝土强度的预测方法 - Google Patents
一种混凝土强度的预测方法 Download PDFInfo
- Publication number
- CN104034865A CN104034865A CN201410254050.2A CN201410254050A CN104034865A CN 104034865 A CN104034865 A CN 104034865A CN 201410254050 A CN201410254050 A CN 201410254050A CN 104034865 A CN104034865 A CN 104034865A
- Authority
- CN
- China
- Prior art keywords
- concrete
- strength
- data
- concrete strength
- strength prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明一种混凝土强度的预测方法,先在现场按照标准混凝土强度检测方法对不同混凝土配比进行强度试验,获得一组混凝土配比成分X及对应的混凝土强度Y的样本数据,然后以混凝土配比成分X为输入数据,对应的混凝土强度Y为输出数据,利用非线性支持向量机回归法、优化极限学习机法、神经网络法、Kriging模型法等现有的建模方法对上述数据进行训练,建立X→Y的映射关系,获得混凝土强度预测模型f(X),对于任意给定的新的不同混凝土配比成分X输入,代入上述混凝土强度预测模型f(X)中,即可得到对应的混凝土强度预测值Y输出=f(x输入),解决了混凝土强度检测需要繁琐耗时耗材耗力人工试验检测的问题,在混凝土配比设计阶段,即可给设计人员提供混凝土强度预测参考,大大降低成本。
Description
技术领域
本发明涉及一种混凝土强度的预测方法。
背景技术
混凝土的强度是混凝土质量控制的核心内容,是结构设计、施工的重要依据。通常,混凝土主要由水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料等,按照一定的配比,均匀搅拌,密实成型,最后经过一定龄期的养护硬化而成。由于混凝土上述影响因素太多,且因素之间关系复杂,难以用数值方法对其物理化学过程进行定性定量模拟,并进一步确定其理学参数、本构关系。因此,尚无法从理论上对混凝土的强度进行预测。目前,混凝土强度的检测一般通过实验获得,即按照标准的制作方法制成边长为150mm的正立方体试件,在标准养护条件(温度20±3℃,相对湿度90%以上)下,养护至少28天龄期,并按照标准测定方法测定其抗压强度值。
从上述可以看出,通过具体的实验来测定混凝土强度,不仅耗费了大量砂、石、粉煤灰和水泥等材料,另一方面也浪费了大量的人力和时间。
因此,有必要提出混凝土强度预测方法,这对于混凝土快速配合比设计和质量控制具有重要意义。
发明内容
本发明的目的在提供一种混凝土强度的预测方法,可以实现混凝土在生产过程中,快速预测混凝土的强度,用于判断该混凝土是否达到工程设计要求。
本发明一种混凝土强度的预测方法,先在现场按照标准混凝土强度检测方法对不同混凝土配比成分进行强度试验,获得一组混凝土配比成分X及对应的混凝土强度Y的实验样本数据,然后以混凝土配比成分X为输入数据,对应的混凝土强度Y为输出数据,利用非线性支持向量机回归法、优化极限学习机法、神经网络法、Kriging模型法等现有建模方法对上述数据进行训练,建立X→Y的映射关系,从而获得混凝土强度预测模型f(X),对于任意给定的新的不同混凝土配比成分X输入,代入上述混凝土强度预测模型f(X)中,得到对应的混凝土强度预测值Y输出=f(x输入)。
与现有通过标准混凝土强度检测方法检测新混凝土配比对应的混凝土强度方法相比,本发明在现有混凝土试验数据的基础上,利用现有的建模方法,可快速获得新混凝土配比成分对应的混凝土强度数据,从而解决了混凝土强度检测需要繁琐耗时耗材耗力人工试验检测的问题,在混凝土配比设计阶段,即可给设计人员提供混凝土强度预测参考,大大降低成本。
附图说明
图1为本发明实施例中混凝土不同配比下对应的强度试验数据。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明一种混凝土强度的预测方法,包括如下步骤:
(1)由于构成混凝土的原材料一水泥、矿物掺合料、砂、石等都具有很强的地域性,不同的地区,构成混凝土的原材料在组成、性质上都存在着不同程度的差异。水泥、矿物掺合料、化学外加剂的相容性也不尽相同。因此,首先按照不同的混凝土组成材料进行配比设计,然后现场按照标准混凝土强度检测方法对不同混凝土配比进行强度试验,获得如图1所示的13组混凝土试验数据。该图1的数据针对的是某一地域的混凝土配比试验数据。这里只提供13组数据,一方面是篇幅限制,另一方面达到帮助读者理解本发明的原理即可。因此,在实际应用中,试验组数远多于13组,因为组数越多,预测越准确。另外,实际上不同的地区,构成混凝土的原材料在组成、性质上都存在着不同程度的差异。因此,该实施例的混凝土配比试验数据不具有普适性。在实际应用中,必须根据当地混凝土原材料进行配比试验,从而获得上述混凝土配比试验数据。若已经具有上述试验数据,则该步骤(1)可以省略。
(2)令X表示不同配比成分的数据,其中X为维数是数据组数×(成分种类数+1)的矩阵,本实施例中试验数据13组,混凝土原材料成分7种,即为13×8的矩阵,也就是图1中虚线框表示的数据,Y表示混凝土的强度数据,数据组数×1的矩阵,本实施例中为13×1的矩阵,也就是实线框表示的数据。以X为输入数据,Y为输出数据,利用非线性支持向量机回归法、优化极限学习机法、神经网络法、Kriging模型法或者其他建模方法对上述数据进行训练,即可建立X→Y的映射关系,从而获得混凝土强度预测模型,这里假设混凝土强度预测模型为f,则有混凝土强度值Y=f(X);
这里以基于非线性支持向量机回归法为例,给出建立混凝土配比X与混凝土的强度Y的映射关系的具体实现步骤:
假设混凝土实验配比及混凝土强度数据如下:{xi,yi|i=1,,,N},其中xi=[xi1,xi2,…,xin]∈Rn,yi∈R1,N为实验样本数;
式(1)中,X为实验样本中混凝土各个成分的配比数据,Y为混凝土强度数据,N为实验样本数,本实例中N=13;n为变量X的维数,这里考虑混凝土成分的总数为8(如图1所示),取n=8。
非线性支持向量机回归法的函数表达式如下:
其中xj(j=1,...,N)为实验样本数据,K(x·xj)为非线性核函数,常用核函数有1)多项式核函数:K(x·xj)=(<x·xj>+1)q;2)径向基函数:K(x·xj)=exp(-||x-xj||/σ2);3)Sigmoid核函数:K(x·xj)=tanh(v<x·xj>+c)。
为了确定最佳的参数使得支持向量机回归函数f(x)在每个实验样本点xj(j=1,...,N)上逼近其真实响应值yj,即:f(xj)→yj(j=1,...,N),只需求解如下非线性优化问题:
利用常规成熟优化算法,如BFGS,遗传算法,粒子群算法,即可求解上述参数的最佳值,并代入式(2),从而获得显式的支持向量机回归函数f(x),最终建立X→Y的映射关系。
(3)利用该混凝土强度预测模型f(X),指导混凝土强度的调配,即对于任意给定的新的不同成分配比X输入,代入上述混凝土强度预测模型中,得到对应的新混凝土强度预测值,即Y输出=f(x输入)。
本发明的重点在于:先在现场按照标准混凝土强度检测方法对不同混凝土配比进行强度试验,获得一组混凝土配比成分X及对应的混凝土强度Y的实验样本数据,然后以混凝土配比成分X为输入数据,对应的混凝土强度Y为输出数据,利用非线性支持向量机回归法、优化极限学习机法、神经网络法、Kriging模型法等现有的建模方法对上述数据进行训练,建立X→Y的映射关系,从而获得混凝土强度预测模型f(X),今后,对于任意给定的新的不同混凝土配比成分X输入,代入上述混凝土强度预测模型f(X)中,不需要另行做混凝土强度检测,即可得到对应的混凝土强度预测值Y输出=f(x输入),从而解决了混凝土强度检测需要繁琐耗时耗材耗力人工试验检测的问题,同时,在混凝土配比设计阶段,即可给设计人员提供混凝土强度预测参考,大大降低成本。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (1)
1.一种混凝土强度的预测方法,其特征在于:先在现场按照标准混凝土强度检测方法对不同混凝土配比成分进行强度试验,获得一组混凝土配比成分X及对应的混凝土强度Y的实验样本数据,然后以混凝土配比成分X为输入数据,对应的混凝土强度Y为输出数据,利用非线性支持向量机回归法、优化极限学习机法、神经网络法、Kriging模型法的现有建模方法对上述数据进行训练,建立X→Y的映射关系,从而获得混凝土强度预测模型f(X),对于任意给定的新的不同混凝土配比成分X输入,代入上述混凝土强度预测模型f(X)中,得到对应的混凝土强度预测值Y输出=f(x输入)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410254050.2A CN104034865A (zh) | 2014-06-10 | 2014-06-10 | 一种混凝土强度的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410254050.2A CN104034865A (zh) | 2014-06-10 | 2014-06-10 | 一种混凝土强度的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104034865A true CN104034865A (zh) | 2014-09-10 |
Family
ID=51465713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410254050.2A Pending CN104034865A (zh) | 2014-06-10 | 2014-06-10 | 一种混凝土强度的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104034865A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104280534A (zh) * | 2014-10-11 | 2015-01-14 | 中国石油大学(华东) | 基于细观组构模拟的混凝土应力松弛性质预测方法 |
CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
CN105243193A (zh) * | 2015-09-16 | 2016-01-13 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
CN107133446A (zh) * | 2017-03-24 | 2017-09-05 | 广东工业大学 | 一种预测超早强混凝土抗压强度的方法 |
CN107620303A (zh) * | 2017-08-28 | 2018-01-23 | 深圳市勘察测绘院有限公司 | 一种提高淤泥区水泥搅拌桩强度的方法及掺砂装置 |
JP2018205181A (ja) * | 2017-06-06 | 2018-12-27 | 太平洋セメント株式会社 | データベースの構築方法 |
CN110110428A (zh) * | 2019-04-30 | 2019-08-09 | 哈尔滨工程大学 | 一种基于克里金模型优选与神经网络的压气机特性预测方法 |
CN110110774A (zh) * | 2019-04-28 | 2019-08-09 | 浙江工业大学 | 一种基于多模型融合的co2在离子液体中溶解度预测方法 |
CN110163430A (zh) * | 2019-05-10 | 2019-08-23 | 东南大学 | 基于AdaBoost算法的混凝土材料抗压强度预测方法 |
CN110263431A (zh) * | 2019-06-10 | 2019-09-20 | 中国科学院重庆绿色智能技术研究院 | 一种混凝土28d抗压强度预测方法 |
CN110442933A (zh) * | 2019-07-19 | 2019-11-12 | 东南大学 | 基于自适应增强回归的钢筋混凝土柱塑性铰长度计算方法 |
CN111024929A (zh) * | 2019-11-28 | 2020-04-17 | 同济大学 | 一种基于径向基神经网络的自密实混凝土强度预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5041987A (en) * | 1986-11-04 | 1991-08-20 | Shimizu Construction Co., Ltd. | Method for predicting and controlling the strength development of concrete and apparatus therefor |
JP2005221467A (ja) * | 2004-02-09 | 2005-08-18 | Taisei Corp | コンクリート強度の推定方法 |
-
2014
- 2014-06-10 CN CN201410254050.2A patent/CN104034865A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5041987A (en) * | 1986-11-04 | 1991-08-20 | Shimizu Construction Co., Ltd. | Method for predicting and controlling the strength development of concrete and apparatus therefor |
JP2005221467A (ja) * | 2004-02-09 | 2005-08-18 | Taisei Corp | コンクリート強度の推定方法 |
Non-Patent Citations (8)
Title |
---|
严东: "基于特征提取和极限学习机的软测量方法", 《控制工程》 * |
刘萍: "支持向量机在矿渣-粉煤灰混凝土强度预测中的应用", 《科学技术与工程》 * |
吴德会: "基于 LS- SVM的粉煤灰混凝土强度预测模型", 《新建筑材料》 * |
崔海霞: "高强混凝土强度预测的支持向量机模型及应用", 《混凝土》 * |
师旭超: "基于支持向量机的混凝土强度预测", 《人民长江》 * |
杨宏伟: "混凝土开裂的Kriging无网络模拟", 《中国优秀硕士学位论文全文数据库》 * |
王志: "支持向量机在混凝土强度预测中的应用研究", 《南华大学学报( 自然科学版)》 * |
赵鹏: "基于最小二乘支持向量机的高强混凝土强度预测", 《西部大开发旬刊》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104280534A (zh) * | 2014-10-11 | 2015-01-14 | 中国石油大学(华东) | 基于细观组构模拟的混凝土应力松弛性质预测方法 |
CN104280534B (zh) * | 2014-10-11 | 2016-03-30 | 中国石油大学(华东) | 基于细观组构模拟的混凝土应力松弛性质预测方法 |
CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
CN105243193A (zh) * | 2015-09-16 | 2016-01-13 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN105243193B (zh) * | 2015-09-16 | 2018-02-02 | 三峡大学 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
CN106650807B (zh) * | 2016-12-20 | 2019-10-11 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
CN107133446A (zh) * | 2017-03-24 | 2017-09-05 | 广东工业大学 | 一种预测超早强混凝土抗压强度的方法 |
JP2018205181A (ja) * | 2017-06-06 | 2018-12-27 | 太平洋セメント株式会社 | データベースの構築方法 |
CN107620303A (zh) * | 2017-08-28 | 2018-01-23 | 深圳市勘察测绘院有限公司 | 一种提高淤泥区水泥搅拌桩强度的方法及掺砂装置 |
CN110110774A (zh) * | 2019-04-28 | 2019-08-09 | 浙江工业大学 | 一种基于多模型融合的co2在离子液体中溶解度预测方法 |
CN110110428A (zh) * | 2019-04-30 | 2019-08-09 | 哈尔滨工程大学 | 一种基于克里金模型优选与神经网络的压气机特性预测方法 |
CN110163430A (zh) * | 2019-05-10 | 2019-08-23 | 东南大学 | 基于AdaBoost算法的混凝土材料抗压强度预测方法 |
CN110263431A (zh) * | 2019-06-10 | 2019-09-20 | 中国科学院重庆绿色智能技术研究院 | 一种混凝土28d抗压强度预测方法 |
CN110442933A (zh) * | 2019-07-19 | 2019-11-12 | 东南大学 | 基于自适应增强回归的钢筋混凝土柱塑性铰长度计算方法 |
CN111024929A (zh) * | 2019-11-28 | 2020-04-17 | 同济大学 | 一种基于径向基神经网络的自密实混凝土强度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104034865A (zh) | 一种混凝土强度的预测方法 | |
Jafari et al. | Lightweight concrete design using gene expression programing | |
Yaman et al. | Predicting the ingredients of self compacting concrete using artificial neural network | |
CN104991051B (zh) | 一种基于混合模型的混凝土强度预测方法 | |
CN110263431B (zh) | 一种混凝土28d抗压强度预测方法 | |
Jendele et al. | Multiscale hydro-thermo-mechanical model for early-age and mature concrete structures | |
Orejarena et al. | Artificial neural network based modeling of the coupled effect of sulphate and temperature on the strength of cemented paste backfill | |
Yao et al. | AI-based performance prediction for 3D-printed concrete considering anisotropy and steam curing condition | |
Jin et al. | Non-linear and mixed regression models in predicting sustainable concrete strength | |
CN107133446A (zh) | 一种预测超早强混凝土抗压强度的方法 | |
Wang et al. | Simulation of the compressive strength of cemented tailing backfill through the use of firefly algorithm and random forest model | |
Zhang et al. | Mixture optimisation for cement-soil mixtures with embedded GFRP tendons | |
Khan et al. | Buildability analysis on effect of structural design in 3D concrete printing (3DCP): An experimental and numerical study | |
Sahu et al. | Machine learning approach to study the mechanical properties of recycled aggregate concrete using copper slag at elevated temperature | |
Vishnupriyan et al. | Investigation of the effect of substituting conventional fine aggregate with PCB powder on concrete strength using artificial neural network | |
Nguyen et al. | From machine learning to semi-empirical formulas for estimating compressive strength of Ultra-High Performance Concrete | |
Liu et al. | Development of compressive strength prediction platform for concrete materials based on machine learning techniques | |
Akeke et al. | Experimental investigation and modelling of the mechanical properties of palm oil fuel ash concrete using Scheffe’s method | |
CN117172116A (zh) | 基于pso-bp组合模型的混凝土抗压强度预测方法 | |
Sathiparan et al. | Silica fume as a supplementary cementitious material in pervious concrete: prediction of compressive strength through a machine learning approach | |
Hosseini et al. | Predicting the compressive strength of sulfur concrete using soft computing techniques | |
Yücel et al. | Modeling of mechanical properties and bond relationship using data mining process | |
Al-Zwainy et al. | Prediction of residual strength of sustainable self-consolidating concrete exposed to elevated temperature using artificial intelligent technique | |
US20240005275A1 (en) | System and user interface for producing a recipe for curable compositions | |
Raju et al. | Estimation of concrete materials uniaxial compressive strength using soft computing techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140910 |
|
RJ01 | Rejection of invention patent application after publication |