CN110263431A - 一种混凝土28d抗压强度预测方法 - Google Patents

Abstract

本发明为一种混凝土28d抗压强度预测方法，属于大数据人工智能领域。该方法包含以下步骤：S1：对混凝土原材料相关生产数据进行预处理；S2：通过特征工程对混凝土原材料和生产条件选择，融合特征，并对数据做归一化处理；S3：建立预测抗压强度模型并进行参数的训练；S4：利用预测抗压强度模型，对混凝土28d抗压强度进行预测并进行误差分析。本发明提供了一种混凝土28d抗压强度预测方法，通过特征工程提取混凝土原材料相关生产数据的特征，利用自举汇聚方法思想生成多个随机森林，然后再通过自适应提升方法进行集成，既能兼顾自举汇聚方法的抗噪性，又能保持自适应提升方法的学习性能，能够准确、快速的预测混凝土28d抗压强度。

Description

一种混凝土28d抗压强度预测方法

技术领域

本发明涉及一种混凝土28d抗压强度预测方法，属于大数据人工智能领域，尤其适用于建筑行业混凝土抗压强度预测。

背景技术

混凝土作为现代建筑建材的重要材料是以水泥为主要凝胶材料，与骨料、水，必要时可掺入化学外加剂(减水剂、膨胀剂等)和矿物掺合料(粉煤灰、矿渣粉等)，按适当的比例配合，经过均匀浇灌搅拌、密实及养护硬化形成的人造石材。混凝土的硬化是随时间的增加而增强，达到一定时间后抗压强度趋于稳定，因而行业内通常采用混凝土第28天的抗压强度来评判混凝土的质量。混凝土的抗压强度主要受用料配比所影响，混凝土的生产车间、搅拌、运输、浇注等其他因素也有一定的影响。

混凝土混合物必须符合国家标准，抗压强度试验通常在浇注混凝土后的28天进行。进行这类测试所需的28天等待期可能会延迟施工进度，但忽视测试将可能带来严重的质量问题，造成严重的坍塌事故。因此，混凝土28d抗压强度的快速精准预测是设计或质量控制的关键。

多年来，许多的学者都进行了深入的研究，他们当中的一些通过建立数学模型或者推导抗压强度方程式来进行混凝土抗压强度预测，但是这些模型及方程式是建立在特殊的条件下，对于拟合组分与混凝土性能之间的非线性关系的能力是有限的，并不能够精确地预测混凝土28d抗压强度。随着人工神经网络的应用，对混凝土抗压强度28d预测逐渐开始发展，大多数以往的研究都是在小数据集上使用单个机器学习模型进行少量修改，模型的输入特征也是凭经验来决定的。单个模型进行抗压强度预测也有其自身的局限性，虽然集成方法已被证明可以稳定的提升单个模型的预测精度，集成方法用于预测混凝土的28d抗压强度方面的研究也比较少。名称为“一种混凝土强度的预测方法”(CN201410254050)的发明专利，虽然采用了集成方法用于预测混凝土的28d抗压强度，但其数据结构单一，且集成方法为对预测结果简单的加权方式，因而预测精度不高，远低于90％。

发明内容

有鉴于此，本发明提供一种混凝土28d抗压强度预测方法，通过特征工程提取混凝土原材料相关生产数据的特征，融合两种集成学习方法，能够准确、快速的预测混凝土28d抗压强度。

为达到上述目的，本发明提供如下技术方案：

一种混凝土28d抗压强度预测方法，包括如下步骤：

S1：对混凝土原材料相关生产数据进行预处理；

S2：通过特征工程对混凝土原材料和生产条件选择，融合特征，并对数据做归一化处理；

S3：建立预测抗压强度模型并进行参数的训练；

S4：利用预测抗压强度模型，对混凝土28d抗压强度进行预测并进行误差分析。

进一步，步骤S1中所述混凝土原材料相关生产数据包含两类，共计24个属性，第一类为混凝土的生产配比数据，一共13个属性，包括：水泥用量、石灰石粉用量、矿渣粉用量、粉煤灰用量、膨胀剂用量、减水剂用量、细砂用量、中砂用量、粗砂用量、小石用量、大石用量、回收水用量、水用量；第二类为混凝土的生产条件和性能检测数据，一共11个属性，其中，生产条件数据包括：生产车间、主供车间、生产线、生产时间、浇注方式、混凝土品种，性能检测数据包括：坍落度、扩展度、表观密度、3d抗压强度、28d抗压强度。

进一步，步骤S1具体包含以下步骤：(1)对混凝土原材料相关生产数据中28d抗压强度属性数据缺失的和数据重复的生产数据进行删除；(2)通过统计方法来对删除后的数据属性值做离群点分析处理，对于每一个生产数据样本，如果其第一类数据当中有超过3个属性值均为离群值，那么就删除该条生产数据样本；(3)对于第一类属性缺失的，用0作为缺失值；(4)对于生产数据中第二类属性中生产条件的类型变量属性进行哑变量编码。

进一步，步骤S2具体为：通过皮尔逊相关系数分析与28d抗压强度属性具有强相关性的属性直接提取为特征，并对其他属性按皮尔逊相关系数和行业经验进行组合生成新的特征。

进一步，步骤S3中的预测抗压强度模型为所述的步骤S3中的预测抗压强度模型为利用自举汇聚方法将n个分类与回归树生成m个随机森林作为弱预测器，然后再通过自适应提升方法把这些弱预测器集合起来，构成一个强预测器。其中，n和m为模型训练参数。

本发明的有益效果在于：本发明提供了一种混凝土28d抗压强度预测方法，通过特征工程提取混凝土原材料相关生产数据的特征，利用Bagging思想生成多个随机森林，然后再通过Adaboost方法进行集成，既能兼顾Bagging方法的抗噪性，又能保持Adaboost方法的学习性能，能够准确、快速的预测混凝土28d抗压强度。

附图说明

为了使本发明的目的、技术方案，本发明提供如下附图进行说明：

图1为一种混凝土28d抗压强度预测方法流程图；

图2为本发明实施例流程图；

图3为本发明实施例预测抗压强度模型。

具体实施方式

为使本发明的目的和技术方案更加清晰明白，下面结合附图及实施例对本发明进行详细的描述。

实施例：针对某建工集团提供的2018年1月到2018年6月的10050条混凝土生产数据，为准确预测其在今后生产混凝土28d抗压强度，本实施例提供一种混凝土28d抗压强度预测方法，结合图2，该方法包含以下步骤：

步骤一：

对混凝土原材料相关生产数据24个属性进行提取，并分为两类，第一类为混凝土的生产配比数据，一共13个属性，包括：水泥用量、石灰石粉用量、矿渣粉用量、粉煤灰用量、膨胀剂用量、减水剂用量、细砂用量、中砂用量、粗砂用量、小石用量、大石用量、回收水用量、水用量；第二类为混凝土的生产条件和性能检测数据，一共11个属性，其中，生产条件数据包括：生产车间、主供车间、生产线、生产时间、浇注方式、混凝土品种，性能检测数据包括：坍落度、扩展度、表观密度、3d抗压强度、28d抗压强度。

对混凝土原材料相关生产数据中28d抗压强度属性数据缺失的和数据重复的生产数据进行删除。通过统计方法来对删除后的数据属性值做离群点分析处理，对于每一个生产数据样本，如果其第一类数据当中有超过3个属性值均为离群值，那么就删除该条生产数据样本。对于第一类属性缺失的，用0作为缺失值。对于生产数据中第二类属性中生产条件的类型变量属性进行哑变量编码。预处理后还有8013条混凝土生产数据，分为训练集和测试集两组，分别为6010条和2003条混凝土生产数据。

步骤二：

通过皮尔逊相关系数分析与28d抗压强度属性具有强相关性的属性3d抗压强度、水泥用量、减水剂用量等直接提取作为特征，并对其他属性按皮尔逊相关系数和行业经验把细砂用量、中砂用量和粗砂用量组合为细集料用量，把小石用量和大石用量组合为粗集料用量，把水用量和回收水用量组合为水用量，把生产车间、主供车间、生产线组合为生产单位，其余属性不组合，最后将所有属性数据归一。

步骤三：

结合图3，利用自举汇聚方法(Bagging)将n个分类与回归树(CART)生成m个随机森林作为弱预测器，然后再通过自适应提升方法(Adaboost)把这些弱预测器集合起来，构成一个强预测器，建立一个预测抗压强度模型。其中，Adaboost通过加权系数{D1，D2，...，Dn}改变了训练数据的权值将关注点放在预测误差大的样本上，减小上一轮预测小的样本权值，提高那些预测误差大的样本权值。然后，通过随机森林作为弱预测器进行学习，取m个弱预测器的预测结果平均值作最终的预测结果。最后，通过多次实验，得到模型参数超参数n为100，m为150，加权系数{D1，D2，...，Dn}等。

步骤四：

利用步骤三生成的预测抗压强度模型，对测试集数据进行28d抗压强度预测。对比现有四种混凝土抗压强度预测的机器学习建模方法：CART、随机森林(RANDOMFORST)、支持向量机(SVR)、人工神经网络(ANN)，对它们的线性相关系数R、决定系数R²、均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE进行分析，得到表1所示结果。

表1混凝土28d抗压强度预测结果对比

由表1可见，本发明方法的线性相关系数R、决定系数R²等性能指标较大，均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE等性能指标较小，都优于其他四种的混凝土抗压强度预测的机器学习建模方法。需特别说明的是，通过大量实验验证，本发明的平均预测精度在92％以上。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种混凝土28d抗压强度预测方法，其特征在于，该方法包含以下步骤：

S1：对混凝土原材料相关生产数据进行预处理；

S2：通过特征工程对混凝土原材料和生产条件选择，融合特征，并对数据做归一化处理；

S3：建立预测抗压强度模型并进行参数的训练；

S4：利用预测抗压强度模型，对混凝土28d抗压强度进行预测并进行误差分析。

2.根据权利要求1所述的一种混凝土28d抗压强度预测方法，其特征在于，所述的步骤S1中所述混凝土原材料相关生产数据包含两类，共计24个属性，第一类为混凝土的生产配比数据，一共13个属性，包括：水泥用量、石灰石粉用量、矿渣粉用量、粉煤灰用量、膨胀剂用量、减水剂用量、细砂用量、中砂用量、粗砂用量、小石用量、大石用量、回收水用量、水用量；第二类为混凝土的生产条件和性能检测数据，一共11个属性，其中，生产条件数据包括：生产车间、主供车间、生产线、生产时间、浇注方式、混凝土品种，性能检测数据包括：坍落度、扩展度、表观密度、3d抗压强度、28d抗压强度。

3.根据权利要求1所述的一种混凝土28d抗压强度预测方法，其特征在于，所述的步骤S1具体包含以下步骤：(1)对混凝土原材料相关生产数据中28d抗压强度属性数据缺失的和数据重复的生产数据进行删除；(2)通过统计方法来对删除后的数据属性值做离群点分析处理，对于每一个生产数据样本，如果其第一类数据当中有超过3个属性值均为离群值，那么就删除该条生产数据样本；(3)对于第一类属性缺失的，用0作为缺失值；(4)对于生产数据中第二类属性中生产条件的类型变量属性进行哑变量编码。

4.根据权利要求1所述的一种混凝土28d抗压强度预测方法，其特征在于，所述的步骤S2具体为：通过皮尔逊相关系数分析与28d抗压强度属性具有强相关性的属性直接提取为特征，并对其他属性按皮尔逊相关系数和行业经验进行组合生成新的特征。

5.根据权利要求1所述的一种混凝土28d抗压强度预测方法，其特征在于，所述的步骤S3中的预测抗压强度模型为利用自举汇聚方法将n个分类与回归树生成m个随机森林作为弱预测器，然后再通过自适应提升方法把这些弱预测器集合起来，构成一个强预测器。其中，n和m为模型训练参数。