CN110263431A - 一种混凝土28d抗压强度预测方法 - Google Patents
一种混凝土28d抗压强度预测方法 Download PDFInfo
- Publication number
- CN110263431A CN110263431A CN201910530182.6A CN201910530182A CN110263431A CN 110263431 A CN110263431 A CN 110263431A CN 201910530182 A CN201910530182 A CN 201910530182A CN 110263431 A CN110263431 A CN 110263431A
- Authority
- CN
- China
- Prior art keywords
- concrete
- prediction
- data
- compression strength
- dosage
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530182.6A CN110263431B (zh) | 2019-06-10 | 2019-06-10 | 一种混凝土28d抗压强度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530182.6A CN110263431B (zh) | 2019-06-10 | 2019-06-10 | 一种混凝土28d抗压强度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263431A true CN110263431A (zh) | 2019-09-20 |
CN110263431B CN110263431B (zh) | 2023-04-07 |
Family
ID=67919340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910530182.6A Active CN110263431B (zh) | 2019-06-10 | 2019-06-10 | 一种混凝土28d抗压强度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263431B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110877400A (zh) * | 2019-11-06 | 2020-03-13 | 长安大学 | 一种水泥混凝土构件喷淋养生系统的控制方法及控制系统 |
CN111709185A (zh) * | 2020-06-16 | 2020-09-25 | 金陵科技学院 | 一种基于随机森林的建筑混凝土强度预测方法 |
CN111833970A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥熟料质量表征参数预测模型构建方法及其应用 |
CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
CN112149342A (zh) * | 2020-08-21 | 2020-12-29 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
CN113012773A (zh) * | 2021-03-11 | 2021-06-22 | 华南理工大学 | 一种内部影响因素下基于宽度学习的水泥强度估测方法 |
CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
CN113591362A (zh) * | 2021-04-26 | 2021-11-02 | 湖南师范大学 | 一种基于大数据智能控制算法的熟料比例优化调节方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034865A (zh) * | 2014-06-10 | 2014-09-10 | 华侨大学 | 一种混凝土强度的预测方法 |
JP2015184853A (ja) * | 2014-03-24 | 2015-10-22 | Kddi株式会社 | 欠損データ補完装置、欠損データ補完方法、およびプログラム |
CN106431487A (zh) * | 2016-09-29 | 2017-02-22 | 中国科学院重庆绿色智能技术研究院 | 一种泡沫混凝土 |
US20170124074A1 (en) * | 2015-10-30 | 2017-05-04 | International Business Machines Corporation | Music recommendation engine |
US20180101529A1 (en) * | 2016-10-10 | 2018-04-12 | Proekspert AS | Data science versioning and intelligence systems and methods |
CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
CN108664673A (zh) * | 2017-03-30 | 2018-10-16 | 中国铁道科学研究院 | 一种轮轨力载荷辨识特征数据模型建立方法及装置 |
CN109472486A (zh) * | 2018-11-02 | 2019-03-15 | 厦门港湾咨询监理有限公司 | 试验检测混凝土试块数据集成评价系统 |
US20190114509A1 (en) * | 2016-04-29 | 2019-04-18 | Microsoft Corporation | Ensemble predictor |
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 |
CN110414580A (zh) * | 2019-07-19 | 2019-11-05 | 东南大学 | 基于随机森林算法的钢筋混凝土深梁承载力评估方法 |
US20200380183A1 (en) * | 2019-06-03 | 2020-12-03 | Cerebri AI Inc. | Decoupled scalable data engineering architecture |
CN113487558A (zh) * | 2021-07-01 | 2021-10-08 | 江苏省纺织产品质量监督检验研究院 | 一种基于图像识别技术的涂料印染面料检测方法 |
-
2019
- 2019-06-10 CN CN201910530182.6A patent/CN110263431B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015184853A (ja) * | 2014-03-24 | 2015-10-22 | Kddi株式会社 | 欠損データ補完装置、欠損データ補完方法、およびプログラム |
CN104034865A (zh) * | 2014-06-10 | 2014-09-10 | 华侨大学 | 一种混凝土强度的预测方法 |
US20170124074A1 (en) * | 2015-10-30 | 2017-05-04 | International Business Machines Corporation | Music recommendation engine |
US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
US20190114509A1 (en) * | 2016-04-29 | 2019-04-18 | Microsoft Corporation | Ensemble predictor |
CN106431487A (zh) * | 2016-09-29 | 2017-02-22 | 中国科学院重庆绿色智能技术研究院 | 一种泡沫混凝土 |
US20180101529A1 (en) * | 2016-10-10 | 2018-04-12 | Proekspert AS | Data science versioning and intelligence systems and methods |
CN108664673A (zh) * | 2017-03-30 | 2018-10-16 | 中国铁道科学研究院 | 一种轮轨力载荷辨识特征数据模型建立方法及装置 |
CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
CN109472486A (zh) * | 2018-11-02 | 2019-03-15 | 厦门港湾咨询监理有限公司 | 试验检测混凝土试块数据集成评价系统 |
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 |
US20200380183A1 (en) * | 2019-06-03 | 2020-12-03 | Cerebri AI Inc. | Decoupled scalable data engineering architecture |
CN110414580A (zh) * | 2019-07-19 | 2019-11-05 | 东南大学 | 基于随机森林算法的钢筋混凝土深梁承载力评估方法 |
CN113487558A (zh) * | 2021-07-01 | 2021-10-08 | 江苏省纺织产品质量监督检验研究院 | 一种基于图像识别技术的涂料印染面料检测方法 |
Non-Patent Citations (23)
Title |
---|
HANSENBANNERMAN-THOMPSON ET AL.: "Chapter 5 - Bagging, Boosting, and Random Forests Using R", 《HANDBOOK OF STATISTICS》 * |
M. SHANG ET AL.: "Randomized latent factor model for high-dimensional and sparse matrices from industrial applications", 《IEEE/CAA JOURNAL OF AUTOMATICA SINICA》 * |
QING LONGBANG ET AL.: "Determining tensile strength of concrete based on experimental loads in fracture test", 《ENGINEERING FRACTURE MECHANICS》 * |
YUANXIN LV ET AL.: "Random Forest-Based Ensemble Estimator for Concrete Compressive Strength Prediction via AdaBoost Method", 《 ADVANCES IN NATURAL COMPUTATION, FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 * |
刘海等: "一般大气环境下既有混凝土结构的耐久性评定与剩余寿命预测", 《建筑结构学报》 * |
吕元鑫: "基于深度学习的混凝土智能配合比设计与应用研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
姜绍飞等: "基于粗集与数据融合的结构损伤识别方法", 《工程力学》 * |
师旭超等: "基于支持向量机的混凝土强度预测", 《人民长江》 * |
常晓花等: "基于Adaboost的随机森林算法在医疗销售预测中的应用", 《计算机系统应用》 * |
廖瑞金等: "输变电设备状态评估方法的研究现状", 《高电压技术》 * |
李剑波 等: "《大数据挖掘技术与应用》", 31 December 2018, 延边大学出版社 * |
李红等: "基于BP、RBF神经网络混凝土抗压强度预测", 《武汉理工大学学报》 * |
林煌等: "SRC柱抗剪承载力影响参数的灰色关联分析", 《华侨大学学报(自然科学版)》 * |
王同丽 等: "ClimateAP:亚太地区历史和未来气候数据的动态局部降尺度应用程序", 《农业科学与工程前沿》 * |
王玲娣等: "一种基于聚类和AdaBoost的自适应集成算法", 《吉林大学学报(理学版)》 * |
田祥等: "基于人工神经网络预测再生混凝土力学性能的研究", 《安徽建筑》 * |
申贵成 等: "考虑最优时滞因子时空模型的高速公路短时交通流预测", 《科学技术与工程》 * |
许杰淋 等: "基于遗传算法优化的BP神经网络预测混凝土抗压强度", 《山东化工》 * |
陈一诺等: "基于随机森林算法的管道缺陷预测方法", 《油气储运》 * |
陈进: "《人机交互仿真的生产单元换线决策专家系统设计与应用》", 31 October 2018, 西南交通大学出版社 * |
马景义 等: "拟自适应分类随机森林算法", 《数理统计与管理》 * |
黄斌等: "基于级联过滤的多模型融合的推荐方法", 《小型微型计算机系统》 * |
龚珍等: "基于PSO-SVM的混凝土抗压强度预测模型", 《混凝土》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110877400A (zh) * | 2019-11-06 | 2020-03-13 | 长安大学 | 一种水泥混凝土构件喷淋养生系统的控制方法及控制系统 |
CN110877400B (zh) * | 2019-11-06 | 2021-04-13 | 长安大学 | 一种水泥混凝土构件喷淋养生系统的控制方法及控制系统 |
CN111709185A (zh) * | 2020-06-16 | 2020-09-25 | 金陵科技学院 | 一种基于随机森林的建筑混凝土强度预测方法 |
CN111709185B (zh) * | 2020-06-16 | 2023-05-05 | 金陵科技学院 | 一种基于随机森林的建筑混凝土强度预测方法 |
CN111833970A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥熟料质量表征参数预测模型构建方法及其应用 |
CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
CN111833970B (zh) * | 2020-06-18 | 2023-06-20 | 湖北博华自动化系统工程有限公司 | 一种水泥熟料质量表征参数预测模型构建方法及其应用 |
CN112149342A (zh) * | 2020-08-21 | 2020-12-29 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
CN113012773A (zh) * | 2021-03-11 | 2021-06-22 | 华南理工大学 | 一种内部影响因素下基于宽度学习的水泥强度估测方法 |
CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
CN113591362A (zh) * | 2021-04-26 | 2021-11-02 | 湖南师范大学 | 一种基于大数据智能控制算法的熟料比例优化调节方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110263431B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263431A (zh) | 一种混凝土28d抗压强度预测方法 | |
Bui et al. | A modified firefly algorithm-artificial neural network expert system for predicting compressive and tensile strength of high-performance concrete | |
Iqbal et al. | Sustainable utilization of foundry waste: Forecasting mechanical properties of foundry sand based concrete using multi-expression programming | |
Sun et al. | Development of ensemble learning models to evaluate the strength of coal-grout materials | |
Naderpour et al. | Compressive strength prediction of environmentally friendly concrete using artificial neural networks | |
Ni et al. | Prediction of compressive strength of concrete by neural networks | |
Siddique et al. | Prediction of compressive strength of self-compacting concrete containing bottom ash using artificial neural networks | |
Wang et al. | Machine learning approaches to rock fracture mechanics problems: Mode-I fracture toughness determination | |
Sun et al. | Development of an ensemble intelligent model for assessing the strength of cemented paste backfill | |
Li et al. | Estimation of bond strength between UHPC and reinforcing bars using machine learning approaches | |
Amin et al. | Prediction of sustainable concrete utilizing rice husk ash (RHA) as supplementary cementitious material (SCM): Optimization and hyper-tuning | |
Afshoon et al. | Combining Kriging meta models with U-function and K-Means clustering for prediction of fracture energy of concrete | |
Kao et al. | A Computer‐Aided Approach to Pozzolanic Concrete Mix Design | |
Gandomi et al. | Intelligent modeling and prediction of elastic modulus of concrete strength via gene expression programming | |
Le et al. | Predicting the compressive strength and the effective porosity of pervious concrete using machine learning methods | |
Zou et al. | Composition-strength relationship study of ultrahigh performance fiber reinforced concrete (UHPFRC) using an interpretable data-driven approach | |
Li et al. | Compressive strength prediction and optimization design of sustainable concrete based on squirrel search algorithm-extreme gradient boosting technique | |
Phoeuk et al. | Accuracy prediction of compressive strength of concrete incorporating recycled aggregate using ensemble learning algorithms: multinational dataset | |
Guzmán-Torres et al. | Data science and machine learning technique for predicting electrical resistivity in recycled concrete with nopal as addition | |
Dang et al. | Estimating cement compressive strength from microstructure images using broad learning system | |
Ji et al. | Optimum Design of Reactive Powder Concrete Mixture Proportion Based on Artificial Neural and Harmony Search Algorithm. | |
Tanhadoust et al. | Optimal design of sustainable recycled rubber-filled concrete using life cycle assessment and multi-objective optimization | |
Qin et al. | Microscopic Parameter extraction and corresponding strength prediction of cemented paste backfill at different curing times | |
Henigal et al. | Artificial neural network model for forecasting concrete compressive strength and slump in Egypt | |
Golizadeh et al. | Predicting Significant Characteristics of Concrete Containing Palm Oil Fuel Ash |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |