CN110263431B - 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
- CN110263431B CN110263431B CN201910530182.6A CN201910530182A CN110263431B CN 110263431 B CN110263431 B CN 110263431B CN 201910530182 A CN201910530182 A CN 201910530182A CN 110263431 B CN110263431 B CN 110263431B
- Authority
- CN
- China
- Prior art keywords
- compressive strength
- concrete
- data
- dosage
- production
- 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.)
- Active
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 239000002994 raw material Substances 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 239000004576 sand Substances 0.000 claims description 12
- 239000004575 stone Substances 0.000 claims description 8
- 239000000843 powder Substances 0.000 claims description 7
- 239000004568 cement Substances 0.000 claims description 5
- 239000003638 chemical reducing agent Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 239000010881 fly ash Substances 0.000 claims description 4
- 239000002893 slag Substances 0.000 claims description 4
- 235000019738 Limestone Nutrition 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 239000006028 limestone Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000007786 learning performance Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000012615 aggregate Substances 0.000 description 1
- 239000002969 artificial stone Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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 (1)
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；
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；
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；
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；
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 CN110263431A (zh) | 2019-09-20 |
| CN110263431B true 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) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 |
| CN111832101B (zh) * | 2020-06-18 | 2023-07-07 | 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 |
| CN112149342B (zh) * | 2020-08-21 | 2022-07-12 | 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 |
Family Cites Families (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 |
| US10055411B2 (en) * | 2015-10-30 | 2018-08-21 | International Business Machines Corporation | Music recommendation engine |
| EP3414428A2 (en) * | 2016-02-08 | 2018-12-19 | RS Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN109154944A (zh) * | 2016-04-29 | 2019-01-04 | 微软技术许可有限责任公司 | 集合预测器 |
| 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 |
| WO2018069260A1 (en) * | 2016-10-10 | 2018-04-19 | 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 |
| CN108256052B (zh) * | 2018-01-15 | 2023-07-11 | 成都达拓智通科技有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
| CN109472486B (zh) * | 2018-11-02 | 2020-09-08 | 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 |
| US11599752B2 (en) * | 2019-06-03 | 2023-03-07 | Cerebri AI Inc. | Distributed and redundant machine learning quality management |
| 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 |
| CN113487558B (zh) * | 2021-07-01 | 2023-12-22 | 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
Non-Patent Citations (4)
| Title |
|---|
| Determining tensile strength of concrete based on experimental loads in fracture test;Qing Longbang et al.;《Engineering Fracture Mechanics》;第202卷;第87-102页 * |
| 基于Adaboost的随机森林算法在医疗销售预测中的应用;常晓花等;《计算机系统应用》(第02期);第204-208页 * |
| 基于BP、RBF神经网络混凝土抗压强度预测;李红等;《武汉理工大学学报》;第31卷(第08期);第33-36页 * |
| 基于级联过滤的多模型融合的推荐方法;黄斌等;《小型微型计算机系统》;第37卷(第01期);第33-37页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110263431A (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263431B (zh) | 一种混凝土28d抗压强度预测方法 | |
| Behnood et al. | Prediction of the compressive strength of normal and high-performance concretes using M5P model tree algorithm | |
| Rajakarunakaran et al. | Prediction of strength and analysis in self-compacting concrete using machine learning based regression techniques | |
| Awolusi et al. | Comparison of response surface methodology and hybrid-training approach of artificial neural network in modelling the properties of concrete containing steel fibre extracted from waste tyres | |
| CN109359737B (zh) | 再生骨料透水混凝土bp神经网络预测分析方法 | |
| CN104034865A (zh) | 一种混凝土强度的预测方法 | |
| Amin et al. | Prediction of sustainable concrete utilizing rice husk ash (RHA) as supplementary cementitious material (SCM): Optimization and hyper-tuning | |
| Pengcheng et al. | Prediction of compressive strength of High-Performance Concrete by Random Forest algorithm | |
| CN110435009B (zh) | 一种混凝土生产配合比的智能设计方法 | |
| Chiew et al. | A fuzzy adaptive resonance theory‐based model for mix proportion estimation of high‐performance concrete | |
| Liu et al. | Development of compressive strength prediction platform for concrete materials based on machine learning techniques | |
| CN111024929A (zh) | 一种基于径向基神经网络的自密实混凝土强度预测方法 | |
| Iro et al. | Optimization of cassava peel ash concrete using central composite design method | |
| Kumar et al. | A novel XGBoost and RF-based metaheuristic models for concrete compression strength | |
| CN109711031A (zh) | 一种快速确定自密实混凝土配合比的神经网络方法 | |
| CN117195163A (zh) | 基于混凝土配方的坍落度预测方法、装置及可读介质 | |
| CN117172116A (zh) | 基于pso-bp组合模型的混凝土抗压强度预测方法 | |
| Hodhod et al. | ANN models for nano silica/silica fume concrete strength prediction | |
| Saha et al. | Prediction of fresh and hardened properties of self-compacting concrete using ensemble soft learning techniques | |
| CN116597919A (zh) | 一种基于人工智能的3d打印水泥基材料设计方法 | |
| Hatem et al. | Design of concrete mixes by systematic steps and ANN | |
| Clemente et al. | Back propagation artificial Neural Network modeling of flexural and compressive strength of concrete reinforced with polypropylene fibers | |
| Santosa et al. | Evolutionary artificial neural networks for concrete mix design modelling | |
| Sinha et al. | Application of adaptive neuro-fuzzy inference system for the prediction of early age strength of high performance concrete | |
| Mahamat et al. | Machine learning techniques versus classical statistics in strength predictions of eco-friendly masonry units |
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 |