CN110414580A - 基于随机森林算法的钢筋混凝土深梁承载力评估方法 - Google Patents
基于随机森林算法的钢筋混凝土深梁承载力评估方法 Download PDFInfo
- Publication number
- CN110414580A CN110414580A CN201910654705.8A CN201910654705A CN110414580A CN 110414580 A CN110414580 A CN 110414580A CN 201910654705 A CN201910654705 A CN 201910654705A CN 110414580 A CN110414580 A CN 110414580A
- Authority
- CN
- China
- Prior art keywords
- training
- reinforced concrete
- random forests
- evaluation method
- forests algorithm
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随机森林算法的钢筋混凝土深梁承载力评估方法,首先搜集大量已有深受弯构件受剪承载力数据,并作为训练集,将各类深受弯试件的参数视为输入变量,构件的受剪承载力作为输出变量,整理组建数据库后将已获得的实验数据集进行重采样,生成多个训练子集,并由每个训练子集生成一棵随机树,将已生成的决策树组合起来组成一个随机森林,然后将训练集中的样本输入随机森林中,让每个决策树对进行决策,最终输出的结果是经过多数投票机制获得的预测结果。本发明可以直接根据输入的相关参数给出节点的抗剪强度,避免可传统实验方法的高耗时、高成本等问题,也避免了采用理论分析方法带来的假定多、机理不清晰、计算过程复杂等问题。
Description
技术领域
本发明涉及钢筋混凝土深梁承载力评估,具体涉及一种基于随机森林算法的钢筋混凝土深梁承载力评估方法。
背景技术
深受弯构件,即跨高比小于5的受弯构件,作为结构中的主要荷载传递构件已被广泛应用于高层结构、海上结构和复杂地下结构等。深受弯构件易发生剪切破坏,承载能力受剪切破坏模式和变形的影响。与一般受弯构件相比,基于平截面假定和桁架模型的传统截面设计方法已不再适用,且大尺寸深受弯构件受剪承载力受尺寸效应影响显著。而钢筋混凝土深受弯构件模型化的受剪分析是构件合理化设计的前提。节点抗剪强度一般有两种方式确定,一是直接通过试验,确认深受弯构件的受剪承载力与剪跨比、混凝土强度等因素间关系的方式。然而,这种方式过程繁琐、耗时久、资源消耗大,十分低效,不利于实际工程的应用;二种则是通过繁杂的理论推导,给出抗剪强度的计算公式。然而,这种方式包含假定较多,限制了其使用范围,同时可能涉及迭代求解,计算量大。
发明内容
发明目的:本发明的目的是提供一种基于随机森林算法的钢筋混凝土深梁承载力评估方法,解决现有测定构件抗剪强度的复杂,耗时及浪费的问题。
技术方案:本发明所述的基于随机森林算法的钢筋混凝土深梁承载力评估方法,其特征在于,包括以下步骤:
(1)搜集N组不同钢筋混凝土深受弯构件的受剪试验数据,获取每一组试验中试件的自身参数信息和测试得到的构件受剪承载力数值;
(2)将N组样本中每组数据的自身参数信息作为输入变量X,深受弯构件受剪承载力作为输出变量y,构建数据库;
(3)通过随机森林算法中的基学习器对数据库进行训练;
(4)根据训练完成的强学习器f(x),输入待求梁柱节点的参数信息,得到该深受弯构件的受剪承载力预测值。
其中,所述步骤(1)中自身参数信息包括混凝土强度、腹筋配箍率ρv、腹筋配箍率ρh、配筋率、跨高比和剪跨比。
所述步骤(2)中构建的数据库为:
θ=[θ1,θ2,…,θN]=[(X1,y1),(X2,y2),…,(XN,yN)]。
所述步骤(3)具体为:对构建的数据库进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt(x),最终训练完成的决策树模型构成随机森林模型。
所述步骤(3)中在训练决策树模型的节点的时候,在节点上所有的样本特征中选择一部分样本特征,在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
有益效果:本发明采用机器学习技术,避免物理试验的过程,以及理论推导过程,可以在非常短的时间内完成分析和预测过程,大幅度提高了计算的效率和精度;本发明避免复杂的公式推导和迭代计算,同时也可以避免由于参数的不精确而导致的系统误差;本发明预测的效果更加贴近实际;本发明采用的随机森林具有极高的准确率,随机性的引入,使得随机森林不容易过拟合、很好的抗噪声能力、能处理很高维度的数据、并且不用做特征选择、既能处理离散型数据,也能处理连续型数据、数据集无需规范化、训练速度快、可以得到变量重要性排序、容易实现并行化。
附图说明
图1为基于随机森林算法的深受弯构件受剪承载力预测方法的具体流程图;
图2为随机森林算法构建过程示意图。
具体实施方式
下面结合附图对本发明进行进一步说明。
如图1-2所示,基于随机森林算法的钢筋混凝土深梁承载力评估方法,包括以下步骤:
(1)机器学习训练集数据库构建
通过文献检索、网络检索等方式搜集N组的不同试件的深受弯构件受剪承载力试验样本数据,构建数据库θ=[θ1,θ2,…,θN],其中θi,i=1,2,…,N为第i组数据。
(2)算法输入及输出参数设置
数据库θ中每组数据均包含2大类信息:一类为深受弯试件的参数信息;二类为深受弯构件的受剪承载力,将第一类信息设为输入变量,记作X;第二类信息设为输出变量,记作y,则每组数据可以写作θi=(Xi,yi)。
具体而言,每组数据有7个分量,其中输入参数有6个分量,包括混凝土强度、腹筋配箍率ρv、腹筋配箍率ρh、配筋率、跨高比、剪跨比,输出参数有1个分量,则X=(X1,X2,…,XS)为1×11的向量,而y为标量,如下表所示:
表1输入输出参数设置
综上,构建完成的数据库可以表示为:
θ=[θ1,θ2,…,θN]=[(X1,y1),(X2,y2),…,(XN,yN)]。
(3)基于随机森林算法构建高精度学习器
采用随机森林算法对已构建的数据库θ进行训练,将已获得的实验数据集进行重采样,生成多个训练子集,并由每个训练子集生成一棵随机树,将已生成的决策树组合起来组成一个随机森林,具体训练流程如下:
①将数据库分为训练集S,测试集T,特征维数F。
确定参数:使用到的CART的数量t,每棵树的深度d,每个节点使用到的特征数量f;
终止条件:节点上最少样本数s,节点上最少的信息增益m,对于第1-t棵树,i=1-t:
②从S中有放回的抽取大小和S一样的训练集S(i),作为根节点的样本,从根节点开始训练
③如果当前节点上达到终止条件,则设置当前节点为叶子节点,如果是分类问题,该叶子节点的预测输出为当前节点样本集合中数量最多的那一类c(j),概率p为c(j)占当前样本集的比例;如果是回归问题,预测输出为当前节点样本集各个样本值的平均值。然后继续训练其他节点。如果当前节点没有达到终止条件,则从F维特征中无放回的随机选取f维特征。利用这f维特征,寻找分类效果最好的一维特征k及其阈值th,当前节点上样本第k维特征小于th的样本被划分到左节点,其余的被划分到右节点。继续训练其他节点。
训练完成的评判标准如下:
对于分类问题(将某个样本划分到某一类),也就是离散变量问题,CART使用Gini值作为评判标准。
定义为Gini=1-∑[P(i)·P(i)],P(i)为当前节点上数据集中第i类样本的比例。
类别分布越平均,Gini值越大,类分布越不均匀,Gini值越小。在寻找最佳的分类特征和阈值时,
评判标准为:argmax(Gini-GiniLeft-GiniRight),
即寻找最佳的特征f和阈值th,使得当前节点的Gini值减去左子节点的Gini和右子节点的Gini值最大。
对于回归问题,
评判标准为:argmax(Var-VarLeft-VarRight),
即当前节点训练集的方差Var减去左子节点的方差Var值和右子节点的方差Var值最大。
④重复②、③直到所有节点都训练过了或者被标记为叶子节点。
⑤重复②、③、④直到所有CART都被训练过。
⑥所有训练完成的CART将组成训练完成的随机森林模型。
(4)训练完成的最终学习器的应用
根据训练完成的强学习器f(x)即随机森林模型,输入待求梁柱节点的参数信息等,即输入向量X,得到该深受弯构件的受剪承载力预测值。
本发明是对于所有数据进行学习,并经过了多数投票机制来进行预测,由于算法的运行完全基于黑匣模式,并不存在拟合函数的环节,单纯依靠已知的试验数据进行分析和学习,所以这种预测所得到的结果也完全基于实际,不再需要重复分析各种非理想化状态下的情况,真正避免了繁琐和理想化的模拟计算。
Claims (5)
1.一种基于随机森林算法的钢筋混凝土深梁承载力评估方法,其特征在于,包括以下步骤:
(1)搜集N组不同钢筋混凝土深受弯构件的受剪试验数据,获取每一组试验中试件的自身参数信息和测试得到的构件受剪承载力数值;
(2)将N组样本中每组数据的自身参数信息作为输入变量X,深受弯构件受剪承载力作为输出变量y,构建数据库;
(3)通过随机森林算法对数据库进行训练,得到训练完成的强学习器f(x);
(4)根据训练完成的强学习器f(x),输入待求梁柱节点的参数信息,得到该深受弯构件的受剪承载力预测值。
(4)根据训练完成的强学习器f(x),输入待求梁柱节点的参数信息,得到该深受弯构件的受剪承载力预测值。
2.根据权利要求1所述的基于随机森林算法的钢筋混凝土深梁承载力评估方法,其特征在于,所述步骤(1)中自身参数信息包括混凝土强度、腹筋配箍率ρv、腹筋配箍率ρh、配筋率、跨高比和剪跨比。
3.根据权利要求1所述的基于随机森林算法的钢筋混凝土深梁承载力评估方法,其特征在于,所述步骤(2)中构建的数据库为:
θ=[θ1,θ2,…,θN]=[(X1,y1),(X2,y2),…,(XN,yN)]。
4.根据权利要求1所述的基于随机森林算法的钢筋混凝土深梁承载力评估方法,其特征在于,所述步骤(3)具体为:对构建的数据库进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt,用采样集Dt训练第t个决策树模型Gt(x),最终训练完成的决策树模型构成随机森林模型。
5.根据权利要求4所述的基于随机森林算法的钢筋混凝土深梁承载力评估方法,所述步骤(3)中在训练决策树模型的节点的时候,在节点上所有的样本特征中选择一部分样本特征,在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910654705.8A CN110414580A (zh) | 2019-07-19 | 2019-07-19 | 基于随机森林算法的钢筋混凝土深梁承载力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910654705.8A CN110414580A (zh) | 2019-07-19 | 2019-07-19 | 基于随机森林算法的钢筋混凝土深梁承载力评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414580A true CN110414580A (zh) | 2019-11-05 |
Family
ID=68362110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910654705.8A Pending CN110414580A (zh) | 2019-07-19 | 2019-07-19 | 基于随机森林算法的钢筋混凝土深梁承载力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414580A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111160929A (zh) * | 2019-12-26 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种客户类型的确定方法及装置 |
CN112329939A (zh) * | 2020-10-26 | 2021-02-05 | 湖北工业大学 | 一种基于随机森林机器学习算法的未取样点岩土参数评估方法 |
CN113012753A (zh) * | 2021-03-09 | 2021-06-22 | 桂林电子科技大学 | 一种基于集成学习的低密度脂蛋白的数据处理方法 |
CN113762378A (zh) * | 2021-09-06 | 2021-12-07 | 南京工业大学 | 基于决策树算法的锈蚀混凝土柱地震失效模式判别方法 |
CN116401902A (zh) * | 2022-12-14 | 2023-07-07 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 基于随机森林模型的意外爆炸对桥梁毁伤评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056150A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法 |
CN109490072A (zh) * | 2018-10-09 | 2019-03-19 | 广东交通职业技术学院 | 一种土木工程建筑用检测系统及其检测方法 |
-
2019
- 2019-07-19 CN CN201910654705.8A patent/CN110414580A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056150A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法 |
CN109490072A (zh) * | 2018-10-09 | 2019-03-19 | 广东交通职业技术学院 | 一种土木工程建筑用检测系统及其检测方法 |
Non-Patent Citations (1)
Title |
---|
胡铖玥: ""基于试验数据库和随机森林算法的外贴 FRP加固梁条带抗剪贡献研究"", 《中国游戏硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111160929A (zh) * | 2019-12-26 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种客户类型的确定方法及装置 |
WO2021129368A1 (zh) * | 2019-12-26 | 2021-07-01 | 深圳前海微众银行股份有限公司 | 一种客户类型的确定方法及装置 |
CN111160929B (zh) * | 2019-12-26 | 2024-02-09 | 深圳前海微众银行股份有限公司 | 一种客户类型的确定方法及装置 |
CN112329939A (zh) * | 2020-10-26 | 2021-02-05 | 湖北工业大学 | 一种基于随机森林机器学习算法的未取样点岩土参数评估方法 |
CN113012753A (zh) * | 2021-03-09 | 2021-06-22 | 桂林电子科技大学 | 一种基于集成学习的低密度脂蛋白的数据处理方法 |
CN113762378A (zh) * | 2021-09-06 | 2021-12-07 | 南京工业大学 | 基于决策树算法的锈蚀混凝土柱地震失效模式判别方法 |
CN116401902A (zh) * | 2022-12-14 | 2023-07-07 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 基于随机森林模型的意外爆炸对桥梁毁伤评估方法 |
CN116401902B (zh) * | 2022-12-14 | 2024-02-13 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 基于随机森林模型的意外爆炸对桥梁毁伤评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414580A (zh) | 基于随机森林算法的钢筋混凝土深梁承载力评估方法 | |
Pandey et al. | A decision tree algorithm pertaining to the student performance analysis and prediction | |
CN104951987B (zh) | 基于决策树的作物育种评价方法 | |
Wati et al. | Data mining for predicting students' learning result | |
CN112328588A (zh) | 一种工业故障诊断非平衡时序数据扩充方法 | |
CN106127242A (zh) | 基于集成学习的年极端降水预测系统及其预测方法 | |
CN104881689A (zh) | 一种多标签主动学习分类方法及系统 | |
CN103455612B (zh) | 基于两阶段策略的非重叠与重叠网络社区检测方法 | |
Cornell et al. | Boosted decision trees in the era of new physics: a smuon analysis case study | |
CN105786898A (zh) | 一种领域本体的构建方法和装置 | |
CN110362911A (zh) | 一种面向设计过程的代理模型选择方法 | |
CN108763164A (zh) | 煤与瓦斯突出反演相似度的评价方法 | |
Aktas et al. | Statistical power analysis | |
CN117370568A (zh) | 一种基于预训练语言模型的电网主设备知识图谱补全方法 | |
Ribeiro et al. | Importance of statistics for data mining and data science | |
Kim et al. | A simulated annealing algorithm for the creation of synthetic population in activity-based travel demand model | |
CN103150626A (zh) | 基于程序依赖图的bpel过程一致性度量方法 | |
Bag | A comparative study of regression algorithms for predicting graduate admission to a university | |
CN103092994B (zh) | 基于信息概念格矫正的svm文本自动分类方法及其系统 | |
Ah-Pine et al. | Identification of a 2-additive bi-capacity by using mathematical programming | |
Sari et al. | Decision support system design for informatics student final projects using C4. 5 algorithm | |
Gao et al. | Classification decision tree algorithm in predicting students’ course preference | |
Shaqadan et al. | Prediction of concrete mix compressive strength using statistical learning models | |
Khalyasmaa et al. | Problems of criteria analysis and interpretation in automated systems for assessing scientific and technical solutions | |
Zwick et al. | State‐based reconstructability analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
RJ01 | Rejection of invention patent application after publication |