CN111144051A - 一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 - Google Patents
一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 Download PDFInfo
- Publication number
- CN111144051A CN111144051A CN201911285675.4A CN201911285675A CN111144051A CN 111144051 A CN111144051 A CN 111144051A CN 201911285675 A CN201911285675 A CN 201911285675A CN 111144051 A CN111144051 A CN 111144051A
- Authority
- CN
- China
- Prior art keywords
- support vector
- cuckoo algorithm
- geopolymer concrete
- vector machine
- concrete strength
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法。建立支持向量机学习样本;初始化地聚物混凝土强度预测问题的参数,生成控制变量的初始种群;得到局部最优解;更新种群;修正得到新种群;得到全局最优解;输出最优解和控制变量;计算得到核函数;利用核函数优化计算支持向量机模型,得到预测结果。这种方法可以在地聚物混凝土浇捣后尽快预测其抗压强度,可以减少对人力、物力、财力和时间的消耗,且对于提高施工的进度和质量是非常具有理论价值和工程实践意义的工作。
Description
技术领域
本发明涉及一种地聚物混凝土强度的预测方法,具体是一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度的预测方法。
背景技术
抗压强度是衡量地质聚合物混凝土性能非常重要的指标。以煤矸石基地聚物混凝土为例,研究其抗压强度,需要在地聚物混凝土试件进行标准养护后再做试验获取数据,虽然可以获得科学可靠的结果,但是这种方法的前期养护周期长(通常需要28天),且需要投入大量的人力、物力和财力。因此,找到某种智能算法取代部分试验内容,可以在地聚物混凝土浇捣后尽快预测其抗压强度,可以减少对人力、物力、财力和时间的消耗,且对于提高施工的进度和质量是非常有理论价值和工程实践意义的工作。
事实上已有智能算法,人工神经网络学习算法应用于水泥等胶凝材料和混凝土抗压强度的预测,但这种预测方法存在比较明显的问题:人工神经网络学习算法虽然具有较好的函数逼近能力和自学能力,但人工神经网络是基于大样本、经验风险最小等理论,而这些缺点也在一定程度上限制了它的应用。
支持向量机(Support Vector Machine,简称SVM)是一种新兴的基于统计学理论的模型,它在解决小样本、高度非线性以及高维模式识别问题中表现出许多优点与优越性。支持向量机(简称SVM)是由V.Vapnik等人提出的一种针对小样本训练和分类的机器学习理论等的高效机器学习方法,其训练手段为核方法,约束条件为训练误差,优化目标是结构风险最小化,训练结果为支持向量集合,本质是求解一个凸二次优化问题。
SVM仍然存在需要解决的问题,其中如何优化得到与给定问题相适合的核函数就是需要深入研究的难点问题。选取合适的核参数是取得满意分类效果的关键问题之一。但由于不同特征空间的影响,目前核函数选择的理论依据很少,如何选择恰当的核函数也是支持向量机中的一个难点问题。
影响煤矸石基地聚物混凝土抗压强度的因素很多。煤矸石、粉煤灰等原材料中含有不同成分及含量的氧化物,由于地质聚合物的聚合物过程就是原材料中的Al族和Si族元素在碱性环境中溶解,最终形成Al-O-Si和Si-O-Si结晶体的过程,因此原材料中的氧化物成分及其含量会对地质聚合物混凝土的抗压强度产生重要影响。
发明内容
本发明的目的在于提供一种地聚物混凝土强度的预测方法,即通过引入支持向量机和改进的布谷鸟算法来建立地聚物混凝土强度预测的模型,基于此模型,建立地聚物混凝土氧化物含量与强度的映射关系,来预测强度,并研究其变化规律。该方法减少了人力、物力、财力和时间的消耗,为制作高强度地聚物混凝土提供参考,是有理论价值和实践意义的工作。
本发明解决其技术问题所采用的技术方案是:
一种基于支持向量机和改进的布谷鸟算法的地聚物混凝土强度预测方法,包括如下内容:
步骤1:收集训练样本,并对训练样本进行预处理,得到SVM学习样本;
所述的基于支持向量机和改进的布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:支持向量机分为两种,包括支持向量分类机和支持向量回归机,这里采用支持向量回归机。
所述的基于支持向量机和改进的布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:SVM参数c、σ分别是指RBF核函数的惩罚系数c,核宽度σ,参数c的取值与最后的容许误差相关,c值越大,则容许误差越小;核宽度σ与学习样本的输入空间范围或宽度相关,样本输入空间范围越大,则取值越大。
步骤3:对新种群进行数据更新,估计目标函数,并将其作为局部最优解;
所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:利用布谷鸟算法中的Lévy飞行更新解,这种方法具有非常强的全局搜索能力。
所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:传统布谷鸟算法就是对于任一给定的初始种群N,优化问题的控制变量x在最大和最小限值之间生成并初始化,其中表示第t次迭代的第i个种群的控制变量,Ri,j∈[0,1]为服从均匀分布的随机数。
所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:引入一种正交交叉算子到传统布谷鸟算法中,改进布谷鸟算法,来提高布谷鸟算法的搜索能力,加快搜索速度并快速寻求最优解。
所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:引入正交交叉算子的布谷鸟算法的更新公式中ω是在0和1之间的任意数。
步骤6:对每个迭代步重复步骤(3)--(5),得到全局最优解;
步骤7:当结果满足收敛准则时,输出最优解及控制变量;
步骤9:利用得到的核函数对支持向量机模型进行优化计算,得到各支持向量,得到预测结果。
本发明的有益效果是:
引入正交交叉算子,来改进布谷鸟算法,提高了布谷鸟算法的搜索能力;利用改进的布谷鸟算法对支持向量机和其中的核函数进行寻优,从而建立了基于支持向量机和改进的布谷鸟算法的地聚物混凝土强度预测模型,基于此模型,根据地聚物混凝土氧化物含量的特点,建立地聚物混凝土氧化物含量与强度之间的映射关系,以此来预测强度;同时在此基础上,找寻地聚物混凝土的强度变化规律,为制作高强度地聚物混凝土提供理论依据。这样减少了人力、物力、财力和时间的浪费,非常具有理论价值和实践意义。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明预测方法的流程简图。
图2是改进的布谷鸟算法的流程图。
图3是煤矸石基地聚物混凝土的抗压强度随(Al2O3+SiO2)含量的变化规律。
具体实施方式
下面结合附图对本发明作进一步的说明。
1、制备煤矸石基地聚物混凝土
(1)制备所需的煤矸石和粉煤灰及其化学组成
表1煤矸石的主要化学成分分析结果(%)
表2粉煤灰主要化学成分(%)
(2)标准砂:选用厦门艾思欧产标准砂,水泥与砂的质量比为1:3,具体技术指标见表3。
表3标准砂的技术指标
(3)采用市售的氢氧化钠和碳酸钙试剂的混合物作为激发剂,氢氧化钠纯度为99%。
(4)细骨料:本地河沙(细度模数2.4);粗骨料:碎石(经清洗筛分,粒径为5~31.5mm)。
2、预测模型的数据训练
采用已有实验数据对上述抗压强度预测模型进行训练,已有实验数据为所搜集的粉煤灰基地聚物混凝土的56组数据,其中50组抗压强度数据作为训练数据,训练SVM系统,剩余6组数据作为预测结果的对比。训练方法为,将原材料中各氧化物含量作为预测模型的输入参量,粉煤灰基地聚物混凝土的抗压强度作为输出参量,并对比传统布谷鸟算法结果和本文提出的改进布谷鸟算法的预测结果。计算工具MATLAB7.0,处理器Pentium 3.0GHz,内存8.0GB。
分析预测结果,改进的布谷鸟算法和传统布谷鸟算法结果接近,说明了本文提出的预测模型的正确性和准确性;对传统布谷鸟算法和改进布谷鸟算法计算结果与实测值的误差进行比较,包括相对误差和均方根误差,说明了改进布谷鸟算法的准确性和优越性;在寻求最优解过程中,对比相同时间步时传统布谷鸟算法与改进布谷鸟算法的计算残差,说明了改进布谷鸟算法加快了计算收敛速度,计算效率要高于传统布谷鸟算法。
3、研究氧化物含量对煤矸石基地聚物混凝土的影响规律
基于训练后的预测模型,建立煤矸石基地聚物混凝土抗压强度与原材料中的氧化物含量间的映射关系,用于预测煤矸石基地聚物混凝土的抗压强度。
根据所配置的煤矸石基地聚物混凝土的各原材料特性,经测算,得到主要常见氧化物或氧化物组合含量的常见范围见表4。
表4煤矸石基地聚物混凝土常见氧化物(组合)取值范围
这里基于改进的CSA优化方法,预测了常见氧化物含量范围内的煤矸石基地聚物混凝土7d和28d的抗压强度,分别给出了随单一氧化物含量及常见氧化物混合时煤矸石基地聚物混凝土的抗压强度,分析了单一氧化物含量及不同氧化物组合含量对煤矸石基地聚物混凝土的影响规律,为制备高强度的煤矸石基地聚物混凝土提供依据。
Claims (7)
1.一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于,包括以下步骤:
步骤1:收集训练样本,并对训练样本进行预处理,得到SVM学习样本;
步骤3:对新种群进行数据更新,估计目标函数,并将其作为局部最优解;
步骤6:对每个迭代步重复步骤(3)--(5),得到全局最优解;
步骤7:当结果满足收敛准则时,输出最优解及控制变量;
步骤9:利用得到的核函数对支持向量机模型进行优化计算,得到各支持向量,得到预测结果。
2.根据权利要求1所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:支持向量机分为两种,包括支持向量分类机和支持向量回归机,这里采用支持向量回归机。
3.根据权利要求1所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:SVM参数c、σ分别是指RBF核函数的惩罚系数c,核宽度σ,参数c的取值与最后的容许误差相关,c值越大,则容许误差越小;核宽度σ与学习样本的输入空间范围或宽度相关,样本输入空间范围越大,则取值越大。
4.根据权利要求1所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:利用布谷鸟算法中的Lévy飞行更新解,这种方法具有非常强的全局搜索能力。
6.根据权利要求1所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:引入一种正交交叉算子到传统布谷鸟算法中,改进布谷鸟算法,来提高布谷鸟算法的搜索能力,加快搜索速度并快速寻求最优解。
7.根据权利要求6所述的基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法,其特征在于:引入正交交叉算子的布谷鸟算法的更新公式中ω是在0和1之间的任意数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911285675.4A CN111144051A (zh) | 2019-12-13 | 2019-12-13 | 一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911285675.4A CN111144051A (zh) | 2019-12-13 | 2019-12-13 | 一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144051A true CN111144051A (zh) | 2020-05-12 |
Family
ID=70518352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911285675.4A Pending CN111144051A (zh) | 2019-12-13 | 2019-12-13 | 一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144051A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861264A (zh) * | 2020-07-31 | 2020-10-30 | 华中科技大学 | 一种基于数据挖掘和智能算法预测混凝土耐久性方法 |
CN113821910A (zh) * | 2021-08-20 | 2021-12-21 | 北京工业大学 | 一种基于数字图像建模的地聚物混凝土强度预测方法 |
-
2019
- 2019-12-13 CN CN201911285675.4A patent/CN111144051A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861264A (zh) * | 2020-07-31 | 2020-10-30 | 华中科技大学 | 一种基于数据挖掘和智能算法预测混凝土耐久性方法 |
CN113821910A (zh) * | 2021-08-20 | 2021-12-21 | 北京工业大学 | 一种基于数字图像建模的地聚物混凝土强度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Azimi-Pour et al. | Linear and non-linear SVM prediction for fresh properties and compressive strength of high volume fly ash self-compacting concrete | |
Zhi et al. | Artificial intelligence model for studying unconfined compressive performance of fiber-reinforced cemented paste backfill | |
Chandwani et al. | Applications of artificial neural networks in modeling compressive strength of concrete: a state of the art review | |
CN111144051A (zh) | 一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 | |
CN113033923B (zh) | 水泥熟料性能的预测、评价及优化方法及其装置和系统 | |
Amin et al. | Experimental and machine learning approaches to investigate the effect of waste glass powder on the flexural strength of cement mortar | |
Demir Sahin et al. | Artificial neural network modeling for the effect of fly ash fineness on compressive strength | |
CN110046427B (zh) | 基于正交设计和正态云模型机制砂t梁混凝土配合比方法 | |
Bagheri et al. | Formulation of mix design for 3D printing of geopolymers: A machine learning approach | |
Han et al. | Deep learning to predict the hydration and performance of fly ash-containing cementitious binders | |
Ma et al. | A data-driven influential factor analysis method for fly ash–based geopolymer using optimized machine-learning algorithms | |
CN117252078A (zh) | 一种基于机器学习的砂浆流变特性预测方法 | |
CN117172116A (zh) | 基于pso-bp组合模型的混凝土抗压强度预测方法 | |
Liu et al. | Development of compressive strength prediction platform for concrete materials based on machine learning techniques | |
Kang et al. | Predicting ion diffusion in fly ash cement paste through particle analysis | |
Ford et al. | Machine learning on microstructural chemical maps to classify component phases in cement pastes | |
Wei et al. | Prediction of Carbonation Depth for Concrete Containing Mineral Admixtures Based on Machine Learning | |
Zhang et al. | Prediction of compressive strength of geopolymer concrete based on support vector machine and modified cuckoo algorithm | |
CN115081067A (zh) | 一种淤泥固化土的强度预测方法及系统 | |
Yang et al. | Modelling concrete strength using support vector machines | |
Arora et al. | Comparative analysis of the influence of partial replacement of cement with supplementing cementitious materials in sustainable concrete using machine learning approach | |
Vasudevan | Concrete Classification Using Machine Learning Techniques | |
Natarajan et al. | Concrete Classification Using Machine Learning Techniques | |
Kewalramani et al. | Machine Learning Algorithms For Optimizing Mix Design Of Concrete | |
Sharma et al. | Soft computing techniques for assessment of strength of concrete with marble powder |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |