CN112016244B - 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 - Google Patents
基于svm与智能算法的耐久性混凝土多目标配合比优化方法 Download PDFInfo
- Publication number
- CN112016244B CN112016244B CN202010787540.4A CN202010787540A CN112016244B CN 112016244 B CN112016244 B CN 112016244B CN 202010787540 A CN202010787540 A CN 202010787540A CN 112016244 B CN112016244 B CN 112016244B
- Authority
- CN
- China
- Prior art keywords
- concrete
- support vector
- vector machine
- model
- machine model
- 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
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于混凝土耐久性多目标优化技术领域,并具体公开了一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法。包括:基于混凝土抗冻性及抗渗性建立混凝土耐久性配合比指标体系;构建支持向量机模型,并对支持向量机模型进行训练,以获取训练后的支持向量机模型;并以此生成混凝土抗冻性及抗渗性的非线性映射关系函数,并将其作为遗传算法的目标函数,以混凝土抗冻性、抗渗性的非线性映射关系函数为优化目标建多目标优化的目标函数,结合工程要求及规范建立耐久性混凝土配合比参数约束条件,并采用遗传算法迭代生成目标函数的Pareto最优解。本发明实现了更加智能化和精确化的混凝土配合比多目标寻优。
Description
技术领域
本发明属于混凝土耐久性多目标优化技术领域,更具体地,涉及一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法。
背景技术
提高混凝土耐久性是延长建筑使用寿命的主要手段之一,近些年来,混凝土耐久性不足造成了大量混凝土结构破坏事故,为了减少建筑安全事故的发生,混凝土耐久性问题引来了越来越多国内外学者的关注。由于抗冻性、抗渗性是反映混凝土早期耐久性的重要指标,因此在研究混凝土配合比优化问题中,考虑抗冻性、抗渗性很有必要。又因为控制混凝土经济成本一直是工程项目的重要目标之一,因此,研究不同配合比下,综合考虑混凝土的耐久性问题和成本问题是十分有价值的。
近年来,国内外学者基于原材料配合比对混凝土耐久性问题的研究主要集中在预测和优化问题方面。在基于配合比对混凝土耐久性预测的研究中,常见的预测方式为多元回归预测模型、GM(1,1)预测模型、人工神经网络(ANN)等;在基于配合比对混凝土耐久性优化的研究中,常见的优化方式为利用数学模型,确定指标权重、功效函数法优化混凝土相关系、正交试验设计方案以及ANOVA技术。以上研究均对提高混凝土耐久性提供了参考,但是以往研究一方面主要是针对混凝土耐久性进行预测,很难更好的体现研究的实际价值,而配合比优化研究主要是利用正交试验和经验公式,计算耗时较长同时难以实现快速准确的确定配合比优化方案。基于上述缺陷和不足,本领域亟需对提出一种新的耐久性混凝土多目标配合比优化方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法,其中结合混凝土自身的特征及其抗冻性、抗渗性预测工艺特点,相应的充分利用了支持向量机模型(SVM)对混凝土抗冻性、抗渗性的精准预测,同时采用遗传算法模型进行基于混凝土原材料和配合比范围值内的影响因素和配合比进行全局寻优,使得耐久性混凝土多目标配合比优化结果更加准确、可靠,优化计算速度更快。
为实现上述目的,本发明提出了一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法,其特征在于,包括以下步骤:
S1根据影响混凝土抗冻性及抗渗性的原材料和配合比构建混凝土耐久性指标体系,采集所述混凝土耐久性指标体的样本数据,并以此建立原始样本集,将所述原始样本集按指定比例划分为训练数集和测试数集;
S2构建支持向量机模型,将所述训练数集作为支持向量机模型的输入,对应混凝土相对动弹性模量和氯离子渗透系数作为所述支持向量机模型的输出变量,对所述支持向量机模型进行训练,并采用测试数集验证训练后的支持向量机模型的预测结果,得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数;
S3将混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数为目标适应度函数,以混凝土的原材料和配合比取值范围为约束条件,构建遗传算法模型,并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优,以生成以混凝土抗冻性和抗渗性为目标的Pareto最优解。
作为进一步优选的,所述混凝土耐久性指标体系包括影响因素和耐久性评价指标,所述影响因素包括水胶比、水泥强度、水泥用量、粉煤灰、细集料、粗集料、减水剂和硅灰用量,且该影响因素为支持向量机模型训练过程中的输入变量;
所述耐久性评价指标包括混凝土相对动弹性模量和混凝土氯离子渗透系数,且所述混凝土相对动弹性模量和氯离子渗透系数分别为支持向量机模型训练过程中的输出变量。
作为进一步优选的,所述训练数集与测试数集中样本总数量的比为2∶1~4∶1。
作为进一步优选的,步骤S2具体包括以下步骤:
S21选择高斯核函数构建支持向量机模型;
S22将训练数集中的影响因素作为支持向量机模型的输入变量,对应混凝土相对动弹性模量及氯离子渗透系数作为支持向量机模型的输出变量,采用K折交叉验证进行参数寻优,以确定支持向量机模型的惩罚参数和高斯核函数核宽度参数的最优参数组合;
S23采用测试数集对基于最优参数组合下的支持向量机模型进行预测,输出预测结果以验证训练后的支持向量机模型的预测结果,并得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数。
作为进一步优选的,所述高斯核函数表达式如下:
其中,x为输入的变量,xi为第i个样本,xj为第j个样本,σ2为核宽度参数。
作为进一步优选的,步骤S22中,采用五折交叉验证进行参数寻优。
作为进一步优选的,步骤S23中,采用模型性能参数均方根误和拟合优度的计算模型验证训练后的支持向量机模型的预测结果。
作为进一步优选的,所述模型性能参数均方根误的计算模型为:
所述拟合优度的计算模型为:
作为进一步优选的,步骤S3具体包括以下步骤:
S31基于混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数构建优化混凝土配合比的目标适应度函数:
其中,x1为水胶比,x2为水泥强度,x3为水泥用量,x4为粉煤灰,x5为细集料,x6为粗集料,x7为减水剂,x8为硅灰用量;
S32基于混凝土的原材料和配合比取值范围构建约束条件;
S33根据上述目标适应度函数以及约束条件构建遗传算法模型,并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优,以生成以混凝土抗冻性和抗渗性为目标的Pareto最优解。
作为进一步优选的,步骤S32中,所述约束条件的计算模型为:
其中,x1为水胶比,x3为水泥量,x4为粉煤灰,x5为细集料,x6为粗集料,x8为硅灰用量,fcu,k为混凝土立方体抗压强度标准值。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
1.本发明方法以混凝土抗冻性及抗渗性为目标构建混凝土参数指标体系,并采用支持向量机模型(SVM)对相对动弹性模量和氯离子渗透系数两个混凝土耐久性评价指标进行了高精度的预测,并以此作为目标函数,以混凝土材料的取值范围及各材料间的配合比关系为约束条件,采用遗传算法模型(GA)求解多目标优化问题,实现了更加智能化和精确化的混凝土配合比多目标寻优。本发明能在精准表现动弹性模量和氯离子渗透系数与材料配合比复杂关系的同时,显示了SVM-GA模型在配合比多目标寻优中的智能化、精准化,能很好的运用在工程实际之中。
2.本发明方法充分利用了SVM预测模型能够有效处理有多个指标、小样本的数据集的特点,对相对动弹性模量和氯离子渗透系数两个混凝土耐久性评价指标进行了高精度的预测,保证混凝土相对动弹性模量和氯离子渗透系数的预测结果更加准确、可靠。
3.本发明方法将SVM回归预测函数替代传统的数学关系式,同时将SVM预测回归模型作为遗传算法适应度函数用于多目标优化之中。这样可以很好的表现混凝土耐久性与混凝土原材料配合比之间的复杂非线性关系,实现更为精确的优化。
4.本发明方法选用了GA建立多目标优化模型,在保证种群的多样性的条件下,能减少种群计算量,同时保证良好的优化效果,使多目标优化问题得到了更快更好的解决。
5.本发明方法通过拟合优度和均方根误差分析验证了SVM模型对混凝土耐久性指标(抗冻性及抗渗性)预测效果的有效性和正确性。
附图说明
图1为本发明优选实施例提供的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法的流程图;
图2是本发明优选实施例提供的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法中各变量重要性排序示意图;
图3是本发明实施例提供的SVM模型对训练数集中混凝土相对动弹性模量预测结果示意图;
图4是本发明实施例提供的SVM模型对测试数集中混凝土相对动弹性模量预测结果示意图;
图5是本发明实施例提供的SVM模型对训练数集中混凝土氯离子渗透系数预测结果示意图;
图6是本发明实施例提供的SVM模型对测试数集中混凝土氯离子渗透系数预测结果示意图;
图7是本发明实施例提供的基于GA模型输出的优化结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明实施例提供的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法,包括以下步骤:
步骤一:根据影响混凝土抗冻性及抗渗性的原材料和配合比构建混凝土耐久性指标体系,采集所述混凝土耐久性指标体系的样本数据,并以此建立原始样本集,将所述原始样本集按指定比例划分为训练数集和测试数集。具体而言,基于混凝土材料和配合比,选取影响混凝土抗冻性和抗渗性的主要因素,构建指标体系,收集对应样本数据,建立原始样本集,混凝土耐久性指标体系包括影响因素和评价指标两部分,影响因素包含:水胶比、水泥强度、水泥用量、粉煤灰、细集料、粗集料、减水剂以及硅灰用量等因素,且该影响因素为支持向量机模型训练过程中的输入变量。耐久性评价指标包括混凝土相对动弹性模量和混凝土氯离子渗透系数,且所述混凝土相对动弹性模量和氯离子渗透系数分别为支持向量机模型训练过程中的输出变量。根据以上选取的8个影响因素,监测不同种类的原材料在不同配合比条件下混凝土相对动弹性模量以及混凝土氯离子渗透系数的数值大小。训练数集与测试数集中样本总数量的比为2∶1~4∶1,作为本发明的优选实施例,随机将原始样本集中80%的样本数据为训练数据集,剩余20%的样本数据为测试数据集用于最后模型预测性能的评估。
步骤二:构建支持向量机模型,将所述训练数集作为支持向量机模型的输入,对应混凝土相对动弹性模量和氯离子渗透系数作为所述支持向量机模型的输出变量,对所述支持向量机模型进行训练,并采用测试数集验证训练后的支持向量机模型的预测结果,得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数。即,选择高斯核函数构建支持向量机模型;将所述训练数集中的影响因素作为支持向量机模型的变量输入,相应的混凝土相对动弹性模量和氯离子渗透系数作为支持向量机模型的变量输出,采用五折交叉验证进行参数寻优,以确定支持向量机模型的惩罚参数和高斯核函数核宽度参数的最优参数组合;采用测试数集对基于最优参数组合下的支持向量机模型进行预测,输出预测结果以验证训练后的支持向量机模型的预测结果,并得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数。
具体而言,首先,选择映射能力强、泛化性能优、适用性好的高斯核函数(RBF)建立支持向量机模型(SVM),高斯核函数表达式如下:
其中,x为输入的变量,xi为第i个样本,xj为第j个样本,σ2为核宽度参数。
其次,采用五折交叉验证进行参数寻优,确定模型的惩罚参数和高斯核函数核宽度参数的最优参数组合;
最后,采用测试数集对基于最优参数组合下的支持向量机模型进行预测,输出预测结果以验证训练后的支持向量机模型的预测结果,并得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数。
在验证训练后的支持向量机模型预测混凝土抗冻性效果的时候,构建模型性能参数均方根误和拟合优度的计算模型,并以对未进行对训练的支持向量机模型以及人工神经网络预测模型的预测结果和进行训练后的支持向量机模型的预测结果进行误差分析,验证支持向量机模型预测混凝土抗冻性及抗渗性(即混凝土耐久性)的效果。
具体而言,首先,选用模型性能参数均方根误差(RMSE)、拟合优度(R2)来评价模型的预测精度,对输出拟合曲线效果的进一步验证,表达式如下:
其次,选择未进行训练的支持向量机以及人工神经网络预测模型的结果与之作对比分析,再次肯定了支持向量机训练的有效性和正确性。
步骤三,将混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数为目标适应度函数,以混凝土的原材料和配合比取值范围为约束条件,构建遗传算法模型,结合工程要求及相关规范建立配合比参数约束条件,并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优,以生成以混凝土抗冻性和抗渗性为目标的Pareto最优解。具体而言,
首先,基于混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数构建优化混凝土配合比的目标适应度函数:
其中,x1为水胶比,x2为水泥强度,x3为水泥用量,x4为粉煤灰,x5为细集料,x6为粗集料,x7为减水剂,x8为硅灰用量,αi、αi *为拉格朗日乘子,b为偏置项,xi为输入变量,x为输出变量,σ2为核宽度参数,f1为基于支持向量机模型的混凝土相对动弹性模量的非线性映射关系函数,f2为基于支持向量机模型的混凝土氯离子渗透系数的非线性映射关系函数。
其次,基于混凝土的原材料和配合比取值范围构建约束条件:
其中,x1为水胶比,x3为水泥量,x4为粉煤灰,x5为细集料,x6为粗集料,x8为硅灰用量,fcu,k为混凝土立方体抗压强度标准值。
最后,根据上述目标适应度函数以及约束条件构建遗传算法模型,并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优,以生成以混凝土抗冻性和抗渗性为目标的Pareto最优解。
更具体的,遗传算法(GA)的实现过程如下:
(Ⅰ)种群初始化:根据问题特性设计合适的初始化操作(初始化操作应尽量简单,时间复杂度不易过高),即对种群中的N个个体进行初始化操作;(Ⅱ)个体评价:根据优化的目标函数计算种群中所有个体的适应值(fitness value);(Ⅲ)迭代设置:设置种群最大迭代次数为200,并令当前迭代次数g=1;(Ⅳ)个体选择:设计合适的选择算子来对种群P(g)个体进行选择,被选择的个体将进入交配池中组成父代种群FP(g),用于交叉变换以产生新的个体。(Ⅴ)交叉算子和变异算子进化群体:根据交叉概率pm(预先指定,一般为0.9)来判断父代个体是否需要进行交叉操作。根据变异概率pc(预先指定,一般为0.1)来判断父代个体是否需要进行变异操作。(Ⅵ)通过交叉变异操作以后父代种群FP(g)生成了新的子代种群P(g+1),令种群迭代次数g=g+1,进行下一轮的迭代操作,即跳转到步骤(Ⅳ),直至迭代次数达到最大的迭代次数,获得Pareto最优解集。
更具体的,在本发明的一个实施例中,根据上述目标适应度函数以及约束条件构建遗传算法模型(GA模型),然后根据构成混凝土耐久性指标体系的参数对GA模型进行参数定义和初始化。然后,将Y个混凝土耐久性指标体系定义为种群规模为Y的初始种群y,各混凝土耐久性指标体系构成所述初始种群y的个体,影响因素和耐久性评价指标构成个体的染色体,影响因素和耐久性评价指标中的变量构成染色体的基因,对个体进行初始化。接着,计算初始种群y中各个个体的适应度值,根据设定的迭代次数和选择算子对个体进行选择,形成交配池。接着,根据GA模型中定义的交叉算子和变异算子对交配池中个体的染色体的基因进行交叉和变异,以形成新的个体,最后,根据GA模型中设定的迭代终止条件输出遗传算法迭代生成以混凝土抗冻性和抗渗性为目标的Pareto最优解。
一般而言,在本发明实施例中,将交配池中个体的染色体的基因进行交叉具体包括以下步骤:随机选取构成两个个体的某个相同染色体的一段或几段相同位置的基因进行互换,从而得到两个新的个体。将交配池中个体的染色体的基因进行变异具体包括以下步骤:随机选择其他参数替换构成个体的某个染色体的一段或几段基因段,从而得到新个体。
实施例1
本发明提出的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法,主要包括以下步骤:
(1)影响因素指标体系样本数据采集
以水胶比(X1)、水泥强度(X2)、水泥用量(X3)、粉煤灰(X4)、细集料(X5)、粗集料(X6)、减水剂(X7)以及硅灰用量(X8)等8个影响因素,作为支持向量机模型的变量输入,以某项目七个标段的混凝土相对动弹性模量以及氯离子渗透系数作为变量输出,通过公路项目实际工程,收集一共100组C50混凝土的样本数据,具体数据如表2所示。对全部样本进行归一化预处理,然后随机抽取其中80组样本构成训练数集用来训练模型,为了检验模型的泛化性能,将剩下的20组样本作为测试数集来验证模型效果。
表1 C50样本数据
(2)模型参数优选
采用网格搜索法和5折交叉验证法对SVM回归模型的惩罚系数以及核函数参数g进行参数优选,从而确定建立SVM混凝土抗冻性以及抗渗性的预测模型的最优参数,混凝土相对动弹性模型以及氯离子渗透系数预测参数优化结果如图2所示。由图2可知,当惩罚系数C为84.4485,核函数参数g为0.035897时,验证后的均方误差值最小,此时均方根误差CVmse=0.0046558。
(3)预测结果分析
根据参数优选结果建立SVM混凝土抗冻性及抗渗性(耐久性)预测模型,利用该模型分别对训练数集和测试数集进行回归拟合,训练集回归拟合结果如图3和图4所示,测试集回归预测结果如图5以及图6所示。
由图3可以看出,混凝土抗冻性预测时训练数集的均方根误差为0.0050724,拟合优度为0.97192,模型拟合结果很好,说明该模型对输入与输出之间的决策规律进行了充分的学习,从而对训练样本进行预测,其预测值与实际值之间误差非常小。同时由图4可以看出,混凝土抗冻性预测模型测试集的均方根误差为0.0046026,拟合优度为0.96686,说明SVM预测模型测试集的预测值与实际值十分贴近。
由图5可以看出,混凝土抗渗性预测时训练数集的均方根误差为0.0083504,拟合优度为0.96658,模型拟合结果很好,说明该模型对输入与输出之间的决策规律进行了充分的学习,从而对训练样本进行预测,其预测值与实际值之间误差非常小。同时由图6可以看出,混凝土抗渗性预测模型测试集的均方根误差为0.0065524,拟合优度为0.97599,说明SVM预测模型测试集的预测值与实际值十分贴近。
4、建立目标函数
(1)混凝土抗冻性及抗渗性目标函数
通过相对动弹性模量对混凝土抗冻性能进行衡量,通过氯离子渗透系数对混凝土抗渗性进行衡量,将SVM模型作为混凝土耐久性目标函数,设定300次冻融循环后的相对动弹性模量及氯离子渗透系数在95%以上,可得混凝土抗渗性目标函数为:
其中,x1为水胶比,x2为水泥强度,x3为水泥用量,x4为粉煤灰,x5为细集料,x6为粗集料,x7为减水剂,x8为硅灰用量。
4、建立约束范围
在高强性能混凝土进行配制时,需要对原材料做出合理的选择。选择P·O52.5的水泥,选择密实的石灰岩碎石等作为混凝土的粗骨料,加入适量粉煤灰、减水剂和硅灰,以增强混凝土和易性,同时在一定程度上提高混凝土耐久性能。根据相关规范以及工程实际要求确定合理的配合比参数取值范围,作为配合比优化的约束条件,配合比参数的具体约束条件如下:
6、基于GA的多目标优化
通过随机遍历抽样进行选择,使用单点交叉算子进行交叉操作,且交叉概率设置为0.7;通过设定某一概率随机选择变异的特征信息进行变异操作,设定变异概率为0.01;初始种群大小设置为40;最大遗传代数设为60。
根据初始种群生成遗传算子的选择,基于上述建立的目标函数和约束范围,通过GA多目标遗传算法进行配合比全局寻优,更新迭代60次后得到最优配比组合如图5所示,运行GA算法得到的40组最优配比组合结果具体如表3所示。
表3 目标优化结果对应的配合比参数取值
由图7可以看出,优化目标要求300次冻融循环后的相对动弹性模量及氯离子渗透系数在95%以上,因此根据优化目标同时考虑成本因素,从表3中可以看出,当相对动弹性模量达到目标抗渗性要求时,单位体积混凝土水胶比为0.32,水泥用量为384.018kg/m3,粉煤灰用量为79.6145kg/m3,细集料用量为620.018kg/m3,粗集料用量为1131.52kg/m3,减水剂用量为0.9kg/m3,硅灰用量为18kg/m3。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法,其特征在于,包括以下步骤:
S1根据影响混凝土抗冻性及抗渗性的原材料和配合比构建混凝土耐久性指标体系,采集所述混凝土耐久性指标体的样本数据,并以此建立原始样本集,将所述原始样本集按指定比例划分为训练数集和测试数集;
S2构建支持向量机模型,将所述训练数集作为支持向量机模型的输入,对应混凝土相对动弹性模量和氯离子渗透系数作为所述支持向量机模型的输出变量,对所述支持向量机模型进行训练,并采用测试数集验证训练后的支持向量机模型的预测结果,得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数;
步骤S2具体包括以下步骤:
S21选择高斯核函数构建支持向量机模型;
S22将训练数集中的影响因素作为支持向量机模型的输入变量,对应混凝土相对动弹性模量及氯离子渗透系数作为支持向量机模型的输出变量,采用K折交叉验证进行参数寻优,以确定支持向量机模型的惩罚参数和高斯核函数核宽度参数的最优参数组合;
S23采用测试数集对基于最优参数组合下的支持向量机模型进行预测,输出预测结果以验证训练后的支持向量机模型的预测结果,并得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数;
S3将混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数为目标适应度函数,以混凝土的原材料和配合比取值范围为约束条件,构建遗传算法模型,并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优,以生成以混凝土抗冻性和抗渗性为目标的Pareto最优解;
所述混凝土耐久性指标体系包括影响因素和耐久性评价指标,所述影响因素包括水胶比、水泥强度、水泥用量、粉煤灰、细集料、粗集料、减水剂和硅灰用量,且该影响因素为支持向量机模型训练过程中的输入变量;
所述耐久性评价指标包括混凝土相对动弹性模量和混凝土氯离子渗透系数,且所述混凝土相对动弹性模量和氯离子渗透系数分别为支持向量机模型训练过程中的输出变量。
2.根据权利要求1所述的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法,其特征在于,所述训练数集与测试数集中样本总数量的比为2∶1~4∶1。
4.根据权利要求1所述的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法,其特征在于,步骤S22中,采用五折交叉验证进行参数寻优。
5.根据权利要求1所述的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法,其特征在于,步骤S23中,采用模型性能参数均方根误和拟合优度的计算模型验证训练后的支持向量机模型的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010787540.4A CN112016244B (zh) | 2020-08-07 | 2020-08-07 | 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010787540.4A CN112016244B (zh) | 2020-08-07 | 2020-08-07 | 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016244A CN112016244A (zh) | 2020-12-01 |
CN112016244B true CN112016244B (zh) | 2023-04-07 |
Family
ID=73499379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010787540.4A Active CN112016244B (zh) | 2020-08-07 | 2020-08-07 | 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016244B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417573B (zh) * | 2020-12-10 | 2024-04-12 | 华中科技大学 | 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法 |
CN114388069A (zh) * | 2021-12-22 | 2022-04-22 | 汉谷云智(武汉)科技有限公司 | 一种多性能控制的混凝土配合比优化方法 |
CN115114849B (zh) * | 2022-06-15 | 2023-04-18 | 深圳大学 | 一种低碳自密实混凝土智能化设计方法及装置 |
CN117610435B (zh) * | 2024-01-22 | 2024-04-09 | 天津路联智通交通科技有限公司 | 土木建筑施工混合材料自动配比方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
CN110737967A (zh) * | 2019-09-10 | 2020-01-31 | 上海交通大学 | 一种混凝土结构耐久性预测方法、系统及终端 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609515B (zh) * | 2009-06-25 | 2014-03-26 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
EP2305620B1 (en) * | 2009-10-05 | 2013-05-01 | MGX Patent B.V. | The use of a concrete material comprising aggregates, cement and a cement additive comprising a mixture of three zeolites for making a prefab construction material. |
CN105844007B (zh) * | 2016-03-21 | 2019-05-10 | 深圳大学 | 基于强度及氯离子渗透性双指标混凝土配合比设计方法 |
CN106294973B (zh) * | 2016-08-05 | 2019-08-06 | 长安大学 | 一种多孔混凝土的配合比设计方法 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
CN107133446A (zh) * | 2017-03-24 | 2017-09-05 | 广东工业大学 | 一种预测超早强混凝土抗压强度的方法 |
CN111488713A (zh) * | 2020-04-14 | 2020-08-04 | 中国交通建设股份有限公司吉林省分公司 | 一种混凝土早期碳化预测的方法、预测系统及存储介质 |
-
2020
- 2020-08-07 CN CN202010787540.4A patent/CN112016244B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
CN110737967A (zh) * | 2019-09-10 | 2020-01-31 | 上海交通大学 | 一种混凝土结构耐久性预测方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112016244A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016244B (zh) | 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 | |
CN112069567B (zh) | 基于随机森林和智能算法预测混凝土抗压强度的方法 | |
CN111985796B (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
Costa-Carrapiço et al. | A systematic review of genetic algorithm-based multi-objective optimisation for building retrofitting strategies towards energy efficiency | |
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN112069656B (zh) | 基于lssvm-nsgaii耐久性混凝土配合比多目标优化的方法 | |
CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
CN112070356B (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
CN111986737B (zh) | 基于rf-nsga-ii耐久性混凝土配合比优化方法 | |
CN111639838B (zh) | 一种适用于供水管网的水质监测点布局优化方法 | |
CN109829244A (zh) | 算法优化深度网络和三代遗传算法的风机优化设计方法 | |
CN111507518A (zh) | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 | |
CN109947652A (zh) | 一种软件缺陷预测的改进排序学习方法 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN114388069A (zh) | 一种多性能控制的混凝土配合比优化方法 | |
CN104778368A (zh) | 一种针对高维多目标优化问题的Pareto集个体排序方法 | |
CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN103793582A (zh) | 圆柱壳大开孔接管结构优化方法 | |
Huo et al. | Comparative research of optimization algorithms for parameters calibration of watershed hydrological model | |
CN115545294A (zh) | 一种基于issa-hkelm的短期负荷预测方法 | |
Cao et al. | Application of hybrid intelligent algorithm for multi-objective optimization of high performance concrete in complex alpine environment highway | |
CN113378276A (zh) | 一种基于遗传算法及基因表达式编程的复合地基智能设计方法 |
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 |