CN112185486A - 基于深度学习的水泥乳化沥青混合料收缩行为预测方法 - Google Patents
基于深度学习的水泥乳化沥青混合料收缩行为预测方法 Download PDFInfo
- Publication number
- CN112185486A CN112185486A CN202011015497.6A CN202011015497A CN112185486A CN 112185486 A CN112185486 A CN 112185486A CN 202011015497 A CN202011015497 A CN 202011015497A CN 112185486 A CN112185486 A CN 112185486A
- Authority
- CN
- China
- Prior art keywords
- cement
- shrinkage
- emulsified asphalt
- training
- asphalt mixture
- 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
- 239000010426 asphalt Substances 0.000 title claims abstract description 92
- 239000000203 mixture Substances 0.000 title claims abstract description 85
- 239000004568 cement Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006399 behavior Effects 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 99
- 238000013461 design Methods 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 238000002441 X-ray diffraction Methods 0.000 claims description 67
- 102100037410 Gigaxonin Human genes 0.000 claims description 52
- 101001025761 Homo sapiens Gigaxonin Proteins 0.000 claims description 52
- 238000001228 spectrum Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 8
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 6
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 5
- 238000001704 evaporation Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000035515 penetration Effects 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 4
- 229910052681 coesite Inorganic materials 0.000 claims description 4
- 229910052906 cristobalite Inorganic materials 0.000 claims description 4
- 239000000377 silicon dioxide Substances 0.000 claims description 4
- 229910052682 stishovite Inorganic materials 0.000 claims description 4
- 229910052905 tridymite Inorganic materials 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 2
- 229910052593 corundum Inorganic materials 0.000 claims description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 2
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 claims description 2
- 229910001845 yogo sapphire Inorganic materials 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 14
- 238000001878 scanning electron micrograph Methods 0.000 description 10
- 238000010998 test method Methods 0.000 description 8
- 230000036571 hydration Effects 0.000 description 6
- 238000006703 hydration reaction Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000004833 X-ray photoelectron spectroscopy Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 239000011398 Portland cement Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011083 cement mortar Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 150000004677 hydrates Chemical class 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Processing (AREA)
Abstract
本发明属于土木工程技术领域,公开了一种基于深度学习的水泥乳化沥青混合料收缩行为预测方法,确定图像生成设计参数及收缩性能设计参数;将已设计完成的水泥乳化沥青混合料数据包作为待训练数据,并构建图像生成训练样本集;构建生成式对抗神经网络模型并训练;构建收缩性能深度神经网络并训练;给定待预测混合料的设计参数,采用训练完成的生成对抗网络和收缩性能预测模型预测目标混合料的收缩率。本发明能够通过设计参数对最终设计出来的产品的收缩性能进行准确的预测,有利于快速优化水泥乳化沥青混合料的设计配比,对于改善混合料的收缩性能具有积极的意义。
Description
技术领域
本发明属于土木工程材料技术领域,尤其涉及一种基于深度学习的水泥乳化沥青混合料收缩行为预测方法。
背景技术
水泥乳化沥青混合料是一种由水泥和乳化沥青两种结合料,粗细集料以及内部空隙混合而成的非匀质体系;混合料内部呈游离状态并占据混合料分散体系大量空隙的水分蒸发后,将在混合料内部产生空隙,导致其体积稳定性差、耐久性受明显环境影响,具体表现在混合料整体均匀性差、空隙率大和收缩开裂现象严重。
准确检测或预测水泥乳化沥青混合料的收缩率对于该类材料的使用至关重要。目前针对沥青混合料收缩性能的检测手段主要包括波纹管测试、薄膜法和毛细管法等测试方法。然而这些测试法操作繁琐,技术要求高,而且试验周期长,尤其是检测准确度较低;而这种低精度检测结果会带来材料设计参数的错误指导,进而严重影响设计材料的使用性能。
传统的微观检测手段仅通过人工将混合料局部微观特征与宏观性能进行了弱关联和片面的主观定性分析。而神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型;目前已经开发出多个模型并应用于各个领域,比如生成对抗网络和深度学习网络可用于对图像深度特征进行提取并分析。因此,基于神经网络分析,表征水泥乳化沥青混合料微观结构特征的图像,对于准确分析和掌握水泥乳化沥青混合料的收缩行为,量化表征混凝土的收缩行为非常重要。
发明内容
针对现有设计方法的不足,本发明的目的是提供一种基于深度学习的水泥乳化沥青混合料(CEAC)收缩行为预测方法。将深度学习应用于水泥乳化沥青混合料的收缩行为预测,将水泥乳化沥青混合料的微观特征因素引入其收缩性能评估,大大提高了水泥乳化沥青混合料收缩行为的预测效率和准确率,有利于快速优化水泥乳化沥青混合料的配比并改善其收缩性能。
基于深度学习的水泥乳化沥青混合料收缩行为预测方法,包括以下步骤:
步骤1,确定与水泥乳化沥青混合料的微观图像、XRD图谱对应的图像生成设计参数x1及收缩性能设计参数x2;将n组已设计完成的水泥乳化沥青混合料数据作为待训练数据,将每组已设计完成的水泥乳化沥青混合料数据划分为图像生成数据和收缩性能数据;构建图像生成训练样本集;
其中,n>200;所述图像生成设计参数x1包含CEAC配合比、水泥主要成分含量、水泥密度、凝结时间、乳化沥青蒸发残留物含量、集料主要成分含量和养护时间;每组图像生成数据包含一组已设计完成的水泥乳化沥青混合料的图像生成设计参数或一幅真实微观扫描图像、一幅真实XRD图谱;一组图像生成数据为一组图像生成训练样本;所述收缩性能设计参数x2包含水泥3天抗压强度、水泥28天抗压强度、水泥主要成分含量、水泥凝结时间、沥青的针入度、沥青软化点、沥青延度、集料级配、表观相对密度、压碎值和磨耗值;每组收缩性能数据包含一组已设计完成的水泥乳化沥青混合料的收缩性能设计参数和收缩率;图像生成训练样本集中的数据包含n组已设计完成的水泥乳化沥青混合料的图像生成设计参数x1和通过高斯随机噪声z扩充得到的n组参数x1′,高斯随机噪声服从N(0,1)分布,a为x1的维度;
步骤2,根据图像生成训练样本集,对应构建生成对抗网络模型;采用图像生成训练样本集对生成对抗网络进行训练,得到训练完成的生成对抗网络模型;
其中,所述生成对抗网络模型包含两个并行的生成对抗网络GAN 1和GAN 2,GAN 1对应生成XRD图谱y1及GAN 2对应生成微观扫描图像y2;
步骤3,根据收缩性能数据,建立收缩性能训练样本集,对应构建收缩性能深度神经网络;采用收缩性能训练样本集对收缩性能深度神经网络进行训练,得到收缩性能预测模型;
其中,每组训练样本包含一组收缩性能数据和由训练完成的生成对抗网络生成的对应XRD图谱y1及微观扫描图像y2;
步骤4,给定待预测水泥乳化沥青混合料的图像生成设计参数和收缩性能设计参数,将图像生成设计参数输入训练完成的生成对抗网络,输出生成XRD图谱和生成微观扫描图像;将该输出数据和收缩性能设计参数组合输入收缩性能预测模型,输出待预测水泥乳化沥青混合料的收缩率预测值。
与现有技术相比,本发明的优点在于:
(1)本发明利用深度学习建立了水泥乳化沥青混合料的设计参数与产品最终的收缩性能之间的关系,能够通过设计参数对最终设计出来的产品的收缩性能进行准确的预测,有利于快速优化水泥乳化沥青混合料的设计配比,并得到预期收缩性能;对于改善混合料的收缩性能具有积极的意义。
(2)本发明利用生成对抗网络和设计参数有效合成了对应产品的XRD图谱和微观扫描图像,并捕捉肉眼不易区分的微观结构和成分特征进行差异分析,避免了传统试验从微观角度定性分析的主观偏差。
附图说明
图1为本发明采用的深度学习框架示意图;
图2为本发明实施例中36组CEAC所用集料级配图;
图3为本发明实施例中生成的水泥乳化沥青混合料的XRD光谱图;其中,(a)对应I1~I4,(b)对应II1~II4,(c)对应III1~III4,(d)对应IV1~IV4,(e)对应V1~V4,(f)对应VI1~VI4,(g)对应VII1~VII4,(h)对应VIII1~VIII4,(i)对应IX1~IX4;
图4为本发明实施例中生成的水泥乳化沥青混合料的SEM图像;其中,(a)含沥青和孔洞的SEM图像,(b)含水泥水化产物SEM图像;
图5为本发明实施例中微观扫描图像生成判别模型生成SEM图像的ROC曲线;
图6为本发明实施例中36组CEAC的干缩率预测结果:(a)6%乳化沥青含量;(b)7%乳化沥青含量;(c)8%乳化沥青含量。
具体实施方式
为详细说明本发明的技术内容、操作流程、所实现目的和效果,给出以下实施例说明。
参考图1,一种基于深度学习的水泥乳化沥青混合料收缩行为预测方法,包括以下步骤:
步骤1,确定与水泥乳化沥青混合料的微观图像、XRD图谱对应的图像生成设计参数x1及收缩性能设计参数x2;将n组已设计完成的水泥乳化沥青混合料数据作为待训练数据,将每组已设计完成的水泥乳化沥青混合料数据划分为图像生成数据和收缩性能数据,并构建图像生成训练样本集;
其中,n>200;所述图像生成设计参数x1包含CEAC配合比、水泥主要成分含量、水泥密度、凝结时间、乳化沥青蒸发残留物含量、集料主要成分含量和养护时间;每组图像生成数据包含一组已设计完成的水泥乳化沥青混合料的图像生成设计参数或一幅真实微观扫描图像、一幅真实XRD图谱;一组图像生成数据为一组图像生成训练样本;所述收缩性能设计参数x2包含水泥3天抗压强度、水泥28天抗压强度、水泥主要成分含量、水泥凝结时间、沥青的针入度、沥青软化点、沥青延度、集料级配、表观相对密度、压碎值和磨耗值;每组收缩性能数据包含一组已设计完成的水泥乳化沥青混合料的收缩性能设计参数和收缩率;图像生成训练样本集中的数据包含n组已设计完成的水泥乳化沥青混合料的图像生成设计参数x1、通过高斯随机噪声z扩充得到的n组参数x1′和多组真实微观扫描图像和真实XRD图谱;其中高斯随机噪声服从N(0,1)分布,a为x1的维度;
本发明中的图像生成设计参数x1及收缩性能设计参数x2可以根据研究目的进行适应的变动。本发明中的已设计完成的水泥乳化沥青混合料数据为通过实验室的具体试验过程得到的参数和结果数据。
所述水泥和集料的成分含量利用X射线光电子能谱技术(XPS)测试获得,其中集料可为玄武岩、石灰岩、花岗岩的一种或多种的组合。水泥密度和凝结时间分别依照国家标准GB/T 208-2014《水泥密度测定方法》和GB/T 1346-2011《水泥标准稠度用水量、凝结时间、安定性检验方法》测试。乳化沥青蒸发残留物含量依照标准JTG E20-2011《公路工程沥青及沥青混合料试验规程》测试。所述水泥抗压强度根据GB/T 17671-1999《水泥胶砂强度检验方法(ISO法)》检测;沥青的针入度、软化点与延度根据JTG E20-2011《公路工程沥青及沥青混合料试验规程》测试;集料级配选择连续级配和间断级配的一种,不同组别之间以阿拉伯数字区分。CEAC的收缩率依照标准GB/T 50082-2009《普通混凝土长期性能和耐久性能试验方法标准》测试。本发明中训练样本集中相关参数均按上述测试方法获取。
所述CEAC配合比包含水泥、沥青和水占集料质量的百分比;水泥主要成分含量为水泥主要成分的质量分数,水泥主要成分包含SiO2、CaO、Al2O3、Fe2O3、MgO、SO3、f-CaO、C3S、C2S、C3A和C4AF;集料主要成分含量包含CaO的质量分数和SiO2的质量分数。
步骤2,根据图像生成训练样本集,对应构建生成对抗网络模型;采用图像生成训练样本集对生成对抗网络模型进行训练,得到训练完成的生成对抗网络;
其中,所述生成对抗网络模型包含两个并行的生成对抗网络GAN 1和GAN 2,GAN 1对应生成XRD图谱y1及GAN 2对应生成微观扫描图像y2;
所述GAN 1和GAN 2分别由一个生成器G和鉴别器D组成。
具体的,生成器G以一组图像生成设计参数为输入,以对应的XRD图谱y1或微观扫描图像y2为目标输出,通过反卷积神经网络的形式建立映射G(x1)→y1,G(x1)→y2,G(x1′)→y1或G(x1′)→y2。
所述生成器G由多个反卷积层、高斯随机场和SVMs组成;所述判别器D包含输入层、卷积层、池化层、全连接层和输出层。
对生成对抗网络模型进行训练,具体步骤为:
2.1,对两个生成对抗网络GAN 1和GAN 2中的网络参数分别进行随机初始化;
2.2,采用图像生成训练样本集中的样本对GAN 1和GAN 2进行并行训练,对生成对抗网络中的生成器和判别器进行端对端训练,直至对应的生成对抗网络的判别器输出的概率分布收敛于(0.5,0.5),得到训练完成的生成对抗网络;
其中,每个样本为一组图像生成设计参数x1、由高斯随机噪声扩充的一组设计参数x1′、一幅真实XRD图谱或一幅真实微观扫描图像。
具体地,并行训练步骤为:将每组图像生成训练样本分别并列输入GAN 1和GAN 2,GAN 1的生成器生成对应XRD图谱,GAN 2的生成器生成对应微观扫描图像;GAN 1和GAN 2的判别器分别对XRD图谱和微观扫描图像进行真假判别,输出对应判别概率。
对生成对抗网络中的生成器和判别器进行端对端训练,具体步骤为:
随机选择一组图像生成训练样本集中的设计参数样本输入生成器,获得生成的XRD图谱和微观扫描图像;将生成的XRD图谱、微观扫描图像或真实的XRD图谱、微观扫描图像输入判别器,输出概率分布;计算输出概率分布和目标概率分布(0.5,0.5)的欧几里得距离,作为预测损失;依据预测损失,采用随机梯度下降算法调整生成器和判别器的网络参数。
实际上,在生成器G中输入数据依次流经Dilated Conv 1,…,Dilated Conv 8、高斯随机场和SVMs等网络结构,输出与x1对应的XRD图谱y1和微观扫描图像y2,从而建立映射G(x1)→y1,G(x1)→y2,G(x1′)→y1或G(x1)→y2。
随后,由G生成的数据作为鉴别器的训练样本集中数据的一部分。
鉴别器D的输入数据依次经过输入层、L1、L2、L3、L4和输出层,分别进行卷积、池化、全连接、激活、损失函数的计算和判别等操作,输出为输入数据的判别概率,输出越接近1,说明判别对象为真的可能性越大,数据越接近0,说明为假的可能性越大。
步骤3,根据收缩性能数据,建立收缩性能训练样本集,对应构建收缩性能深度神经网络;采用收缩性能训练样本集对收缩性能深度神经网络进行训练,得到收缩性能预测模型;
其中,每组训练样本包含一组收缩性能数据和由训练完成的生成对抗网络生成的对应XRD图谱y1及微观扫描图像y2;
所述收缩性能深度神经网络包含三个并列的DNN特征提取器、特征级联器和人工神经网络;每个DNN特征提取器包含若干个卷积层和池化层,每个卷积层后跟随一个池化层,用于进行输入数据的特征提取。
进一步地,所述采用收缩性能训练样本集对收缩性能深度神经网络进行训练,具体步骤为:
3.1,对收缩性能深度神经网络的网络参数进行随机初始化;
3.2,将生成XRD图谱y1、生成微观扫描图像y2和收缩性能设计参数x2作为一组收缩性能训练样本,y1、y2、x2分别对应输入一个特征提取器,输出对应的特征向量f1、f2、f3;再通过特征级联器将三个特征向量f1、f2、f3进行级联,得到一个级联后的连接向量f={f1,f2,f3};
3.3,将连接向量f导入人工神经网络,通过若干个全连接层将连接向量f映射到收缩率d,即输出对应该组输入样本的收缩率;
3.4,通过小批量随机梯度下降算法分别更新三个特征提取器和人工神经网络中的网络参数,直至损失函数达到精度要求,结束训练过程。
实际操作过程中,所述水泥乳化沥青样本集中的所有图像样本被划分为训练集和测试集;训练集和测试集均包括原始XRD图谱和微观扫描图像,且训练集和测试集分别占图像样本总数量的75%和25%。
采用收缩性能训练样本集训练DNN,利用训练完成的DNN预测对应不同参数的收缩率。具体的,所述DNN包含并列三个特征提取器(DNN#1,DNN#2和DNN#3)、一个特征级联器、一个人工神经网络(ANN)。训练单次迭代步骤包括:
(a)将生成XRD图谱y1、生成微观扫描图像y2、设计参数x2分别对应导入DNN#1,DNN#2和DNN#3。每个DNN特征提取器包括若干个卷积层和池化层。卷积层和池化层数量一致,一个卷积层跟随一个池化层。每个卷积层l计算公式如下:
式中,是第l卷积层的第c个卷积核卷积结果的第u行、v列元素,是输入参数在第i+u行和j+v列的元素;第l卷积层的第c个卷积核输出结果的第u行、v列元素,是卷积核矩阵在第j行和第i列中的权重,其中,c=1,...,C;C是卷积层l的卷积核数,Bl,c是卷积核矩阵的偏值。
卷积层l后跟随的池化层计算过程如下:
(b)采用特征级联器将三个DNN特征提取器的输出向量(f1、f2、,f3)组成一个新的连接向量f={f1,f2,f3}。
(c)将连接向量f导入ANN。ANN包括若干个全连接层用于将f映射到CEAC收缩特性d。第δ个全连接层计算过程如下,
ANN的最终损失根据下式计算,
式中:NΔ是ANN中最后一层的输出向量,d表示混合料的收缩率。
结合最终损失LA(f),通过小批量随机梯度下降更新三个DNN和ANN中的参数。随后采用测试集测试神经网络模型性能并固化模型,获得水泥乳化沥青混合料收缩行为的最终预测模型。
步骤4,给定待预测水泥乳化沥青混合料的图像生成设计参数和收缩性能设计参数,将图像生成设计参数输入训练完成的生成对抗网络,输出生成XRD图谱和生成微观扫描图像;将该输出数据和收缩性能设计参数组合输入收缩性能预测模型,输出待预测水泥乳化沥青混合料的收缩率预测值。
实施例:
本实施例提供一种利用深度学习表征水泥乳化沥青混合料的水化特征和收缩行为的预测方法,具体的,本实施例采用的深度学习框架示意图如图1所示,具体包括以下步骤:
步骤一,获得分别对应XRD光谱和扫描电子显微镜图像(SEM图像)的训练完成的生成对抗网络GAN 1和GAN 2。由于本发明专利采用的GAN1和GAN 2的神经网络结构和训练方式完全一致,且两者的训练样本集构成相似,因此本步骤仅阐述GAN 1。
首先确定图像生成训练样本集。图像生成训练样本集包括2505组图像生成数据,每组图像生成数据包含一组已设计完成的水泥乳化沥青混合料的图像生成设计参数或一幅真实XRD图谱;一组图像生成数据为一组图像生成训练样本;图像生成训练样本集中的数据包含835组已设计完成的水泥乳化沥青混合料的图像生成设计参数x1,通过高斯随机噪声z扩充得到的835组参数x1′以及835组真实XRD图谱,高斯随机噪声服从N(0,1)分布,a为x1的维度;所述图像生成设计参数x1包含CEAC配合比、水泥主要成分含量、水泥密度、凝结时间、乳化沥青蒸发残留物含量、集料主要成分含量和养护时间。
本实施例中的图像生成设计参数x1可以根据研究目的进行适应的变动。本实施例中的已设计完成的水泥乳化沥青混合料数据为通过实验室的具体试验过程得到的参数和结果数据。
根据图像生成训练样本集,对应构建生成对抗网络模型GAN 1;采用图像生成训练样本集对生成对抗网络模型进行训练,得到训练完成的生成对抗网络;
所述GAN 1由一个生成器G和鉴别器D组成。具体的,生成器G以一组图像生成设计参数为输入,以对应的XRD图谱y1为目标输出,通过反卷积神经网络的形式建立映射G(x1)→y1,G(x1′)→y1。优选的生成器G中数据传输顺序如表1所示。
表1生成器G的各结构层参数
所述鉴别器D以图像生成训练样本集中数据组合为输入,数据流分别经过表2中鉴别器D的各结构层,目标输出为输入数据的判别概率,目标输出越接近1,说明判别对象为真的可能性越大,数据越接近0,说明为假的可能性越大。
表2鉴别器D的各结构层参数
对生成对抗网络模型进行训练。选择对G和D进行端对端训练的方式逐渐优化网络模型。具体步骤为:
随机选择一组图像生成训练样本集中的设计参数样本输入生成器,获得生成的XRD图谱;将生成的XRD图谱或真实的XRD图谱输入判别器,输出概率分布;计算输出概率分布和目标概率分布(0.5,0.5)的欧几里得距离,作为预测损失;依据预测损失,采用随机梯度下降算法调整生成器和判别器的内部参数。
按照以上步骤对G和D进行多次端对端训练。当迭代次数为2328次时模型收敛,判别器的判别概率分布趋近于(0.5,0.5),此时模型取得全局最优解,训练结束,获得训练完成的生成对抗网络GAN 1。
采用相同的步骤训练生成SEM图像的GAN 2。当迭代次数为2409次时模型收敛,判别器D的判别概率分布趋近于(0.5,0.5),此时模型取得全局最优解,训练结束,获得训练完成的生成对抗网络GAN 2。
步骤二:建立收缩性能训练样本集,收缩性能训练样本集中每组训练样本包含一组XRD图谱y1、微观扫描图像y2、设计参数x2及收缩性能数据;构建收缩性能深度神经网络;采用收缩性能训练样本集对收缩性能深度神经网络进行训练,得到收缩性能预测模型;
设计参数x2包括水泥3天和28天抗压强度、水泥的主要成分含量和凝结时间、沥青的针入度、软化点与延度、集料级配、表观相对密度、压碎值和磨耗值;y1和y2分别为步骤一中生成的CEAC的XRD图谱和微观扫描图像;
进一步地,所述采用收缩性能训练样本集对收缩性能深度神经网络进行训练,具体步骤为:
(a)对收缩性能深度神经网络的网络参数进行随机初始化;
(b)将生成XRD图谱y1、生成微观扫描图像y2和收缩性能设计参数x2作为一组收缩性能训练样本,y1、y2、x2分别对应输入一个特征提取器,输出对应的特征向量f1、f2、f3;再通过特征级联器将三个特征向量f1、f2、f3进行级联,得到一个级联后的连接向量f={f1,f2,f3};
(c)将连接向量f导入人工神经网络,通过若干个全连接层将连接向量f映射到收缩率d,即输出对应该组输入样本的收缩率;
(d)通过小批量随机梯度下降算法分别更新三个特征提取器和人工神经网络中的网络参数,直至损失函数达到精度要求,结束训练过程。
实际操作过程中,所述水泥乳化沥青样本集中的所有图像样本被划分为训练集和测试集;训练集和测试集均包括原始XRD图谱和微观扫描图像,且训练集和测试集分别占图像样本总数量的75%和25%。
步骤三:依据表3中给定的36组CEAC的设计参数采用训练完成的GAN、DNN、ANN预测CEAC的水化特征和干缩性能。
(1)将每组CEAC的设计参数分配给x1,x2,y0和d。所述36组CEAC所用水泥为普通硅酸盐水泥,其主要化学成分,矿物组成和性能如表4,表5和表6所示。所用集料级配如图2所示。采用训练完成的GAN合成相应的XRD光谱和SEM图像,如图3和图4所示。从图4中可以看出生成对抗网络成功合成了类似于真实样本的图像。
表3 36组CEAC设计参数
表4水泥主要化学成分/%
表5水泥主要矿物组成/%
矿物组成 | 水泥1 | 水泥2 |
C<sub>3</sub>S | 66.52 | 69.64 |
C<sub>2</sub>S | 17.33 | 16.24 |
C<sub>3</sub>A | 7.63 | 6.82 |
C<sub>4</sub>AF | 8.52 | 7.3 |
表6水泥性能
性能 | 水泥1 | 水泥2 |
密度/(g/cm<sup>3</sup>) | 3.058 | 3.221 |
初凝时间/(min) | 149 | 132 |
终凝时间/(min) | 221 | 214 |
3d抗压强度/(MPa) | 28.7 | 31.4 |
28d抗压强度/(MPa) | 49.5 | 54.9 |
(2)采用下式(1)计算CEAC的合成XDR光谱和实际XDR光谱之间的平均欧氏距离d(y,y0)为:
式中y0(2θ)和y(2θ)分别为生成XDR光谱和真实XDR光谱中的强度值;2θ是入射X射线和衍射X射线之间的角度;m为验证数据集中的样品编号;k为样本采样角的总数。当光谱中的强度值用最大强度归一化时,训练完成的GAN最终实现了小于0.001的平均欧氏距离,它表明合成和实际XDR光谱非常接近。
(3)采用下式(2a)、(2b)计算用于合成SEM图像的GAN的感受性曲线(ROC曲线),如图5所示,
其中,真正率表示将负样本(生成样本)预测为正样本(真实样本)的比例;假正率表示正样本的召唤率。在图5中,ROC曲线距离纯机遇线越远,表明GAN的辨别力越强。水化产物和背景的ROC曲线距离纯机遇线很远,表明GAN具有生成SEM图像的能力,可以表征CEAC的微观结构中的水化产物和背景。
上述结果表明,GAN能够将CEAC的设计参数映射到其XRD光谱和SEM图像。借助GAN仅使用CEAC的设计参数便可预测CEAC的水化作用和微观结构。
(4)将合成XRD图谱y1、合成微观扫描图像y2、设计参数x2导入DNN中预测36组CEAC的干缩率,预测结果及实际试验结果如图6所示。计算所有混合料收缩率预测结果与真实结果之间误差的平均值为待预测样本的评价依据。该实施例的最终评价指标值为2.70%,证明本发明提出的水泥乳化沥青混合料收缩行为预测方法具有高而稳定的精度,可以快速准确地预测混合料的收缩率。
本发明中的XRD光谱图可表征水泥乳化沥青混合料独有成分特征,可以准确反映混合料的结晶和水化特征。所述的微观扫描图像为由不同分辨率光学或电子显微镜拍摄的,或由本文构建神经网络训练得到的清晰微观特征图像,图像中可明显分辨混合料的微观特征,包括各成分相和孔结构的分布和含量以及微观形貌。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.基于深度学习的水泥乳化沥青混合料收缩行为预测方法,其特征在于,包括以下步骤:
步骤1,确定与水泥乳化沥青混合料的微观图像、XRD图谱对应的图像生成设计参数x1及收缩性能设计参数x2;将n组已设计完成的水泥乳化沥青混合料数据作为待训练数据,将每组已设计完成的水泥乳化沥青混合料数据划分为图像生成数据和收缩性能数据;构建图像生成训练样本集;
其中,n>200;所述图像生成设计参数x1包含CEAC配合比、水泥主要成分含量、水泥密度、凝结时间、乳化沥青蒸发残留物含量、集料主要成分含量和养护时间;每组图像生成数据包含一组已设计完成的水泥乳化沥青混合料的图像生成设计参数或一幅真实微观扫描图像、一幅真实XRD图谱;一组图像生成数据为一组图像生成训练样本;所述收缩性能设计参数x2包含水泥3天抗压强度、水泥28天抗压强度、水泥主要成分含量、水泥凝结时间、沥青的针入度、沥青软化点、沥青延度、集料级配、表观相对密度、压碎值和磨耗值;每组收缩性能数据包含已设计完成的水泥乳化沥青混合料的收缩性能设计参数和收缩率;图像生成训练样本集中的数据包含n组已设计完成的水泥乳化沥青混合料的图像生成设计参数x1和通过高斯随机噪声z扩充得到的n组参数x1′,高斯随机噪声服从N(0,1)分布,a为x1的维度;
步骤2,根据图像生成训练样本集,对应构建生成对抗网络模型;采用图像生成训练样本集对生成对抗网络进行训练,得到训练完成的生成对抗网络模型;
其中,所述生成对抗网络模型包含两个并行的生成对抗网络GAN 1和GAN 2,GAN 1对应生成XRD图谱y1及GAN 2对应生成微观扫描图像y2;
步骤3,根据收缩性能数据,建立收缩性能训练样本集,对应构建收缩性能深度神经网络;采用收缩性能训练样本集对收缩性能深度神经网络进行训练,得到收缩性能预测模型;
其中,每组训练样本包含一组收缩性能数据和由训练完成的生成对抗网络生成的对应XRD图谱y1及微观扫描图像y2;
步骤4,给定待预测水泥乳化沥青混合料的图像生成设计参数和收缩性能设计参数,将图像生成设计参数输入训练完成的生成对抗网络,输出生成XRD图谱和生成微观扫描图像;将该输出数据和收缩性能设计参数组合输入收缩性能预测模型,输出待预测水泥乳化沥青混合料的收缩率预测值。
2.根据权利要求1所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法,其特征在于,所述CEAC配合比包含水泥、沥青和水占集料质量的百分比;水泥主要成分含量为水泥主要成分的质量分数,水泥主要成分包含SiO2、CaO、Al2O3、Fe2O3、MgO、SO3、f-CaO、C3S、C2S、C3A和C4AF;集料主要成分含量包含CaO的质量分数和SiO2的质量分数。
3.根据权利要求1所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法,其特征在于,所述生成对抗神经网络包含生成器和判别器,所述生成器为反卷积神经网络,其由多个反卷积层、高斯随机场和SVMs组成;所述判别器包含输入层、卷积层、池化层、全连接层和输出层。
4.根据权利要求1所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法,其特征在于,所述采用图像生成训练样本集对生成对抗神经网络模型进行训练,具体步骤为:
2.1,对两个生成对抗网络GAN 1和GAN 2中的网络参数分别进行随机初始化;
2.2,采用图像生成训练样本集中的样本对GAN 1和GAN 2进行并行训练,即对生成对抗网络中的生成器和判别器进行端对端训练,直至对应的生成对抗网络的判别器输出的概率分布收敛于(0.5,0.5),得到训练完成的生成对抗网络;
其中,每个样本为一组图像生成设计参数x1、由高斯随机噪声扩充的一组设计参数x1′、一幅真实XRD图谱或一幅真实微观扫描图像。
5.根据权利要求4所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法,其特征在于,所述并行训练的步骤为:将每组图像生成训练样本分别并列输入GAN 1和GAN 2,GAN 1的生成器生成对应XRD图谱,GAN 2的生成器生成对应微观扫描图像;GAN 1和GAN 2的判别器分别对XRD图谱和微观扫描图像进行真假判别,输出对应判别概率。
6.根据权利要求4所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法,其特征在于,所述对生成对抗网络中的生成器和判别器进行端对端训练,具体步骤为:
随机选择一组图像生成训练样本集中的设计参数样本输入生成器,获得生成的XRD图谱和微观扫描图像;将生成的XRD图谱、微观扫描图像或真实的XRD图谱、微观扫描图像输入判别器,输出概率分布;计算输出概率分布和目标概率分布(0.5,0.5)的欧几里得距离,作为预测损失;依据预测损失,采用随机梯度下降算法调整生成器和判别器的网络参数。
7.根据权利要求1所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法,其特征在于,所述收缩性能深度神经网络包含三个并列的DNN特征提取器、特征级联器和人工神经网络;每个DNN特征提取器包含若干个卷积层和池化层,每个卷积层后跟随一个池化层,用于进行输入数据的特征提取。
8.根据权利要求7所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法,其特征在于,所述采用收缩性能训练样本集对收缩性能深度神经网络进行训练,具体步骤为:
3.1,对收缩性能深度神经网络的网络参数进行随机初始化;
3.2,将生成XRD图谱y1、生成微观扫描图像y2和收缩性能设计参数x2作为一组收缩性能训练样本,y1、y2、x2分别对应输入一个特征提取器,输出对应的特征向量f1、f2、f3;再通过特征级联器将三个特征向量f1、f2、f3进行级联,得到一个级联后的连接向量f={f1,f2,f3};
3.3,将连接向量f导入人工神经网络,通过若干个全连接层将连接向量f映射到收缩率d,即输出对应该组输入样本的收缩率;
3.4,通过小批量随机梯度下降算法分别更新三个特征提取器和人工神经网络中的网络参数,直至损失函数达到精度要求,结束训练过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015497.6A CN112185486B (zh) | 2020-09-24 | 2020-09-24 | 基于深度学习的水泥乳化沥青混合料收缩行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015497.6A CN112185486B (zh) | 2020-09-24 | 2020-09-24 | 基于深度学习的水泥乳化沥青混合料收缩行为预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112185486A true CN112185486A (zh) | 2021-01-05 |
CN112185486B CN112185486B (zh) | 2024-02-09 |
Family
ID=73956631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011015497.6A Active CN112185486B (zh) | 2020-09-24 | 2020-09-24 | 基于深度学习的水泥乳化沥青混合料收缩行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112185486B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927184A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 基于深度学习的自密实混凝土性能检测方法及装置 |
CN113155614A (zh) * | 2021-04-25 | 2021-07-23 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及系统 |
CN118380086A (zh) * | 2024-06-24 | 2024-07-23 | 苏交科集团股份有限公司 | 一种沥青混合料配合比智能设计方法及系统 |
CN118380086B (zh) * | 2024-06-24 | 2024-09-10 | 苏交科集团股份有限公司 | 一种沥青混合料配合比智能设计方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544555A (zh) * | 2018-11-26 | 2019-03-29 | 陕西师范大学 | 基于生成式对抗网络的细小裂缝分割方法 |
CN109801292A (zh) * | 2018-12-11 | 2019-05-24 | 西南交通大学 | 一种基于生成对抗网络的沥青公路裂缝图像分割方法 |
WO2020029356A1 (zh) * | 2018-08-08 | 2020-02-13 | 杰创智能科技股份有限公司 | 一种基于生成对抗网络的脸部变化预测方法 |
US20200065968A1 (en) * | 2018-08-24 | 2020-02-27 | Ordnance Survey Limited | Joint Deep Learning for Land Cover and Land Use Classification |
CN111445965A (zh) * | 2020-03-25 | 2020-07-24 | 长安大学 | 一种基于深度学习的碳纤维增强水泥基材料的设计方法 |
-
2020
- 2020-09-24 CN CN202011015497.6A patent/CN112185486B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020029356A1 (zh) * | 2018-08-08 | 2020-02-13 | 杰创智能科技股份有限公司 | 一种基于生成对抗网络的脸部变化预测方法 |
US20200065968A1 (en) * | 2018-08-24 | 2020-02-27 | Ordnance Survey Limited | Joint Deep Learning for Land Cover and Land Use Classification |
CN109544555A (zh) * | 2018-11-26 | 2019-03-29 | 陕西师范大学 | 基于生成式对抗网络的细小裂缝分割方法 |
CN109801292A (zh) * | 2018-12-11 | 2019-05-24 | 西南交通大学 | 一种基于生成对抗网络的沥青公路裂缝图像分割方法 |
CN111445965A (zh) * | 2020-03-25 | 2020-07-24 | 长安大学 | 一种基于深度学习的碳纤维增强水泥基材料的设计方法 |
Non-Patent Citations (4)
Title |
---|
尹豪;王志雄;王蓝英;: "基于BP神经网络的沥青混合料水稳定性预测模型", 筑路机械与施工机械化, no. 10 * |
李良福;胡敏;: "基于生成式对抗网络的细小桥梁裂缝分割方法", 激光与光电子学进展, no. 10 * |
谭忆秋;公维强;周纯秀;宋宪辉;: "基于BP神经网络的沥青混合料低温性能预测模型", 中外公路, no. 06 * |
谭忆秋;公维强;徐慧宁;: "基于BP神经网络沥青混合料低温弯拉应变预测模型", 沈阳建筑大学学报(自然科学版), no. 02 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927184A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 基于深度学习的自密实混凝土性能检测方法及装置 |
CN113155614A (zh) * | 2021-04-25 | 2021-07-23 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及系统 |
CN113155614B (zh) * | 2021-04-25 | 2023-07-28 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及系统 |
CN118380086A (zh) * | 2024-06-24 | 2024-07-23 | 苏交科集团股份有限公司 | 一种沥青混合料配合比智能设计方法及系统 |
CN118380086B (zh) * | 2024-06-24 | 2024-09-10 | 苏交科集团股份有限公司 | 一种沥青混合料配合比智能设计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112185486B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112185486B (zh) | 基于深度学习的水泥乳化沥青混合料收缩行为预测方法 | |
CN110610061B (zh) | 一种融合多源信息的混凝土塌落度高精度预测方法 | |
Alshihri et al. | Neural networks for predicting compressive strength of structural light weight concrete | |
CN111445965B (zh) | 一种基于深度学习的碳纤维增强水泥基材料的设计方法 | |
Kamal et al. | A novel durability based concrete mix design using supplementary cementitious materials and modified aggregate band gradation | |
Shin et al. | Digital vision based concrete compressive strength evaluating model using deep convolutional neural network | |
KR20090114162A (ko) | 콘크리트 배합 선정방법 | |
CN113312846B (zh) | 一种基于混合工艺过程的智能检测方法及系统 | |
CN110364232A (zh) | 一种基于忆阻器-梯度下降法神经网络的高性能混凝土强度预测方法 | |
CN115497574A (zh) | 一种基于模型融合的hpc抗压强度预测方法和系统 | |
Waris et al. | Predicting compressive strength of CRM samples using Image processing and ANN | |
CN111027117B (zh) | 胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法 | |
Zeng et al. | Deep learning enabled particle analysis for quality assurance of construction materials | |
CN115409826A (zh) | 一种水泥及其基材料元素含量非直接测度方法和系统 | |
Tong et al. | Characterization of hydration and dry shrinkage behavior of cement emulsified asphalt composites using deep learning | |
Sherzer et al. | Introducing fracturing through aggregates in LDPM | |
Kalra et al. | Research review and modeling of concrete compressive strength using artificial neural networks | |
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 | |
Yoon et al. | Framework for rapid characterization of fresh properties of cementitious materials using point cloud and machine learning | |
Ozturk et al. | Identification of water/cement ratio of cement pastes, basing on the microstructure image analysis data and using artificial neural network | |
Dewan et al. | Cement Strength Prediction using Regression Techniques | |
Ma et al. | Exploring the experimental design and statistical modeling of cementitious composite systems using various sampling methods | |
Moraru et al. | Euler number: a method for statistical analysis of ancient pottery porosity | |
CN115114849B (zh) | 一种低碳自密实混凝土智能化设计方法及装置 | |
Xing et al. | Correlation model between mesostructure and gradation of asphalt mixture based on statistical method |
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 |