CN112684156A - 一种基于深度学习的混凝土强度预测方法 - Google Patents
一种基于深度学习的混凝土强度预测方法 Download PDFInfo
- Publication number
- CN112684156A CN112684156A CN202110014468.6A CN202110014468A CN112684156A CN 112684156 A CN112684156 A CN 112684156A CN 202110014468 A CN202110014468 A CN 202110014468A CN 112684156 A CN112684156 A CN 112684156A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- concrete
- concrete strength
- layer
- self
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 37
- 239000002994 raw material Substances 0.000 claims abstract description 18
- 238000002474 experimental method Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000004568 cement Substances 0.000 claims description 4
- 239000003638 chemical reducing agent Substances 0.000 claims description 4
- 239000010881 fly ash Substances 0.000 claims description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 4
- 239000011707 mineral Substances 0.000 claims description 4
- 239000000843 powder Substances 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的混凝土强度预测方法，其包括在对若干组混凝土样本进行强度实验，获得若干组混凝土样本的强度；将所有混凝土样本分割为训练集和测试集；建立深度学习预测模型，模型的输入为每组混凝土样本中各种原料组分的用量，输出为混凝土强度；将实时特征数据即混凝土各种原料的用量代入到建立的深度学习预测模型中，预测混凝土强度。本发明提供的一种基于深度学习的混凝土强度预测方法，取代了传统的通过具体的配比养护实验来测定混凝土强度的方法，节省了原材料和大量的人力及时间；与传统的机器学习算法相比，本发明采用的深度学习算法建立预测模型，得到的结果更准确、更快速。
Description
技术领域
本发明涉及混凝土强度检测技术领域，尤其涉及一种基于深度学习的混凝土强度预测方法。
背景技术
混凝土的强度是混凝土质量工程的核心内容，是结构设计、施工的重要依据。通常情况下，混凝土的生产原料包括水泥、矿粉、粉煤灰、水、减水剂、细骨料、粗骨料等。在实际生产混凝土之前，必须在实验室通过配比实验，确定原料的配比。此过程中，各种原料按照一定的配比搅拌均匀后，按照标准的制作方法制成边长为150mm的立方体试件，在标准养护条件(温度20±3℃，相对湿度90％以上)下，经过28天的养护龄期，并按照标准检测方法来测定其抗压强度值。这种通过具体的配比养护实验来测定混凝土强度的方法，一方面耗费原材料，另一方面浪费大量的人力和时间。因此一种根据混凝土原料组分信息快速预测混凝土强度的方法，对混凝土快速配比实验和质量控制具有重要意义。
目前对混凝土强度的预测主要采用机器学习算法。传统的机器学习算法，如人工神经网络、支持向量机等在特征提取的过程中往往需要人为设计，因此测量的精度并不是很高。深度学习能够非常有效的从大量有标签数据中心深度提取数据的特征信息，充分挖掘数据的内在属性和有价值的表征数据，然后组合低层特征为更加抽象的高层特征，而高层特征则是数据更高级、更本质的描述，由此可以在预测问题上得到更优的结果。
发明内容
有鉴于此，有必要提供一种基于深度学习的混凝土强度预测方法，用以解决目前对混凝土强度的预测主要采用机器学习算法，传统的机器学习算法在特征提取的过程中往往需要人为设计，导致测量的精度不高的问题。
本发明提供一种基于深度学习的混凝土强度预测方法，包括：
在现场按照标准混凝土强度检测方法对若干组含有不同水泥、矿粉、粉煤灰、水、减水剂、细骨料和粗骨料组分信息的混凝土样本进行强度实验，获得若干组混凝土样本的强度；
将所有混凝土样本分割为训练集和测试集，并分别对训练集数据的每个特征值即原料用量和目标值即混凝土强度数据进行标准化处理；
根据标准化处理后的训练集数据建立深度学习预测模型，模型的输入为每组混凝土样本中各种原料组分的用量，输出为混凝土强度；
训练深度学习预测模型，并将训练后的深度学习预测模型存储在设备上；
评价所述建立的深度学习预测模型，将测试集数据进行标准化处理并代入到所述建立的深度学习预测模型中，对测试集的目标值即混凝土强度进行预测；
将实时特征数据即混凝土各种原料的用量代入到建立的深度学习预测模型中，预测混凝土强度；
将所有的实验数据分割为训练集和测试集时，测试集占总样本数的15％～25％；
所述训练深度学习预测模型包括：
无监督的逐层预训练每一个自编码器，得到m个堆叠自编码器的编码过程；
在堆叠自编码的初始过程中，有监督的微调各层网络的权重和偏置；
完成深度学习预测模型的训练，并将该深度学习预测模型存储在计算机设备上；
无监督的逐层预训练每一个自编码器包括：
依次训练每一个自编码器，自编码器的隐含层的输出为：
其中，Hi为第i个隐含层的输出，σ为非线性映射，W1 i为第i个自编码器的输入层到隐含层的权重，
为第i个自编码器的输入层到隐含层的偏置，Xi为第i个自编码器的输入；
保留输入层和隐含层之间的权重W1 i和偏置
并将隐含层的输出Hi作为第i+1个自编码器的输入，得到m个自编码器的编码过程。
进一步的，微调各层网络的权重和偏置包括：
初始化各层网络的所述权重W和所述偏置b，将预训练过程中得到的网络权重和偏置作为堆叠自编码神经网络的初始值，利用梯度下降法对损失函数进行求解，损失函数的表达式为：
其中，yi为实际值，y_prei为预测值。
进一步的，评价所述建立的深度学习预测模型的评价方式为计算测试集的测试目标值与预测目标值的均方误差和相关系数，
其中，y_testi为测试集的测试目标值，y_predicti为测试集的预测目标值，n为样本数。
本发明还提供了一种基于深度学习的混凝土强度预测方法的控制设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的基于深度学习的混凝土强度预测方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现所述的基于深度学习的混凝土强度预测方法。
本发明提供的一种基于深度学习的混凝土强度预测方法，取代了传统的通过具体的配比养护实验来测定混凝土强度的方法，节省了原材料和大量的人力及时间；与传统的机器学习算法相比，本发明采用的深度学习算法建立预测模型，得到的结果更准确、更快速。
附图说明
图1为本发明提供了一种基于深度学习的混凝土强度预测方法的流程示意图；
图2为实施例一中测试集内的样本数据的预测值与真实值的对比图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例一
本发明提供了一种基于深度学习的混凝土强度预测方法，如图1所示为所述基于深度学习的混凝土强度预测方法的流程示意图，所述基于深度学习的混凝土强度预测方法包括：
S1：在现场按照标准混凝土强度检测方法对若干组含有不同水泥、矿粉、粉煤灰、水、减水剂、细骨料和粗骨料组分信息的混凝土样本进行强度实验，获得若干组混凝土样本的强度；
S2：将所有混凝土样本分割为训练集和测试集，并分别对训练集数据的每个特征值即原料用量和目标值即混凝土强度数据进行标准化处理；将所有的实验数据分割为训练集和测试集时，测试集占总样本数的15％～25％。在本实施例一中，测试集占总样本数的20％。
S3：根据标准化处理后的训练集数据建立深度学习预测模型，模型的输入为每组混凝土样本中各种原料组分的用量，输出为混凝土强度；
S4：训练深度学习预测模型，并将训练后的深度学习预测模型存储在设备上；
S5：评价所述建立的深度学习预测模型，将测试集数据进行标准化处理并代入到所述建立的深度学习预测模型中，对测试集的目标值即混凝土强度进行预测；
S6：将实时特征数据即混凝土各种原料的用量代入到建立的深度学习预测模型中，预测混凝土强度。
具体的，步骤S2中所述标准化的计算公式为：
其中，x′i为数据标准化之后的值，n为样本数，
为该列数据的平均值，s为该列数据的标准差。
步骤S3中建立深度学习预测模型时，深度学习框架采用的是TensorFlow。
步骤S4中所述训练深度学习预测模型包括：
S41：无监督的逐层预训练每一个自编码器，得到m个堆叠自编码器的编码过程；
所述无监督的逐层预训练每一个自编码器包括：
依次训练每一个自编码器，自编码器的隐含层的输出为：
其中，Hi为第i个隐含层的输出，σ为非线性映射，W1 i为第i个自编码器的输入层到隐含层的权重，
为第i个自编码器的输入层到隐含层的偏置，Xi为第i个自编码器的输入；
保留输入层和隐含层之间的权重W1 i和偏置
并将隐含层的输出Hi作为第i+1个自编码器的输入，得到m个自编码器的编码过程。
S42：在堆叠自编码的初始过程中，有监督的微调各层网络的权重和偏置；
所述微调各层网络的权重和偏置具体为：
初始化各层网络的所述权重W和所述偏置b，将预训练过程中得到的网络权重和偏置作为堆叠自编码神经网络的初始值，利用梯度下降法对损失函数进行求解，损失函数的表达式为：
其中，yi为实际值，y_prei为预测值。
S43：完成深度学习预测模型的训练，并将该深度学习预测模型存储在计算机设备上。
步骤S5中评价所述建立的深度学习预测模型的评价方式为计算测试集的测试目标值与预测目标值的均方误差和相关系数，
其中，y_testi为测试集的测试目标值，y_predicti为测试集的预测目标值，n为样本数。
本发明实施例一收集的混凝土配方数据来源于国内某商砼搅拌站实验室。样本数据的总数为425。按照时间顺序，将后340组数据作为训练集，进行预测模型的训练，前85组作为测试集，进行模型的评估。图2所示为测试集内的样本数据的预测值与真实值的对比图，得MSE值为12.26，相关系数R2为0.935。
同时，针对收集的425组样本数据，分别采用传统神经网(NN)、支持向量机(SVN)进行模型训练，并在测试集上计算预测值，模型评估的对比情况如表1所示，验证了该深度学习模型具有较高的精度。
表1：建模方法评估对比
| 传统神经网络 | 支持向量机 | 自编码深度学习 | |
| MSE | 41.50 | 33.28 | 12.26 |
| R2 | 0.821 | 0.854 | 0.935 |
与传统的机器学习算法相比，本发明采用的深度学习算法建立预测模型，得到的结果更准确、更快速。
本发明实施例一中还提供了一种基于深度学习的混凝土强度预测方法的控制设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的基于深度学习的混凝土强度预测方法。
本发明实施例一中还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现所述的基于深度学习的混凝土强度预测方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的混凝土强度预测方法，其特征在于，包括：
在现场按照标准混凝土强度检测方法对若干组含有不同水泥、矿粉、粉煤灰、水、减水剂、细骨料和粗骨料组分信息的混凝土样本进行强度实验，获得若干组混凝土样本的强度；
将所有混凝土样本分割为训练集和测试集，并分别对训练集数据的每个特征值即原料用量和目标值即混凝土强度数据进行标准化处理；
根据标准化处理后的训练集数据建立深度学习预测模型，模型的输入为每组混凝土样本中各种原料组分的用量，输出为混凝土强度；
训练深度学习预测模型，并将训练后的深度学习预测模型存储在设备上；
评价所述建立的深度学习预测模型，将测试集数据进行标准化处理并代入到所述建立的深度学习预测模型中，对测试集的目标值即混凝土强度进行预测；
将实时特征数据即混凝土各种原料的用量代入到建立的深度学习预测模型中，预测混凝土强度；
将所有的实验数据分割为训练集和测试集时，测试集占总样本数的15％～25％；
所述训练深度学习预测模型包括：
无监督的逐层预训练每一个自编码器，得到m个堆叠自编码器的编码过程；
在堆叠自编码的初始过程中，有监督的微调各层网络的权重和偏置；
完成深度学习预测模型的训练，并将该深度学习预测模型存储在计算机设备上；
无监督的逐层预训练每一个自编码器包括：
依次训练每一个自编码器，自编码器的隐含层的输出为：
其中，Hi为第i个隐含层的输出，σ为非线性映射，W1 i为第i个自编码器的输入层到隐含层的权重，
为第i个自编码器的输入层到隐含层的偏置，Xi为第i个自编码器的输入；
保留输入层和隐含层之间的权重W1 i和偏置
并将隐含层的输出Hi作为第i+1个自编码器的输入，得到m个自编码器的编码过程。
2.根据权利要求1所述的一种基于深度学习的混凝土强度预测方法，其特征在于，微调各层网络的权重和偏置包括：
初始化各层网络的所述权重W和所述偏置b，将预训练过程中得到的网络权重和偏置作为堆叠自编码神经网络的初始值，利用梯度下降法对损失函数进行求解，损失函数的表达式为：
其中，yi为实际值，y_prei为预测值。
3.根据权利要求1所述的一种基于深度学习的混凝土强度预测方法，其特征在于，评价所述建立的深度学习预测模型的评价方式为计算测试集的测试目标值与预测目标值的均方误差和相关系数，
其中，y_testi为测试集的测试目标值，y_predicti为测试集的预测目标值，n为样本数。
4.一种基于深度学习的混凝土强度预测方法的控制设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1～3任一项所述的基于深度学习的混凝土强度预测方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1～3任一项所述的基于深度学习的混凝土强度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110014468.6A CN112684156A (zh) | 2021-01-06 | 2021-01-06 | 一种基于深度学习的混凝土强度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110014468.6A CN112684156A (zh) | 2021-01-06 | 2021-01-06 | 一种基于深度学习的混凝土强度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112684156A true CN112684156A (zh) | 2021-04-20 |
Family
ID=75456041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110014468.6A Pending CN112684156A (zh) | 2021-01-06 | 2021-01-06 | 一种基于深度学习的混凝土强度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112684156A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591830A (zh) * | 2021-07-12 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | 基于列队竞争算法的骨料规格智能识别方法及设备 |
| CN113933195A (zh) * | 2021-10-14 | 2022-01-14 | 广东省有色工业建筑质量检测站有限公司 | 基于图像数字化处理的混凝土抗压强度预测方法及系统 |
| 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 |
| CN114547745A (zh) * | 2022-02-24 | 2022-05-27 | 中国华西企业股份有限公司 | 一种钢管柱混凝土脱空缺陷定量预测方法 |
| CN117388374A (zh) * | 2023-12-13 | 2024-01-12 | 南京建正建设工程质量检测有限责任公司 | 一种建筑用混凝土的强度检测方法及系统 |
| CN117763701A (zh) * | 2024-02-22 | 2024-03-26 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
| CN118292502A (zh) * | 2024-04-12 | 2024-07-05 | 广东迪科建设工程检测有限公司 | 基于大数据分析的桩基础监测方法及系统 |
Citations (3)
| 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 |
| CN110364232A (zh) * | 2019-07-08 | 2019-10-22 | 河海大学 | 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 |
| CN111494988A (zh) * | 2020-06-30 | 2020-08-07 | 汉谷云智(武汉)科技有限公司 | 基于深度学习的原油储罐切水方法、设备及存储介质 |
-
2021
- 2021-01-06 CN CN202110014468.6A patent/CN112684156A/zh active Pending
Patent Citations (3)
| 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 |
| CN110364232A (zh) * | 2019-07-08 | 2019-10-22 | 河海大学 | 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 |
| CN111494988A (zh) * | 2020-06-30 | 2020-08-07 | 汉谷云智(武汉)科技有限公司 | 基于深度学习的原油储罐切水方法、设备及存储介质 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591830A (zh) * | 2021-07-12 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | 基于列队竞争算法的骨料规格智能识别方法及设备 |
| CN113933195A (zh) * | 2021-10-14 | 2022-01-14 | 广东省有色工业建筑质量检测站有限公司 | 基于图像数字化处理的混凝土抗压强度预测方法及系统 |
| CN113933195B (zh) * | 2021-10-14 | 2024-08-13 | 广东省有色工业建筑质量检测站有限公司 | 基于图像数字化处理的混凝土抗压强度预测方法及系统 |
| 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 |
| CN114547745A (zh) * | 2022-02-24 | 2022-05-27 | 中国华西企业股份有限公司 | 一种钢管柱混凝土脱空缺陷定量预测方法 |
| CN117388374A (zh) * | 2023-12-13 | 2024-01-12 | 南京建正建设工程质量检测有限责任公司 | 一种建筑用混凝土的强度检测方法及系统 |
| CN117388374B (zh) * | 2023-12-13 | 2024-02-20 | 南京建正建设工程质量检测有限责任公司 | 一种建筑用混凝土的强度检测方法及系统 |
| CN117763701A (zh) * | 2024-02-22 | 2024-03-26 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
| CN117763701B (zh) * | 2024-02-22 | 2024-05-07 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
| CN118292502A (zh) * | 2024-04-12 | 2024-07-05 | 广东迪科建设工程检测有限公司 | 基于大数据分析的桩基础监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112684156A (zh) | 一种基于深度学习的混凝土强度预测方法 | |
| CN110610061B (zh) | 一种融合多源信息的混凝土塌落度高精度预测方法 | |
| CN107742031B (zh) | 基于实验和数学算法的驱替实验人造岩心分析制备方法 | |
| Yao et al. | Model for predicting resilient modulus of unsaturated subgrade soils in south China | |
| Alexandridis et al. | A neural network approach for compressive strength prediction in cement-based materials through the study of pressure-stimulated electrical signals | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| CN109030197A (zh) | 一种考虑温湿耦合作用的混凝土分数阶抗压强度模型 | |
| US20220253734A1 (en) | Machine learning methods to optimize concrete applications and formulations | |
| CN105243193B (zh) | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 | |
| CN114388069A (zh) | 一种多性能控制的混凝土配合比优化方法 | |
| CN117388374B (zh) | 一种建筑用混凝土的强度检测方法及系统 | |
| CN110163430A (zh) | 基于AdaBoost算法的混凝土材料抗压强度预测方法 | |
| CN110705920A (zh) | 一种大数据环境下多隐层bp网络预测水泥强度方法 | |
| CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
| CN102357934A (zh) | 一种基于橡胶混炼过程的质量监控软测量方法 | |
| CN115497574A (zh) | 一种基于模型融合的hpc抗压强度预测方法和系统 | |
| CN112307536A (zh) | 一种大坝渗流参数反演方法 | |
| CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
| Ojeda et al. | Determination of the Compressive Strength of Concrete Using Artificial Neural Network. | |
| CN117195163B (zh) | 基于混凝土配方的坍落度预测方法、装置及可读介质 | |
| CN114595552A (zh) | 一种基于曲线组合梁模型的混凝土精度管控系统 | |
| 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 | |
| Guzmán-Torres et al. | Data science and machine learning technique for predicting electrical resistivity in recycled concrete with nopal as addition | |
| CN113312845A (zh) | 一种基于pso-svr的土石坝浸润线的测压管水位预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |