CN112858644A - 混凝土碳化深度预测方法及预测系统 - Google Patents
混凝土碳化深度预测方法及预测系统 Download PDFInfo
- Publication number
- CN112858644A CN112858644A CN202011564794.6A CN202011564794A CN112858644A CN 112858644 A CN112858644 A CN 112858644A CN 202011564794 A CN202011564794 A CN 202011564794A CN 112858644 A CN112858644 A CN 112858644A
- Authority
- CN
- China
- Prior art keywords
- carbonization depth
- carbonization
- time
- model
- series data
- 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
- 238000003763 carbonization Methods 0.000 title claims abstract description 274
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 10
- 239000004568 cement Substances 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 5
- 239000001569 carbon dioxide Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 238000010000 carbonizing Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Ceramic Engineering (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种混凝土碳化深度预测方法及预测系统,包通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据;对第一时间序列数据进行平稳性验证,获取平稳的时间序列数据;确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型;通过碳化深度平稳时间序列数据预测模型,获取第二时间序列数据;通过将第一时间序列数据与第二时间序列数据中相同时间点上的第一碳化深度预测值和第二碳化深度预测值进行加权平均处理,得到在预设时间序列上的混凝土碳化深度预测值。利用本发明能够解决现有方法得到的碳化深度误差大等问题。
Description
技术领域
本发明属于混凝土碳化预测技术领域,更为具体地,涉及一种混凝土碳化深度预测方法及预测系统。
背景技术
耐久性指的是建筑物在正常的使用和维护管理情况下,结构可以达到其设计时的工作寿命,且在其正常工作寿命年限内不需要大规模维修与加固处理,并且可以保持结构的安全性与可靠性。混凝土碳化是影响混凝土结构耐久性的关键因素,混凝土结构耐久性损伤会严重危害人身及财产安全,所以混凝土碳化深度的高精度预测具有重要意义。通过对碳化深度的预测,及时发现耐久性问题,对结构进行加固维护,将损失降到最小。
在实际工程中,碳化深度影响因素有温度、湿度、水灰比、掺合料含量、二氧化硫浓度、二氧化碳浓度等等。影响混凝土碳化的因素众多且各因素间又相互耦合,碳化反应的过程往往还存在一些不可预测的生物化学反应如真菌,霉变等从而影响碳化反应。
目前的现有技术中,碳化深度预测方法通过单个影响因素训练碳化深度预测模型,不能综合考虑所有的影响因素,从而造成模型预测结果误差较大或具有很大局限性。
发明内容
鉴于上述问题,本发明的目的是提供一种混凝土碳化深度预测方法及预测系统,以解决目前的在现有技术中,针对混凝土碳化深度的影响因素众多又复杂且对时间有较强的依赖性,采用单一的方法无法准确的预测混凝土碳化深度,不能及时发现混凝土结构耐久性等问题。
本发明提供一种混凝土碳化深度预测方法,包括如下步骤:
通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据;其中,所述第一时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第一碳化深度预测值;
对所述第一时间序列数据进行平稳性验证,获取平稳的时间序列数据;
根据所述平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型;
通过AIC准则法,对所述初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型;
通过所述碳化深度平稳时间序列数据预测模型,获取所述预设时间序列上的第二碳化深度预测值,作为第二时间序列数据;其中,所述第二时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第二碳化深度预测值;
通过将所述第一时间序列数据与所述第二时间序列数据中相同时间点上的第一碳化深度预测值和第二碳化深度预测值进行加权平均处理,得到在所述预设时间序列上的混凝土碳化深度预测值。
此外,优选的方案是,在通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据之前,还包括:
通过将预设模型训练集数据输入预设基础神经网络模型中,进行模型训练,得到初级碳化深度预测模型;其中,
所述预设模型训练集数据包括混凝土碳化影响因素值数据和与所述混凝土碳化影响因素值数据相对应的碳化深度预测值数据;
通过预设模型测试集数据,对所述初级碳化深度预测模型进行验证处理,得到碳化深度预测模型。
此外,优选的方案是,所述碳化深度预测模型包括用于输入混凝土碳化影响因素值的输入层、用于对所述输入层输入的混凝土碳化影响因素值进行分析的隐含层、用于将所述隐含层得到的第一碳化深度预测值输出的输出层。
此外,优选的方案是,所述通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据包括:
将所述混凝土碳化影响因素值输入所述碳化深度预测模型中,通过所述碳化深度预测模型对所述混凝土碳化影响因素值进行分析,得到第一碳化深度预测值;
获取与所述预设时间序列上的时间点相对应的第一碳化深度预测值,得到第一时间序列数据。
此外,优选的方案是,所述混凝土碳化影响因素值包括温度值、湿度值、二氧化碳浓度值、水灰比值、水泥用量值、碳化时间值。
此外,优选的方案是,在对所述第一时间序列数据进行平稳性验证,获取平稳的时间序列数据的过程中,
当所述第一时间序列数据为非平稳数据时,对所述第一时间序列数据进行差分处理,得到平稳的时间序列数据。
此外,优选的方案是,所述碳化深度平稳时间序列数据预测模型包括自回归模型、移动平均模型、自回归移动平均模型。
此外,优选的方案是,在根据所述平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型的过程中,
当自相关图为拖尾,偏自相关图为p阶截尾时,确定碳化深度平稳时间序列数据预测模型的类型为自回归模型;
当自相关图为q阶截尾,偏自相关图为拖尾,确定碳化深度平稳时间序列数据预测模型的类型为移动平均模型;
当自相关图为拖尾,偏自相关图为拖尾,确定碳化深度平稳时间序列数据预测模型的类型为自回归移动平均模型。
此外,优选的方案是,所述通过AIC准则法,对所述初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型包括:
通过AIC准则法对所述初始时间序列数据预测模型进行模型定阶;
采用最小二乘法对定阶后的初始时间序列数据预测模型进行参数估计,得到参数估计值,并将所述参数估计值代入定阶后的初始时间序列数据预测模型中,得到碳化深度平稳时间序列数据预测模型。
本发明提供一种混凝土碳化深度预测系统,所述系统包括:
第一时间序列数据获取单元,用于通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据;其中,所述第一时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第一碳化深度预测值;
平稳性验证单元,用于对所述第一时间序列数据进行平稳性验证,获取平稳的时间序列数据;
模型类型确定单元,用于根据所述平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型;
模型定阶单元,用于通过AIC准则法,对所述初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型;
第二时间序列数据获取单元,用于通过所述碳化深度平稳时间序列数据预测模型,获取所述预设时间序列上的第二碳化深度预测值,作为第二时间序列数据;其中,所述第二时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第二碳化深度预测值;
碳化深度预测值获取单元,用于通过将所述第一时间序列数据与所述第二时间序列数据中相同时间点上的第一碳化深度预测值和第二碳化深度预测值进行加权平均处理,得到在所述预设时间序列上的混凝土碳化深度预测值。
从上面的技术方案可知,本发明提供的混凝土碳化深度预测方法及预测系统,通过将碳化深度预测模型和碳化深度平稳时间序列数据预测模型分别得到的第一时间序列数据和第二时间序列数据进行加权平均处理,得到在预设时间序列上的混凝土碳化深度预测值;能够将混凝土碳化深度的各影响因素与碳化深度对时间依赖性结合,综合考虑后得到准确的预测混凝土碳化深度,减小碳化深度预测误差,及时发现混凝土结构耐久性等问题。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的混凝土碳化深度预测方法的流程图;
图2为根据本发明实施例的碳化深度预测模型的结构示意图;
图3为根据本发明实施例的混凝土碳化深度预测系统的结构示意图;
图4为根据本发明实施例的A组数据的自相关图和偏自相关图;
图5为根据本发明实施例1的碳化深度预测模型的训练误差曲线图;
图6为根据本发明实施例1的碳化深度预测模型的拟合曲线图;
图7为根据本发明实施例1的A组碳化深度预测值与期望值比较图;
图8为根据本发明实施例1的B组碳化深度预测值与期望值比较图。
在附图中,1-输入层,2-隐含层,3-输出层,a-自相关图,b-偏自相关图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。
针对前述提出的目前在现有技术中,混凝土碳化深度的影响因素众多又复杂且对时间有较强的依赖性,采用单一的方法无法准确的预测混凝土碳化深度,不能及时发现混凝土结构耐久性等问题,提出了一种混凝土碳化深度预测方法及预测系统。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的混凝土碳化深度预测方法,图1示出了本发明实施例的混凝土碳化深度预测方法的流程。
如图1所示,本发明提供的混凝土碳化深度预测方法,包括如下步骤:
S1、通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据;其中,第一时间序列数据包括按照预设时间间隔设置的时间点和与时间点相对应的第一碳化深度预测值。
具体的,将混凝土碳化影响因素值输入到碳化深度预测模型中,通过碳化深度预测模型对混凝土碳化影响因素值进行分析,得到在预设时间序列上的第一碳化深度预测值,由于碳化深度对时间具有一定的依赖性,所以按照预设时间间隔设置时间点,将这些时间点作为预设时间序列。得到包括时间点和每个时间点对应的第一碳化深度预测值的第一时间序列数据。
其中,在通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据之前,还包括:
通过将预设模型训练集数据输入预设基础神经网络模型中,进行模型训练,得到初级碳化深度预测模型;其中,
预设模型训练集数据包括混凝土碳化影响因素值数据和与混凝土碳化影响因素值数据相对应的碳化深度预测值数据;
通过预设模型测试集数据,对初级碳化深度预测模型进行验证处理,得到碳化深度预测模型。
具体的,将实验或者历史数据分成预设模型训练集数据和预设模型测试集数据,通过预设模型训练集数据对预设基础神经网络模型,进行模型训练,再通过预设模型测试集数据进行验证处理,得到碳化深度预测模型。
将预设模型训练集数据中的n个混凝土碳化影响因素值数据作为预设基础神经网络模型的输入,预设模型训练集数据中的与混凝土碳化影响因素值数据相对应的碳化深度预测值数据作为预设基础神经网络模型的输出,如下式所示,
其中,xi1,xi2,…xin代表预设模型训练集数据中的n个混凝土碳化影响因素值数据,共有m组,y1,y2…ym为输入矩阵中每行对应的输出值,即与混凝土碳化影响因素值数据相对应的碳化深度预测值数据。
图2示出了根据本发明实施例的碳化深度预测模型的结构示意图。
如图2所示,碳化深度预测模型包括用于输入混凝土碳化影响因素值的输入层、用于对输入层输入的混凝土碳化影响因素值进行分析的隐含层、用于将隐含层得到的第一碳化深度预测值输出的输出层。
具体的,本发明实施例优选的碳化深度预测模型是以RBF神经网络 (RadialBasis Function也就是径向基函数神经网络)为基础网络模型训练而成。RBF神经网络是以函数逼近论为基础建立的多层前向型神经网络模型,其网络结构如图2所示。它能够逼近任意的非线性函数,具有良好的泛化能力,并有很快的收敛速度,已成功应用于非线性函数逼近、时间序列分析、模式识别、系统建模、控制和故障诊断等。为了能够得到符合精度要求的碳化深度预测模型,在对神经网络进行训练时,由于高斯基函数具有表示简单、径向对称和光滑性好等优点,其隐含层Ri(x)选用高斯函数作为径向基函数,表达式如下:
其中,ci为第i个基函数的中心;δi为第i个感知的变量;‖x-ci‖2为向量(x-ci)的范数,x表示与ci间的距离。
输出层函数为:
其中,p为输出节点数。
其中,通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据包括:
将混凝土碳化影响因素值输入碳化深度预测模型中,通过碳化深度预测模型对混凝土碳化影响因素值进行分析,得到第一碳化深度预测值;
获取与预设时间序列上的时间点相对应的第一碳化深度预测值,得到第一时间序列数据。
其中,混凝土碳化影响因素值包括温度值、湿度值、二氧化碳浓度值、水灰比值、水泥用量值、碳化时间值。
具体的,温度值、湿度值、二氧化碳浓度值、水灰比值、水泥用量值、碳化时间值是凝土碳化较为重要的因素,当然还可包括其它影响因素,在此不做特别限定。
S2、对第一时间序列数据进行平稳性验证,获取平稳的时间序列数据。
具体的,时间序列预测就是根据被预测事物的过去和现在的观测数据,找到其内在的统计特性和发展规律,构造特定的模型推测未来事物的发展趋势。时间序列按其统计特性可以分为以下两种,一种是平稳时间序列,另一种是非平稳时间序列,当第一时间序列数据为平稳的时间序列数据时,可直接使用,若为非平稳时间序列时,需要处理为平稳时间序列。
其中,在对第一时间序列数据进行平稳性验证,获取平稳的时间序列数据的过程中,
当第一时间序列数据为非平稳数据时,对第一时间序列数据进行差分处理,得到平稳的时间序列数据。
具体的,利用时间序列方法分析t-1,t-2,…,t-p时刻的碳化深度预测模型的第一碳化深度预测值zt-1,zt-2,…,zt-p与t时刻的规律,对t时刻的碳化深度值做进一步的修正得到t时刻的时间序列预测值wt。对t时刻的碳化深度值做进一步的修正得到t时刻的时间序列预测值wt。即平稳的时间序列数据。
S3、根据平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型。
具体的,碳化深度平稳时间序列数据预测模型包括自回归模型、移动平均模型、自回归移动平均模型。
其中,在根据平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型的过程中,
当自相关图为拖尾,偏自相关图为p阶截尾时,确定碳化深度平稳时间序列数据预测模型的类型为自回归模型;
当自相关图为q阶截尾,偏自相关图为拖尾,确定碳化深度平稳时间序列数据预测模型的类型为移动平均模型;
当自相关图为拖尾,偏自相关图为拖尾,确定碳化深度平稳时间序列数据预测模型的类型为自回归移动平均模型。
S4、通过AIC准则法,对初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型。
其中,通过AIC准则法,对初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型包括:
通过AIC准则法对初始时间序列数据预测模型进行模型定阶;
采用最小二乘法对定阶后的初始时间序列数据预测模型进行参数估计,得到参数估计值,并将参数估计值代入定阶后的初始时间序列数据预测模型中,得到碳化深度平稳时间序列数据预测模型。
具体的,采用AIC准则法进行精确定阶,对于AIC准则函数如果有
则取n0和m0为最佳模型阶数。模型精确定阶后采用最小二乘法(LS) 对模型进行参数估计。最小二乘估计法是根据最小方差进行估计的,其思想是使实际值与估计值之间的平方误差期望值最小,此时对应的参数估计值为最佳参数估计值。设其模型为
yi=α1xi1+α2xi2+…+αnxin+ei,i=1,2,…,N
其中y为观测数据,自变量x已知,α为待估参数,ei是零均值误差,当误差平方和
S5、通过碳化深度平稳时间序列数据预测模型,获取预设时间序列上的第二碳化深度预测值,作为第二时间序列数据;其中,第二时间序列数据包括按照预设时间间隔设置的时间点和与时间点相对应的第二碳化深度预测值。
S6、通过将第一时间序列数据与第二时间序列数据中相同时间点上的第一碳化深度预测值和第二碳化深度预测值进行加权平均处理,得到在预设时间序列上的混凝土碳化深度预测值。
具体的,将碳化深度预测模型预测值zt与碳化深度平稳时间序列数据预测模型预测值wt进行加权平均得到最终碳化深度预测值y′,
将最终得到的预测值y′t与碳化深度预测模型预测值zt和期望值yt进行误差分析对比。
图3示出了根据本发明实施例的混凝土碳化深度预测系统的结构。
如图3所示,本发明提供的混凝土碳化深度预测系统包括:
第一时间序列数据获取单元,用于通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据;其中,第一时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第一碳化深度预测值;
平稳性验证单元,用于对第一时间序列数据进行平稳性验证,获取平稳的时间序列数据;
模型类型确定单元,用于根据平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型;
模型定阶单元,用于通过AIC准则法,对初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型;
第二时间序列数据获取单元,用于通过碳化深度平稳时间序列数据预测模型,获取预设时间序列上的第二碳化深度预测值,作为第二时间序列数据;其中,第二时间序列数据包括按照预设时间间隔设置的时间点和与时间点相对应的第二碳化深度预测值;
碳化深度预测值获取单元,用于通过将第一时间序列数据与第二时间序列数据中相同时间点上的第一碳化深度预测值和第二碳化深度预测值进行加权平均处理,得到在预设时间序列上的混凝土碳化深度预测值。
为了对本发明的有益效果进一步进行说明,提供了下述具体的实施例。
实施例1
为验证本发明提出的混凝土碳化深度预测方法及预测系统的有效性,对 200余组样本分为两部分作为碳化深度预测模型的训练集数据和测试集数据。经多次调整实验,碳化深度预测模型的训练误差曲线图与拟合曲线图如图5 和表6所示,由图1可以看出碳化深度预测模型在第1319步达到目标误差 0.001,预测值与真实值得拟合度R=0.997。
设计两组不同配合比的混凝土试件,每组的相关参数如表3所示。从第 10天开始每隔5天测量一次碳化深度。
表3
首先将训练好的碳化深度预测模型对A、B两组进行碳化深度预测。选取每组中的前15个(即10-80天)碳化深度预测模型预测数据作为A、B两组,建立碳化深度平稳时间序列数据预测模型对未来时刻碳化深度进行预测。首先判断两组数据符合哪种时间序列模型类别。用MATLAB求得A、B两组数据的自相关图和偏自相关图,如图4所示。
从图4中看出A组自相关(ACF)拖尾,偏自相关(PACF)截尾。可判断出A组数据适合模型类型为自回归(AR)模型。阶数取3。采用AIC准则函数法对其进行准确的定阶,求得A组对相应的模型为AR(3)。采用最小二乘法对其进行参数估计,得到故A组AR(3)模型为
yt=1.86yt-1-1.34yt-2+0.51yt-3
同理,得到B组的
yt=1.81yt-1-0.817yt-2
由此可得出A组与B组85天至110天的6个时间序列碳化深度预测值,将得到的值按照式10所示进行加权平均得到最终预测值y′,将预测值与期望值进行比较,如图7和图8所示。其中,图7为A组碳化深度预测值与期望值比较;图8为B组碳化深度预测值与期望值比较。
由图7、图8中可以看出,利用本发明的混凝土碳化深度预测方法及预测系统得到的混凝土碳化深度预测值,相对误差更小。
通过上述具体实施方式可看出,本发明提供的混凝土碳化深度预测方法及预测系统,通过将碳化深度预测模型和碳化深度平稳时间序列数据预测模型分别得到的第一时间序列数据和第二时间序列数据进行加权平均处理,得到在预设时间序列上的混凝土碳化深度预测值;能够将混凝土碳化深度的各影响因素与碳化深度对时间依赖性结合,综合考虑后得到准确的预测混凝土碳化深度,减小碳化深度预测误差,及时发现混凝土结构耐久性等问题。
如上参照附图以示例的方式描述了根据本发明提出的混凝土碳化深度预测方法及预测系统。但是,本领域技术人员应当理解,对于上述本发明所提出的混凝土碳化深度预测方法及预测系统,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (10)
1.一种混凝土碳化深度预测方法,其特征在于,包括如下步骤:
通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据;其中,所述第一时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第一碳化深度预测值;
对所述第一时间序列数据进行平稳性验证,获取平稳的时间序列数据;
根据所述平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型;
通过AIC准则法,对所述初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型;
通过所述碳化深度平稳时间序列数据预测模型,获取所述预设时间序列上的第二碳化深度预测值,作为第二时间序列数据;其中,所述第二时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第二碳化深度预测值;
通过将所述第一时间序列数据与所述第二时间序列数据中相同时间点上的第一碳化深度预测值和第二碳化深度预测值进行加权平均处理,得到在所述预设时间序列上的混凝土碳化深度预测值。
2.根据权利要求1所述的混凝土碳化深度预测方法,其特征在于,在通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据之前,还包括:
通过将预设模型训练集数据输入预设基础神经网络模型中,进行模型训练,得到初级碳化深度预测模型;其中,
所述预设模型训练集数据包括混凝土碳化影响因素值数据和与所述混凝土碳化影响因素值数据相对应的碳化深度预测值数据;
通过预设模型测试集数据,对所述初级碳化深度预测模型进行验证处理,得到碳化深度预测模型。
3.根据权利要求1所述的混凝土碳化深度预测方法,其特征在于,所述碳化深度预测模型包括用于输入混凝土碳化影响因素值的输入层、用于对所述输入层输入的混凝土碳化影响因素值进行分析的隐含层、用于将所述隐含层得到的第一碳化深度预测值输出的输出层。
4.根据权利要求1所述的混凝土碳化深度预测方法,其特征在于,所述通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据包括:
将所述混凝土碳化影响因素值输入所述碳化深度预测模型中,通过所述碳化深度预测模型对所述混凝土碳化影响因素值进行分析,得到第一碳化深度预测值;
获取与所述预设时间序列上的时间点相对应的第一碳化深度预测值,得到第一时间序列数据。
5.根据权利要求1所述的混凝土碳化深度预测方法,其特征在于,所述混凝土碳化影响因素值包括温度值、湿度值、二氧化碳浓度值、水灰比值、水泥用量值、碳化时间值。
6.根据权利要求1所述的混凝土碳化深度预测方法,其特征在于,在对所述第一时间序列数据进行平稳性验证,获取平稳的时间序列数据的过程中,
当所述第一时间序列数据为非平稳数据时,对所述第一时间序列数据进行差分处理,得到平稳的时间序列数据。
7.根据权利要求1所述的混凝土碳化深度预测方法,其特征在于,所述碳化深度平稳时间序列数据预测模型包括自回归模型、移动平均模型、自回归移动平均模型。
8.根据权利要求7所述的混凝土碳化深度预测方法,其特征在于,在根据所述平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型的过程中,
当自相关图为拖尾,偏自相关图为p阶截尾时,确定碳化深度平稳时间序列数据预测模型的类型为自回归模型;
当自相关图为q阶截尾,偏自相关图为拖尾,确定碳化深度平稳时间序列数据预测模型的类型为移动平均模型;
当自相关图为拖尾,偏自相关图为拖尾,确定碳化深度平稳时间序列数据预测模型的类型为自回归移动平均模型。
9.根据权利要求1所述的混凝土碳化深度预测方法,其特征在于,所述通过AIC准则法,对所述初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型包括:
通过AIC准则法对所述初始时间序列数据预测模型进行模型定阶;
采用最小二乘法对定阶后的初始时间序列数据预测模型进行参数估计,得到参数估计值,并将所述参数估计值代入定阶后的初始时间序列数据预测模型中,得到碳化深度平稳时间序列数据预测模型。
10.一种混凝土碳化深度预测系统,其特征在于,所述系统包括:
第一时间序列数据获取单元,用于通过碳化深度预测模型对混凝土碳化影响因素值进行分析,获取在预设时间序列上的第一碳化深度预测值,作为第一时间序列数据;其中,所述第一时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第一碳化深度预测值;
平稳性验证单元,用于对所述第一时间序列数据进行平稳性验证,获取平稳的时间序列数据;
模型类型确定单元,用于根据所述平稳的时间序列数据的自相关图和偏自相关图,确定碳化深度平稳时间序列数据预测模型的类型,得到初始时间序列数据预测模型;
模型定阶单元,用于通过AIC准则法,对所述初始时间序列数据预测模型进行模型定阶处理,得到碳化深度平稳时间序列数据预测模型;
第二时间序列数据获取单元,用于通过所述碳化深度平稳时间序列数据预测模型,获取所述预设时间序列上的第二碳化深度预测值,作为第二时间序列数据;其中,所述第二时间序列数据包括按照预设时间间隔设置的时间点和与所述时间点相对应的第二碳化深度预测值;
碳化深度预测值获取单元,用于通过将所述第一时间序列数据与所述第二时间序列数据中相同时间点上的第一碳化深度预测值和第二碳化深度预测值进行加权平均处理,得到在所述预设时间序列上的混凝土碳化深度预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564794.6A CN112858644A (zh) | 2020-12-25 | 2020-12-25 | 混凝土碳化深度预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564794.6A CN112858644A (zh) | 2020-12-25 | 2020-12-25 | 混凝土碳化深度预测方法及预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112858644A true CN112858644A (zh) | 2021-05-28 |
Family
ID=75997117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011564794.6A Pending CN112858644A (zh) | 2020-12-25 | 2020-12-25 | 混凝土碳化深度预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112858644A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959825A (zh) * | 2021-10-28 | 2022-01-21 | 长安大学 | 一种混凝土梁碳化深度的计算方法 |
CN117522084A (zh) * | 2024-01-05 | 2024-02-06 | 张家口市华工建设有限公司 | 一种自动化混凝土灌浆调度系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898318A (zh) * | 2020-08-04 | 2020-11-06 | 西安建筑科技大学 | 一种工业建筑混凝土碳化深度预测方法 |
-
2020
- 2020-12-25 CN CN202011564794.6A patent/CN112858644A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898318A (zh) * | 2020-08-04 | 2020-11-06 | 西安建筑科技大学 | 一种工业建筑混凝土碳化深度预测方法 |
Non-Patent Citations (3)
Title |
---|
张光建: "基于神经网络的钢筋混凝土碳化深度预测研究", 《成都航空职业技术学院学报》 * |
杨雪华: ""工业建筑耐久性大数据监控系统与智能诊断算法研究"", 《中国优秀硕士学位论文全文数据库工程科技 II辑》 * |
杨雪华等: "基于BP-AR的混凝土碳化深度预测算法研究", 《混凝土》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959825A (zh) * | 2021-10-28 | 2022-01-21 | 长安大学 | 一种混凝土梁碳化深度的计算方法 |
CN113959825B (zh) * | 2021-10-28 | 2024-04-19 | 长安大学 | 一种混凝土梁碳化深度的计算方法 |
CN117522084A (zh) * | 2024-01-05 | 2024-02-06 | 张家口市华工建设有限公司 | 一种自动化混凝土灌浆调度系统 |
CN117522084B (zh) * | 2024-01-05 | 2024-03-19 | 张家口市华工建设有限公司 | 一种自动化混凝土灌浆调度系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
CN107153874B (zh) | 水质预测方法及系统 | |
CN112858644A (zh) | 混凝土碳化深度预测方法及预测系统 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN104778298A (zh) | 基于egmm的高斯过程回归软测量建模方法 | |
CN111310990A (zh) | 一种基于改进灰色组合模型的轨道质量预测方法及系统 | |
CN109827579B (zh) | 一种组合定位中滤波模型实时校正的方法和系统 | |
CN111125964B (zh) | 一种基于克里金插值法的污水处理过程代理模型构建方法 | |
CN110824915A (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
CN113012766B (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN106227910A (zh) | 一种基于灰色系统理论的加速退化试验可靠性评估方法 | |
CN112800616A (zh) | 基于比例加速退化建模的设备剩余寿命自适应预测方法 | |
CN113128826B (zh) | 通航风险预测方法、装置和存储介质 | |
CN111913175A (zh) | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 | |
CN114970341B (zh) | 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 | |
CN116205127A (zh) | 一种基于时间序列分解与相似性度量的装备剩余寿命方法 | |
CN109917115A (zh) | 一种沥青混合料综合性能预测方法 | |
CN114117919B (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN110110475B (zh) | 基于在线学习渐消因子的扩展卡尔曼滤波方法 | |
CN114528764A (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN117035155A (zh) | 一种水质预测方法 | |
Zhang et al. | Multivariate discrete grey model base on dummy drivers | |
CN114970698A (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 |
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 |