CN113051821A - 一种混凝土抗压强度预测方法及系统 - Google Patents

一种混凝土抗压强度预测方法及系统 Download PDF

Info

Publication number
CN113051821A
CN113051821A CN202110316131.0A CN202110316131A CN113051821A CN 113051821 A CN113051821 A CN 113051821A CN 202110316131 A CN202110316131 A CN 202110316131A CN 113051821 A CN113051821 A CN 113051821A
Authority
CN
China
Prior art keywords
layer
fuzzy
concrete
neurons
compressive 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.)
Granted
Application number
CN202110316131.0A
Other languages
English (en)
Other versions
CN113051821B (zh
Inventor
张聪聪
傅尊伟
马振明
王政
侯宪明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Linyi University
Original Assignee
Linyi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Linyi University filed Critical Linyi University
Priority to CN202110316131.0A priority Critical patent/CN113051821B/zh
Publication of CN113051821A publication Critical patent/CN113051821A/zh
Application granted granted Critical
Publication of CN113051821B publication Critical patent/CN113051821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开的一种混凝土抗压强度预测方法及系统，包括：获取混凝土的组成成分信息；将各组成成分信息输入训练好的多层网络模型中，输出混凝土抗压强度预测结果；其中，多层网络模型的层数至少包括两层，第一层基于模糊神经元构成，第一层后的连续层均使用多项式神经元构成，对第一层中的神经元进行选择，将筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中，第二层后连续层的输入还包括上一层的输出。实现了对混凝土抗压强度的快速准确预测。

Description

一种混凝土抗压强度预测方法及系统
技术领域
本发明涉及人工智能技术领域，尤其涉及一种混凝土抗压强度预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着对复杂系统建模的要求越来越高，同时为了应对复杂非线性，高阶动力学，时变行为和不准确测量等问题，需要审慎的进行建模。针对这些问题，传统的机器学习方法被用来建立基于逻辑的架构来支持推理机制，但它们用在动态和不可预测领域工作的真实系统时存在一些局限性。在科学和工程学中广泛使用的计算智能可以有效解决这些问题。有大量研究表明，在计算智能中应用多种技术的协作可以有效地支持模型的设计，并且其性能(如准确性或可解释性)优于使用单个常规技术设计的模型。因此使用模糊逻辑，神经网络和进化算法开发的混合体系结构近年来引起了更多关注。
模糊多项式神经网络是模糊逻辑和多项式神经网络之间协同作用的结果，网络中的每个神经元都是一个微型的模糊规则系统，这种结构虽然增加了模型对于数据空间中不确定信息的捕捉能力，但是却同时加剧了模型的复杂度，尤其是网络中神经元的数目较多的情况下。也有研究人员将多项式神经网络和模糊小波神经网络相结合，提出了模糊小波多项式神经网络的概念，模型的每一层都由模糊小波神经元组成。然而这种网络结构却面临着和模糊多项式神经网络相同的问题，同时还面临时间复杂度过高和过拟合的风险。
混凝土是土木工程中最重要的材料，其抗压强度是龄期和成分的高度非线性函数。但发明人发现，现有的采用模糊多项式神经网络或模糊小波多项式神经网络对混凝土的抗压强度进行预测时，存在计算效率低且预测精度无法保证的问题。
发明内容
本公开为了解决上述问题，提出了一种混凝土抗压强度预测方法及系统，实现了对混凝土抗压强度的快速准确预测。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种混凝土抗压强度预测方法，包括：
获取混凝土的组成成分信息；
将各组成成分信息输入训练好的多层网络模型中，输出混凝土抗压强度预测结果；
其中，多层网络模型的层数至少包括两层，第一层基于模糊神经元构成，第一层后的连续层均使用多项式神经元构成，对第一层中的神经元进行选择，将筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中，第二层后连续层的输入还包括上一层的输出。
第二方面，提出了一种混凝土抗压强度预测系统，包括：
数据获取模块，用于获取混凝土的组成成分信息；
抗压强度预测模块，用于将各组成成分信息输入训练好的多层网络模型中，输出混凝土抗压强度预测结果；
其中，多层网络模型的层数至少包括两层，第一层基于模糊神经元构成，第一层后的连续层均使用多项式神经元构成，对第一层中的神经元进行选择，将筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中，第二层后连续层的输入还包括上一层的输出。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种混凝土抗压强度预测方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种混凝土抗压强度预测方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开预测混凝土的抗压强度时采用的多层网络模型，在原有多层网络结构的基础上，增加了将第一层筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中这一增强拓扑结构，与一般拓扑相比，增强型拓扑结构不但增强模糊特征信息的特征，而且还增加了网络中每一层神经元的数量和多样性，从而增强了模型的预测能力，该模型计算效率高且模型的泛化能力强，而且能够保证混凝土抗压强度的预测精度。
2、本公开的多层网络模型，对每一层进行了神经元的选择，仅将筛选后的神经元的输出作为下一层的输入，充分考虑了神经元的复杂度特点和性能特点，通过对神经元进行筛选，不仅可以减轻复杂神经元对模型的影响，还可以为下一层提供具有更高预测潜力的输入，在提高模型预测效率的基础上，提高模型的预测精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1公开方法的流程图；
图2为本公开实施例1公开的多层网络模型的构建方法。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
在该实施例中，提出了一种混凝土抗压强度预测方法，包括：
获取混凝土的组成成分信息；
将各组成成分信息输入训练好的多层网络模型中，输出混凝土抗压强度预测结果；
其中，多层网络模型的层数至少包括两层，第一层基于模糊神经元构成，第一层后的连续层均使用多项式神经元构成，对第一层中的神经元进行选择，将筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中，第二层后连续层的输入还包括上一层的输出。
进一步的，混凝土的组成成分信息包括：水泥含量信息、高炉矿渣含量信息、粉煤灰含量信息、水含量信息、高效减水剂含量信息、细石含量信息、粗骨料含量信息和细骨料含量信息。
进一步的，模糊神经元中封装模糊规则，输入为混凝土的各组成成分信息，模糊规则的前提部分通过对输入进行模糊划分来实现，模糊规则的结论部分基于多项式函数实现。
进一步的，采用隶属度函数计算模糊神经元的隶属度，使用聚类中心作为隶属度函数的中心。
进一步的，采用优化算法对多项式神经元的结构进行优化。
进一步的，第二层之后的连续层的输入包括上一层筛选后神经元的输出和模糊模块的输出两部分。
进一步的，获取已知抗压强度的混凝土的组成成分信息构建数据集，将数据集划分成训练集和测试集对多层网络模型进行训练，获得训练好的多层网络模型。
对本实施例公开的一种混凝土抗压强度预测方法进行详细说明。
一种混凝土抗压强度预测方法，如图1所示，具体包括包括如下步骤：
S1：获取混凝土的组成成分信息。
在该实施例中，混凝土的组成成分信息包括水泥含量信息、高炉矿渣含量信息、粉煤灰含量信息、水含量信息、高效减水剂含量信息、细石含量信息、粗骨料含量信息和细骨料含量信息。
S2：将组成成分信息输入训练好的多层网络模型中，输出混凝土抗压强度预测结果。
其中，多层网络模型的层数至少包括两层，第一层基于模糊神经元构成，第一层后的连续层均使用多项式神经元构成，对第一层中的神经元进行选择，将筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中，第二层后连续层的输入还包括上一层的输出。
如图2所示，在构建多层网络模型时，首先构造了异构神经元，在异构神经元的基础上构造了多层网络模型。
S21：异构神经元的构造：在该实施例中使用模糊神经元和非模糊神经元两类不同异构神经元。
模糊神经元可以看作是一个模糊推理单元，它封装了一组模糊的“if-then”规则，通过对输入空间进行模糊划分来实现模糊规则的前提部分，并基于多项式函数来实现模糊规则的结论部分。
本实施例通过三角隶属函数来计算隶属度，采用三角隶属函数的计算公式如下所示：
Figure BDA0002991281370000071
通过聚类算法优化隶属函数的顶点，然后根据顶点和x的范围求得a,b,c。这里x指的是混凝土数据集的一个属性列(比如粉煤灰或者细石)。可选的聚类算法有Fuzzy C-Means，K-Means等。
本实施例中除采用三角隶属函数作为隶属度函数计算隶属度外，还可以采用梯形隶属度函数，钟型隶属函数等计算隶属度。
本实施例中使用的模糊神经元可以为基于模糊关系的神经元FRN，也可以为基于模糊集的神经元FSN。
当使用的模糊神经元为基于模糊关系的神经元FRN时，即构造基于模糊关系的神经元FRN时，通过公式(1)求得的隶属度值要经过相对应的T算子或者S算子求得相应的激活强度，这里采用的是T算子。
当使用的模糊神经元为基于模糊集的神经元FSN时，即构造基于模糊集的神经元FSN时，通过公式(1)求得的隶属度值直接作为激活强度。
FSN中每个模糊规则仅描述与单个变量有关的信息。与FRN相比，FSN可以有效地减少计算模糊规则的多个前提的触发强度而导致的计算复杂性，但其描述数据空间中的复杂结构的能力弱于FRN。聚类算法划分的聚类可以揭示数据之间潜在的相似性关系，所以考虑使用聚类算法优化模糊规则前件隶属度函数的中心。换句话说使用聚类中心作为隶属度函数的中心。模糊规则后件使用线性函数表示，线性函数的系数是通过最小二乘进行进行计算。
对于非模糊神经元，可以使用两种多项式进行构造。第一种是使用常规的多项式函数构造常规神经元GPN，第二种是指数多项式函数构造指数多项式神经元EPN。多项式函数的类型可以包括线性、交叉二阶多项式或者全二阶多项式等，根据多项式函数的种类不同，具体构造的非模糊神经元(GPN或EPN)的种类也不同。与模糊神经元相比，非模糊神经元可以减轻模糊成分(即模糊规则的条件部分)的影响，参数估计学更快捷，具有更好的灵活性。与GPN相比，EPN可以通过非线性变换提高神经元的预测性能。
通过优化算法，如遗传算法，粒子群算法等可以优化非模糊神经元的具体种类以及结构，如输入变量的个数，这里设置输入变量的范围是2～4。优化算法在优化非模糊神经元结构的同时也优化了模型的网络结构，这种优化是随着网络层数的增长逐层进行的。
S22：多层网络模型的构建。
原始的输入作为网络第一层的输入，由原始的输入变量经过组合生成第一层各个模糊神经元的输入，全部模糊神经元的构造完毕后形成网络的第一层，通过节点选择算法对第一层中的模糊神经元进行选择，将筛选后的神经元作为模糊模块，将模糊模块的输出输入第一层后的连续层中，形成增强拓扑结构，第二层后的连续层的输入还包括上一层经过筛选后的多项式神经元的输出，也就是说，第二层后的连续层的输入包括上一层经过筛选后的多项式神经元的输出和模糊模块的输出。
在本实施例提出的方法中为网络下一层选择神经元的算法充分考虑了神经元的复杂度特点和性能特点，该选择算法不仅可以减轻复杂神经元对模型的影响，还可以为下一层提供具有更高预测潜力的输入。
网络的各层之间通过上一层和当前层(或当前层和下一层)的输入输出关系，以及增强拓扑结构的增强互连逐层连接在一起，构成整个多层网络模型。此外优化算法在优化非模糊神经元的同时对整个模型的结构也进行了相应的调整和优化。
用模糊逻辑设计的神经元可以表示数据之间的不确定性。因此认为模糊神经元包含更多的特征信息，这些特征信息表示数据之间的复杂和不确定关系。在一般拓扑中，随着网络层数的增加和神经元的选择，特征信息可能会丢失或衰减，这导致模型的泛化能力下降。为了缓解这种情况，在该实施例中，基于模糊模块和增强的互连设计了增强的拓扑，将第一层中节点选择算法筛选出的神经元作为模糊模块，并且通过增强的互连增强了模糊特征信息的特性。与一般拓扑相比，增强型拓扑不但增强模糊特征信息的特征，而且还增加了网络中每一层神经元的数量和多样性，这有助于增强模型的预测能力。
S23：对构建的多层网络模型进行训练，获得训练好的多层网络模型用于混凝土的抗压强度预测。
首先，获取已知抗压强度的混凝土的组成成分信息构建数据集。我们使用的混凝土数据集包含1030条数据，每条数据包含8个属性，分别对应上述混凝土的八种成分，我们将数据集合分成训练集和测试集两部分，分别用来训练和测试模型的性能。
原始的基于性能的选择节点的机制可以确保训练过程的快速收敛，但是它可能导致模型陷入局部最优，不能寻找更深的网络来产生更好的解决方案。我们认为到模型落入局部最优的原因可能是所选神经元集合中包含复杂的神经元，复杂的神经元会使得模型训练误差迅速下降，但测试误差往往会先降后增。因此我们在选择神经元的过程中考虑神经元的性能和复杂度。神经元复杂度表示为系数的平方和，如下所示：
Figure BDA0002991281370000111
其中m表示系数的个数，神经元的性能使用训练集合中实际输出和神经元输出的误差平方和表示，如下：
Figure BDA0002991281370000112
其中N为训练数据的个数(如果使用五折交叉验证的话，N就约为824)，yi和
Figure BDA0002991281370000113
分别代表混凝土的真实抗压强度和模型逼近的混凝土抗压强度。
网络的每层生成完毕之后，检测结束条件，如果满足条件(如达到最大层数)则停止继续构造模型，这里设定的最大层数是5层。
将本实施例公开的一种混凝土抗压强度预测方法与其它几种预测方法进行比较，获得结果如表1所示。
表1本公开方法与其它预测方法的预测结果
MOKBL±MOMs EIT2In-FRBS 本发明
27.42 41.58 23.35
与其它几种预测方法进行比较，可以得出本公开的预测方法性能更好，预测误差更小。综上所述，本公开提出的一种混凝土抗压强度预测方法，能够实现对混凝土抗压强度的快速准确预测，其中的构建多层网络模型的方法可以用于复杂非线性数据和系统的回归建模，可以有效提升模型的性能，同时减少传统方法的复杂度。
实施例2
在该实施例中，公开了一种混凝土抗压强度预测系统，包括：
数据获取模块，用于获取混凝土的组成成分信息；
抗压强度预测模块，用于将各组成成分信息输入训练好的多层网络模型中，输出混凝土抗压强度预测结果；
其中，多层网络模型的层数至少包括两层，第一层基于模糊神经元构成，第一层后的连续层均使用多项式神经元构成，对第一层中的神经元进行选择，将筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中，第二层后连续层的输入还包括上一层的输出。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种混凝土抗压强度预测方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种混凝土抗压强度预测方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种混凝土抗压强度预测方法，其特征在于，包括：
获取混凝土的组成成分信息；
将各组成成分信息输入训练好的多层网络模型中，输出混凝土抗压强度预测结果；
其中，多层网络模型的层数至少包括两层，第一层基于模糊神经元构成，第一层后的连续层均使用多项式神经元构成，对第一层中的神经元进行选择，将筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中，第二层后连续层的输入还包括上一层的输出。
2.如权利要求1所述的一种混凝土抗压强度预测方法，其特征在于，混凝土的组成成分信息包括：水泥含量信息、高炉矿渣含量信息、粉煤灰含量信息、水含量信息、高效减水剂含量信息、细石含量信息、粗骨料含量信息和细骨料含量信息。
3.如权利要求1所述的一种混凝土抗压强度预测方法，其特征在于，模糊神经元中封装模糊规则，输入为混凝土的各组成成分信息，模糊规则的前提部分通过对输入进行模糊划分来实现，模糊规则的结论部分基于多项式函数实现。
4.如权利要求1所述的一种混凝土抗压强度预测方法，其特征在于，采用隶属度函数计算模糊神经元的隶属度，使用聚类中心作为隶属度函数的中心。
5.如权利要求1所述的一种混凝土抗压强度预测方法，其特征在于，采用优化算法对多项式神经元的结构进行优化。
6.如权利要求1所述的一种混凝土抗压强度预测方法，其特征在于，第二层之后的连续层的输入包括上一层筛选后神经元的输出和模糊模块的输出两部分。
7.如权利要求1所述的一种混凝土抗压强度预测方法，其特征在于，获取已知抗压强度的混凝土的组成成分信息构建数据集，将数据集划分成训练集和测试集对多层网络模型进行训练，获得训练好的多层网络模型。
8.一种混凝土抗压强度预测系统，其特征在于，包括：
数据获取模块，用于获取混凝土的组成成分信息；
抗压强度预测模块，用于将各组成成分信息输入训练好的多层网络模型中，输出混凝土抗压强度预测结果；
其中，多层网络模型的层数至少包括两层，第一层基于模糊神经元构成，第一层后的连续层均使用多项式神经元构成，对第一层中的神经元进行选择，将筛选后的神经元作为模糊模块，模糊模块的输出输入第一层后的连续层中，第二层后连续层的输入还包括上一层的输出。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的一种混凝土抗压强度预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的一种混凝土抗压强度预测方法的步骤。
CN202110316131.0A 2021-03-24 2021-03-24 一种混凝土抗压强度预测方法及系统 Active CN113051821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110316131.0A CN113051821B (zh) 2021-03-24 2021-03-24 一种混凝土抗压强度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110316131.0A CN113051821B (zh) 2021-03-24 2021-03-24 一种混凝土抗压强度预测方法及系统

Publications (2)

Publication Number Publication Date
CN113051821A true CN113051821A (zh) 2021-06-29
CN113051821B CN113051821B (zh) 2023-03-10

Family

ID=76515052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110316131.0A Active CN113051821B (zh) 2021-03-24 2021-03-24 一种混凝土抗压强度预测方法及系统

Country Status (1)

Country Link
CN (1) CN113051821B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116625827A (zh) * 2023-06-17 2023-08-22 广州市盛通建设工程质量检测有限公司 含钢渣细集料的混凝土抗压测试方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106912067A (zh) * 2017-02-13 2017-06-30 南京航空航天大学 一种基于模糊神经网络的wsn无线通信模块故障诊断方法
CN110766144A (zh) * 2019-11-09 2020-02-07 河南工业大学 多层分解模糊神经网络优化设计方法
CN111024929A (zh) * 2019-11-28 2020-04-17 同济大学 一种基于径向基神经网络的自密实混凝土强度预测方法
CN111507518A (zh) * 2020-04-14 2020-08-07 中铁隧道局集团有限公司 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
CN112069567A (zh) * 2020-08-07 2020-12-11 湖北交投十巫高速公路有限公司 基于随机森林和智能算法预测混凝土抗压强度的方法
CN112507626A (zh) * 2020-12-21 2021-03-16 中山艾尚智同信息科技有限公司 一种基于神经网络的高性能混凝土强度预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106912067A (zh) * 2017-02-13 2017-06-30 南京航空航天大学 一种基于模糊神经网络的wsn无线通信模块故障诊断方法
CN110766144A (zh) * 2019-11-09 2020-02-07 河南工业大学 多层分解模糊神经网络优化设计方法
CN111024929A (zh) * 2019-11-28 2020-04-17 同济大学 一种基于径向基神经网络的自密实混凝土强度预测方法
CN111507518A (zh) * 2020-04-14 2020-08-07 中铁隧道局集团有限公司 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
CN112069567A (zh) * 2020-08-07 2020-12-11 湖北交投十巫高速公路有限公司 基于随机森林和智能算法预测混凝土抗压强度的方法
CN112507626A (zh) * 2020-12-21 2021-03-16 中山艾尚智同信息科技有限公司 一种基于神经网络的高性能混凝土强度预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CONGCONG ZHANG；SUNG-KWUN OH；ZUNWEI FU；WITOLD PEDRYCZ；: "Design of Reinforced Hybrid Fuzzy Rule-Based Neural Networks Driven to Inhomogeneous Neurons and Tournament Selection", 《 IEEE TRANSACTIONS ON FUZZY SYSTEMS 》 *
张颖超;王飞帆;廖俊玲;: "探空仪湿敏电容器的误差校正模型研究" *
邵克勇;韩巍;范欣;刘远红;: "一种基于数据驱动的系统建模方法" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116625827A (zh) * 2023-06-17 2023-08-22 广州市盛通建设工程质量检测有限公司 含钢渣细集料的混凝土抗压测试方法、装置、设备及介质
CN116625827B (zh) * 2023-06-17 2024-01-23 广州市盛通建设工程质量检测有限公司 含钢渣细集料的混凝土抗压测试方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113051821B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
Liang et al. A survey on evolutionary constrained multiobjective optimization
Shokri et al. Algorithm for increasing the speed of evolutionary optimization and its accuracy in multi-objective problems
CN108108832B (zh) 一种基于无线传感器网络的油罐车油气泄漏智能监测系统
Chen et al. Small-time scale network traffic prediction based on flexible neural tree
Park et al. Fuzzy polynomial neural networks: hybrid architectures of fuzzy modeling
Liu et al. An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning
Guo et al. Multi-agent coalition formation by an efficient genetic algorithm with heuristic initialization and repair strategy
Naik et al. Genetic algorithm-aided dynamic fuzzy rule interpolation
Sharma Designing and modeling fuzzy control Systems
Benítez et al. Multi-objective genetic learning of serial hierarchical fuzzy systems for large-scale problems
Castillo et al. Forecasting the COVID-19 with interval type-3 fuzzy logic and the fractal dimension
Leung et al. Parameter control system of evolutionary algorithm that is aided by the entire search history
Xiong et al. Multi-feature fusion and selection method for an improved particle swarm optimization
Mili et al. A hybrid evolutionary functional link artificial neural network for data mining and classification
CN113051821B (zh) 一种混凝土抗压强度预测方法及系统
Mili et al. A comparative study of expansion functions for evolutionary hybrid functional link artificial neural networks for data mining and classification
Ignatyev et al. System for automatic adjustment of intelligent controller parameters
Mitropoulou et al. Evolution strategies-based metaheuristics in structural design optimization
Kondratenko et al. Two-stage method of fuzzy rule base correction for variable structure of input vector
CN113887570B (zh) 一种基于神经网络的太阳耀斑二分类预测方法
Butz Learning classifier systems
Chipperfield et al. Evolutionary algorithms for control engineering
Oh et al. A new approach to the development of genetically optimized multilayer fuzzy polynomial neural networks
Kaur et al. Hybrid swarm intelligence for VLSI floorplan
Li et al. Multiobjective Particle Swarm Optimization Based on Cosine Distance Mechanism and Game Strategy

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