CN113836811A - 一种混凝土配合比多目标控制优化方法 - Google Patents

一种混凝土配合比多目标控制优化方法 Download PDF

Info

Publication number
CN113836811A
CN113836811A CN202111140305.9A CN202111140305A CN113836811A CN 113836811 A CN113836811 A CN 113836811A CN 202111140305 A CN202111140305 A CN 202111140305A CN 113836811 A CN113836811 A CN 113836811A
Authority
CN
China
Prior art keywords
concrete
layer
mix proportion
output
value
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
Application number
CN202111140305.9A
Other languages
English (en)
Inventor
焦楚杰
肖祁南
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.)
Guangzhou University
Original Assignee
Guangzhou 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 Guangzhou University filed Critical Guangzhou University
Priority to CN202111140305.9A priority Critical patent/CN113836811A/zh
Publication of CN113836811A publication Critical patent/CN113836811A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

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

本发明公开了一种混凝土配合比多目标控制优化方法，包括以下步骤：建立混凝土配合比对性能的预测模型，使用遗传算法优化神经网络建立混凝土配合比对性能的预测模型，以大量的配合比样本数据训练预测模型；建立配合比优化的目标函数；迭代寻优，寻找符合目标的配合比，以粒子群优化为策略进行随机搜索，将种群中每个粒子计算目标函数值并进行比较，更新粒子群，寻找群体极值，群体极值所对应的粒子即目标配合比。本发明可以根据不同地区的原材料进行学习，可以对各个地区的不同源材料价格进行配合比设计，并且本发明可以适用于不同的混凝土载体，可以根据不同的性能指标，设计需要的混凝土配合比。

Description

一种混凝土配合比多目标控制优化方法
技术领域
本发明属于混凝土配比设计技术领域，具体涉及一种混凝土配合比多目标控制优化方法。
背景技术
由于混凝土组分复杂且原材料的地域差异较大的特点，故在配合比设计中难以统一标准。在配合比的适配过程中，试验周期较长，需要消耗大量时间，人力物力。常规设计方法一般是根据规范来计算，以满足性能需求为目标来设计配合比，所得到的的配合比一般情况下能满足性能需求，但由于忽略了成本因素，通常难以在性能和价格上同时达到最优。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提出一种混凝土配合比多目标控制优化方法，以强度、和易性和价格三个指标为目标来对混凝土配合比进行优化设计。
为了达到上述目的，本发明采用以下技术方案：
一种混凝土配合比多目标控制优化方法，包括以下步骤：
S1、建立混凝土配合比对性能的预测模型，使用遗传算法优化神经网络建立混凝土配合比对性能的预测模型，以大量的配合比样本数据训练预测模型；
S2、建立配合比优化的目标函数；
S3、迭代寻优，寻找符合目标的配合比，以粒子群优化为策略进行随机搜索，将种群中每个粒子计算目标函数值并进行比较，更新粒子群，寻找群体极值，群体极值所对应的粒子即目标配合比。
进一步的，采用BP神经网络作为预测模型的建模载体，网络包括一个输入层、一个隐含层以及一个输出层；
输入层神经元个数为配合比中使用的原材料种类个数；
输出层神经元个数为混凝土的性能指标个数；
隐含层神经元个数Nh根据经验公式确定，具体为：
Figure BDA0003283500980000021
其中，Ni为输入层神经元个数，No是输出层神经元个数，Ns是训练集样本数，α为系数，取值范围为2到10。
进一步的，训练BP神经网络，输入单元分别为每立方混凝土中水泥、粉煤灰、矿粉、细骨料、粗骨料、水以及外加剂的用量；
输出单元分别为混凝土的28d抗压强度、塌落度与配合比之间为非线性关系的性能指标。
进一步的，BP神经网络的具体训练步骤如下：
定义神经网络输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元；
输入变量为X＝(X1,X2,...,Xn)；隐含层输入变量为hi＝(hi1,hi2,...,hip)；隐含层输出变量为ho＝(ho1,ho2,...,hop)；输出层输入变量为yi＝(yi1,yi2,...,yiq)；输出层输出变量为yo＝(yo1,yo2,...yoq)；期望输出变量为Y＝(Y1,Y2,...,Yq)；
随机选取第k个样本以及对应的期望输出：
X(k)＝(X1(k),X2(k),...,Xn(k))
Y(k)＝(Y1(k),Y2(k),...,Yq(k))
其中，数据样本个数k＝1,2,...,m；
计算隐含层各神经元的输入和输出：
Figure BDA0003283500980000031
hoh(k)＝f(hih(k))，h＝1,2,...,p
Figure BDA0003283500980000032
yoo(k)＝f(yio(k))，o＝1,2,...,q
其中，wih为输入层和隐含层的连接权值，who为隐含层与输出层的连接权值，bh为隐含层个神经元的阈值，bo为输出层各神经元的阈值，f(·)为激活函数；
利用输出层各神经元的δo(k)和隐含层各神经元的输出值，修正输出层和隐含层之间的连接权值who(k)：
Figure BDA0003283500980000033
Figure BDA0003283500980000034
其中，e为误差函数，
Figure BDA0003283500980000035
利用隐含层各神经元δh(k)和输入层各神经元的输入值，修正隐含层和输入层之间的连接权值wih(k)：
Figure BDA0003283500980000036
Figure BDA0003283500980000037
计算全局误差E：
Figure BDA0003283500980000038
判断误差是否满足要求，如果满足要求则结束训练，如果不满足要求则使用更新后的权值阈值返回步骤计算隐含层各神经元的输入和输出，并重复进行后续步骤，直至全局误差E满足要求；
训练完成得到一个能根据配合比数据预测混凝土性能的预测模型。
进一步的，目标函数具体为：
Fun(CE,F,M,SA,ST,W,A)＝a×P+b×C+PF (2)
其中，a和b为权重，根据实际需要确定，P为性能指标通过公式(3)计算得出：
P＝(PP-AP)2 (3)
其中，PP为将配合比输入训练完成的人工神经网络得到对应的预测性能值，AP为优化目标性能；C为价格指标，通过公式(4)计算得出：
C＝|PC-AC| (4)
其中，PC为将配合比的预测单方成本，AC为配合比的优化目标单方成本，PF为惩罚函数，根据混凝土配合比设计规程对于各组分用量的规定作为边界约束构造。
进一步的，迭代寻优，寻找符合目标的配合比具体为：
以粒子群优化为策略进行随机搜索，搜索过程具体为：
S31、随机生成一个初始种群Sn，其中每个粒子Si代表一组配合比Si＝(CEi Fi MiSAi STi Wi Ai)，i＝1,2,3,……,n，以速度Vid，位置Pid表示该点的特征值；
S32、将种群中的每一个粒子代入公式(2)中计算得到其对应的目标函数值Funi＝Fun(Si)，通过比较各个粒子对应的目标函数值Funi的大小，得到一个群体极值和个体极值；
S33、根据公式(5)和公式(6)更新每一个粒子的速度和位置，公式(5)和公式(6)如下：
Figure BDA0003283500980000041
Figure BDA0003283500980000051
其中，c1、c2为学习系数，r1、r2为0-1之间的随机数，ω是惯性权重，
Figure BDA0003283500980000052
为第k代粒子的个体速度，
Figure BDA0003283500980000053
第k代粒子的个体位置，
Figure BDA0003283500980000054
是第k代粒子的个体极值，
Figure BDA0003283500980000055
是第k代粒子的群体极值；
S34、更新之后，再次计算新一代粒子的目标函数值，并得到新的个体极值和群体极值；
S35、根据新的个体极值和群体极值以公式(7)更新粒子群，计算目标函数值，得到个体极值和群体极值，公式(7)如下：
Figure BDA0003283500980000056
循环步骤S32至S35，达到规定次数后，得到最终的群体极值，所对应的粒子就是最接近目标性能和目标价格的配合比。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明可以根据不同地区的原材料进行学习，可以对各个地区的不同源材料价格进行配合比设计。并且本发明可以适用于不同的混凝土载体，可以根据不同的性能指标，设计需要的混凝土配合比。
2、本发明的预测模型能记忆以往输入的数据，随着积累数据的增加，优化效果和精度也会不断提高，此外在搜索配合比的过程中，预测模型能够记忆所出现的最优配合比，能够在保证搜索范围的情况下，收敛速度不断提高的，采用本发明进行混凝土配合比设计，能对混凝土的各项性能和价格有一个较好的把控，还能够减少适配的次数，大大节约人力物力和资源。
附图说明
图1是本发明方法的流程图；
图2是本发明的控制原理图；
图3是本发明BP神经网络训练的示意图；
图4是本发明寻找符合目标的配合比的流程图。
具体实施方式
如图1、图2所示，本发明，一种混凝土配合比多目标控制优化方法，包括以下步骤：
S1、建立混凝土配合比对性能的预测模型，使用遗传算法优化神经网络建立混凝土配合比对性能的预测模型，以大量的配合比样本数据训练预测模型；具体为：
采用BP神经网络作为预测模型的建模载体，网络包括一个输入层、一个隐含层以及一个输出层；
输入层神经元个数为配合比中使用的原材料种类个数；
输出层神经元个数为混凝土的性能指标个数；
隐含层神经元个数Nh根据经验公式确定，具体为：
Figure BDA0003283500980000061
其中，Ni为输入层神经元个数，No是输出层神经元个数，Ns是训练集样本数，α为系数，取2-10。
训练BP神经网络，输入单元分别为每立方混凝土中水泥、粉煤灰、矿粉、细骨料、粗骨料、水以及外加剂的用量；
输出单元分别为混凝土的28d抗压强度、塌落度等与配合比之间的非线性关系的性能指标；
如图3所示，BP神经网络的具体训练步骤如下：
定义神经网络输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元；
输入变量为X＝(X1,X2,...,Xn)；隐含层输入变量为hi＝(hi1,hi2,...,hip)；隐含层输出变量为ho＝(ho1,ho2,...,hop)；输出层输入变量为yi＝(yi1,yi2,...,yiq)；输出层输出变量为yo＝(yo1,yo2,...yoq)；期望输出变量为Y＝(Y1,Y2,...,Yq)；
随机选取第k个样本以及对应的期望输出：
X(k)＝(X1(k),X2(k),...,Xn(k))
Y(k)＝(Y1(k),Y2(k),...,Yq(k))
其中，数据样本个数k＝1,2,...,m；
计算隐含层各神经元的输入和输出：
Figure BDA0003283500980000071
hoh(k)＝f(hih(k))，h＝1,2,...,p
Figure BDA0003283500980000072
yoo(k)＝f(yio(k))，o＝1,2,...,q
其中，wih为输入层和隐含层的连接权值，who为隐含层与输出层的连接权值，bh为隐含层个神经元的阈值，bo为输出层各神经元的阈值，f(·)为激活函数；
利用输出层各神经元的δo(k)和隐含层各神经元的输出值，修正输出层和隐含层之间的连接权值who(k)：
Figure BDA0003283500980000073
Figure BDA0003283500980000074
其中，e为误差函数，
Figure BDA0003283500980000075
利用隐含层各神经元δh(k)和输入层各神经元的输入值，修正隐含层和输入层之间的连接权值wih(k)：
Figure BDA0003283500980000081
Figure BDA0003283500980000082
计算全局误差E：
Figure BDA0003283500980000083
判断误差是否满足要求，如果满足要求则结束训练，如果不满足要求则使用更新后的权值阈值返回步骤计算隐含层各神经元的输入和输出，并重复进行后续步骤，直至全局误差E满足要求；
训练完成得到一个能根据配合比数据预测混凝土性能的预测模型。
S2、建立配合比优化的目标函数；目标函数具体为：
Fun(CE,F,M,SA,ST,W,A)＝a×P+b×C+PF (2)
其中，a和b为权重，根据实际需要确定，P为性能指标通过公式(3)计算得出：
P＝(PP-AP)2 (3)
其中，PP为将配合比输入训练完成的人工神经网络得到对应的预测性能值，AP为优化目标性能；C为价格指标，通过公式(4)计算得出：
C＝|PC-AC| (4)
其中，PC为将配合比的预测单方成本，AC为配合比的优化目标单方成本。PF为惩罚函数，根据混凝土配合比设计规程对于各组分用量的规定作为边界约束构造。
S3、迭代寻优，寻找符合目标的配合比，以粒子群优化为策略进行随机搜索，将种群中每个粒子计算目标函数值并进行比较，更新粒子群，寻找群体极值，群体极值所对应的粒子即目标配合比。
如图4所示，迭代寻优，寻找符合目标的配合比具体为：
S31、随机生成一个初始种群Sn，其中每个粒子Si代表一组配合比Si＝(CEi Fi MiSAi STi Wi Ai)，i＝1,2,3,……,n，以速度Vid，位置Pid表示该点的特征值；
S32、将种群中的每一个粒子代入公式(2)中计算得到其对应的目标函数值Funi＝Fun(Si)，通过比较各个粒子对应的目标函数值Funi的大小，得到一个群体极值和个体极值；
S33、根据公式(5)和公式(6)更新每一个粒子的速度和位置，公式(5)和公式(6)如下：
Figure BDA0003283500980000091
Figure BDA0003283500980000092
其中，c1、c2为学习系数，r1、r2为0-1之间的随机数，ω是惯性权重，
Figure BDA0003283500980000093
为第k代粒子的个体速度，
Figure BDA0003283500980000094
第k代粒子的个体位置，
Figure BDA0003283500980000095
是第k代粒子的个体极值，
Figure BDA0003283500980000096
是第k代粒子的群体极值；
S34、更新之后，再次计算新一代粒子的目标函数值，并得到新的个体极值和群体极值；
S35、根据新的个体极值和群体极值以公式(7)更新粒子群，计算目标函数值，得到个体极值和群体极值，公式(7)如下：
Figure BDA0003283500980000097
循环步骤S32至S35，达到规定次数后，得到最终的群体极值，所对应的粒子就是最接近目标性能和目标价格的配合比。
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
一种海砂混凝土的配合比设计，海砂混凝土的各个组分为，水泥，粉煤灰，矿粉，细骨料一(水洗海砂)，细骨料二，粗骨料一，粗骨料二，外加剂一，外加剂二，水，一共十种原材料。
以28天抗压强度和坍落度作为配合比设计的性能指标，建立10-15-2-2的人工神经网络，使用80组配合比及相应的性能数据，训练该网络得到能以配合比预测性能的模型。
将强度，坍落度和价格三个目标加权作为目标函数，使用粒子群算法搜索符合要求的配合比。
在本实施例中，目标函数具体为：
Fun(CE,F,M,SA,ST,W,A)＝a×P+b×C+PF
其中，a和b为权重，根据实际需要确定，P为性能指标通过以下公式计算得出：
P＝(PP-AP)2
其中，PP为将配合比输入训练完成的人工神经网络得到对应的预测强度、坍落度值，AP为优化目标强度、坍落度值；C为价格指标，通过以下公式计算得出：
C＝|PC-AC|
其中，PC为将配合比的预测单方成本，AC为配合比的优化目标单方成本。PF为惩罚函数，根据混凝土配合比设计规程对于各组分用量的规定作为边界约束构造。
如下表1所示，为实施例1得出的配合比。
Figure BDA0003283500980000111
表1
实施例2
一种透水混凝土的配合比设计，透水混凝土的各个组分为水泥，水，碎石，减水剂，硅粉，粉煤灰，矿渣，增强剂，一共8种原材料。
以28天抗压强度和有效孔隙率作为配合比设计的性能指标，建立8-12-2-2的人工神经网络，使用120组配合比及相应的性能数据，训练该网络得到能以配合比预测性能的模型。
将强度，有效孔隙率和价格三个目标加权作为目标函数，使用粒子群算法搜索符合要求的配合比。
在本实施例中，目标函数具体为：
Fun(CE,F,M,SA,ST,W,A)＝a×P+b×C+PF
其中，a和b为权重，根据实际需要确定，P为性能指标通过以下公式计算得出：
P＝(PP-AP)2
其中，PP为将配合比输入训练完成的人工神经网络得到对应的预测强度、有效孔隙率值，AP为优化目标强度、有效孔隙率值；C为价格指标，通过以下公式计算得出：
C＝|PC-AC|(4)
其中，PC为将配合比的预测单方成本，AC为配合比的优化目标单方成本。PF为惩罚函数，根据混凝土配合比设计规程对于各组分用量的规定作为边界约束构造。
如下表2所示，为实施例2得出的配合比。
Figure BDA0003283500980000121
表2
还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种混凝土配合比多目标控制优化方法，其特征在于，包括以下步骤：
S1、建立混凝土配合比对性能的预测模型，使用遗传算法优化神经网络建立混凝土配合比对性能的预测模型，以大量的配合比样本数据训练预测模型；
S2、建立配合比优化的目标函数；
S3、迭代寻优，寻找符合目标的配合比，以粒子群优化为策略进行随机搜索，将种群中每个粒子计算目标函数值并进行比较，更新粒子群，寻找群体极值，群体极值所对应的粒子即目标配合比。
2.根据权利要求1所述的一种混凝土配合比多目标控制优化方法，其特征在于，采用BP神经网络作为预测模型的建模载体，网络包括一个输入层、一个隐含层以及一个输出层；
输入层神经元个数为配合比中使用的原材料种类个数；
输出层神经元个数为混凝土的性能指标个数；
隐含层神经元个数Nh根据经验公式确定，具体为：
Figure FDA0003283500970000011
其中，Ni为输入层神经元个数，No是输出层神经元个数，Ns是训练集样本数，α为系数，取值范围为2到10。
3.根据权利要求2所述的一种混凝土配合比多目标控制优化方法，其特征在于，训练BP神经网络，输入单元分别为每立方混凝土中水泥、粉煤灰、矿粉、细骨料、粗骨料、水以及外加剂的用量；
输出单元分别为混凝土的28d抗压强度、塌落度与配合比之间为非线性关系的性能指标。
4.根据权利要求3所述的一种混凝土配合比多目标控制优化方法，其特征在于，BP神经网络的具体训练步骤如下：
定义神经网络输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元；
输入变量为X＝(X1,X2,...,Xn)；隐含层输入变量为hi＝(hi1,hi2,...,hip)；隐含层输出变量为ho＝(ho1,ho2,...,hop)；输出层输入变量为yi＝(yi1,yi2,...,yiq)；输出层输出变量为yo＝(yo1,yo2,...yoq)；期望输出变量为Y＝(Y1,Y2,...,Yq)；
随机选取第k个样本以及对应的期望输出：
X(k)＝(X1(k),X2(k),...,Xn(k))
Y(k)＝(Y1(k),Y2(k),...,Yq(k))
其中，数据样本个数k＝1,2,...,m；
计算隐含层各神经元的输入和输出：
Figure FDA0003283500970000021
hoh(k)＝f(hih(k))，h＝1,2,...,p
Figure FDA0003283500970000022
yoo(k)＝f(yio(k))，o＝1,2,...,q
其中，wih为输入层和隐含层的连接权值，who为隐含层与输出层的连接权值，bh为隐含层个神经元的阈值，bo为输出层各神经元的阈值，f(·)为激活函数；
利用输出层各神经元的δo(k)和隐含层各神经元的输出值，修正输出层和隐含层之间的连接权值who(k)：
Figure FDA0003283500970000023
Figure FDA0003283500970000024
其中，e为误差函数，
Figure FDA0003283500970000025
利用隐含层各神经元δh(k)和输入层各神经元的输入值，修正隐含层和输入层之间的连接权值wih(k)：
Figure FDA0003283500970000026
Figure FDA0003283500970000027
计算全局误差E：
Figure FDA0003283500970000031
判断误差是否满足要求，如果满足要求则结束训练，如果不满足要求则使用更新后的权值阈值返回步骤计算隐含层各神经元的输入和输出，并重复进行后续步骤，直至全局误差E满足要求；
训练完成得到一个能根据配合比数据预测混凝土性能的预测模型。
5.根据权利要求1所述的一种混凝土配合比多目标控制优化方法，其特征在于，目标函数具体为：
Fun(CE,F,M,SA,ST,W,A)＝a×P+b×C+PF (2)
其中，a和b为权重，根据实际需要确定，P为性能指标通过公式(3)计算得出：
P＝(PP-AP)2 (3)
其中，PP为将配合比输入训练完成的人工神经网络得到对应的预测性能值，AP为优化目标性能；C为价格指标，通过公式(4)计算得出：
C＝|PC-AC| (4)
其中，PC为将配合比的预测单方成本，AC为配合比的优化目标单方成本，PF为惩罚函数，根据混凝土配合比设计规程对于各组分用量的规定作为边界约束构造。
6.根据权利要求5所述的一种混凝土配合比多目标控制优化方法，其特征在于，迭代寻优，寻找符合目标的配合比具体为：
以粒子群优化为策略进行随机搜索，搜索过程具体为：
S31、随机生成一个初始种群Sn，其中每个粒子Si代表一组配合比Si＝(CEi Fi Mi SAiSTi Wi Ai)，i＝1,2,3,……,n，以速度Vid，位置Pid表示该点的特征值；
S32、将种群中的每一个粒子代入公式(2)中计算得到其对应的目标函数值Funi＝Fun(Si)，通过比较各个粒子对应的目标函数值Funi的大小，得到一个群体极值和个体极值；
S33、根据公式(5)和公式(6)更新每一个粒子的速度和位置，公式(5)和公式(6)如下：
Figure FDA0003283500970000041
Figure FDA0003283500970000042
其中，c1、c2为学习系数，r1、r2为0-1之间的随机数，ω是惯性权重，
Figure FDA0003283500970000043
为第k代粒子的个体速度，
Figure FDA0003283500970000044
第k代粒子的个体位置，
Figure FDA0003283500970000045
是第k代粒子的个体极值，
Figure FDA0003283500970000046
是第k代粒子的群体极值；
S34、更新之后，再次计算新一代粒子的目标函数值，并得到新的个体极值和群体极值；
S35、根据新的个体极值和群体极值以公式(7)更新粒子群，计算目标函数值，得到个体极值和群体极值，公式(7)如下：
Figure FDA0003283500970000047
循环步骤S32至S35，达到规定次数后，得到最终的群体极值，所对应的粒子就是最接近目标性能和目标价格的配合比。
CN202111140305.9A 2021-09-28 2021-09-28 一种混凝土配合比多目标控制优化方法 Pending CN113836811A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111140305.9A CN113836811A (zh) 2021-09-28 2021-09-28 一种混凝土配合比多目标控制优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111140305.9A CN113836811A (zh) 2021-09-28 2021-09-28 一种混凝土配合比多目标控制优化方法

Publications (1)

Publication Number Publication Date
CN113836811A true CN113836811A (zh) 2021-12-24

Family

ID=78970734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111140305.9A Pending CN113836811A (zh) 2021-09-28 2021-09-28 一种混凝土配合比多目标控制优化方法

Country Status (1)

Country Link
CN (1) CN113836811A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023223218A1 (en) * 2022-05-17 2023-11-23 Concrete Ai, Inc. Machine learning concrete optimization
CN118332917A (zh) * 2024-04-26 2024-07-12 山东科技大学 一种低强度可调控赤泥路用材料的配合比设计方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
焦楚杰 等: "基于性价比优化的混凝土配方设计模型", 建筑材料学报, vol. 23, no. 6, pages 1321 - 1327 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023223218A1 (en) * 2022-05-17 2023-11-23 Concrete Ai, Inc. Machine learning concrete optimization
US11897818B2 (en) 2022-05-17 2024-02-13 Concrete Ai, Inc. Machine learning concrete optimization
CN118332917A (zh) * 2024-04-26 2024-07-12 山东科技大学 一种低强度可调控赤泥路用材料的配合比设计方法及装置
CN118332917B (zh) * 2024-04-26 2024-09-13 山东科技大学 一种低强度可调控赤泥路用材料的配合比设计方法及装置

Similar Documents

Publication Publication Date Title
CN113836811A (zh) 一种混凝土配合比多目标控制优化方法
Naderpour et al. An innovative approach for compressive strength estimation of mortars having calcium inosilicate minerals
Alshihri et al. Neural networks for predicting compressive strength of structural light weight concrete
CN104991051A (zh) 一种基于混合模型的混凝土强度预测方法
Elevado et al. Artificial neural network (ANN) modelling of concrete mixed with waste ceramic tiles and fly ash
Mater et al. ANN-Python prediction model for the compressive strength of green concrete
Shirzadi Javid et al. Estimating the optimal mixture design of concrete pavements using a numerical method and meta-heuristic algorithms
CN104034865A (zh) 一种混凝土强度的预测方法
Cheng et al. Estimating strength of rubberized concrete using evolutionary multivariate adaptive regression splines
Lee et al. A new heuristic algorithm for mix design of high-performance concrete
Nagaraju et al. Development of sustainable high performance geopolymer concrete and mortar using agricultural biomass—a strength performance and sustainability analysis
Onyelowe et al. GRG-optimized response surface powered prediction of concrete mix design chart for the optimization of concrete compressive strength based on industrial waste precursor effect
Kazemi et al. New insight into the prediction of strength properties of cementitious mortar containing nano‐and micro‐silica based on porosity using hybrid artificial intelligence techniques
Kandiri et al. Prediction of the module of elasticity of green concretes containing ground granulated blast furnace slag using hybridized multi-objective ANN and Salp swarm algorithm
Khan et al. Assessing the results of compressive strength of ultra high-performance concrete using soft computing
Chen Hybrid structured artificial network for compressive strength prediction of HPC concrete
Al-Zwainy et al. Prediction of residual strength of sustainable self-consolidating concrete exposed to elevated temperature using artificial intelligent technique
Rezaie et al. Prediction of slump and density of lightweight concretes using ANFIS and linear regression
Shaswat Concrete slump prediction modeling with a fine-tuned convolutional neural network: hybridizing sea lion and dragonfly algorithms
Ji et al. Optimum Design of Reactive Powder Concrete Mixture Proportion Based on Artificial Neural and Harmony Search Algorithm.
Heniegal Design of Self Compacting Concrete Using Artificial Neural Networks.
Heidari et al. Investigation of mechanical properties of self compacting polymeric concrete with backpropagation network
Mehmannavaz et al. Research Article Presenting an Appropriate Neural Network for Optimal Mix Design of Roller Compacted Concrete Dams
CN115206463A (zh) 一种基于机器学习的混凝土配合比智能化设计方法
Kulisz et al. Prediction of the compressive strength of environmentally friendly concrete using artificial neural network

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