CN114242181A - 沙漠砂混凝土强度预测模型训练方法、装置、设备及介质 - Google Patents
沙漠砂混凝土强度预测模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114242181A CN114242181A CN202111324525.7A CN202111324525A CN114242181A CN 114242181 A CN114242181 A CN 114242181A CN 202111324525 A CN202111324525 A CN 202111324525A CN 114242181 A CN114242181 A CN 114242181A
- Authority
- CN
- China
- Prior art keywords
- training
- prediction model
- desert sand
- training data
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 312
- 239000004576 sand Substances 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 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
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Ceramic Engineering (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种沙漠砂混凝土强度预测模型训练方法、装置、设备及介质,属于模型训练技术领域,该方法包括:获取至少一组训练数据;从所述至少一组训练数据中确定出一组目标训练数据;利用所述目标训练数据对强度预测模型进行训练,得到训练误差;若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数;更新所述强度预测模型和所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。本发明结合PSO算法对强度预测模型进行训练,提高了模型训练的精度,进而保证了强度预测的准确性。
Description
技术领域
本发明涉及模型训练技术领域,尤其涉及一种沙漠砂混凝土强度预测模型训练方法、装置、设备及介质。
背景技术
相关技术中,传统的强度预测模型训练方法一般直接通过训练数据对模型进行训练优化,但由于训练数据本身可能存在异常,导致得到的模型精度不够,预测准确性还有待提高,且相关强度预测模型集中于预测普通混凝土的强度值。
发明内容
本发明实施例通过提供一种沙漠砂混凝土强度预测模型训练方法、装置、设备及介质,解决了现有技术中进行强度预测模型训练时所得模型精度不够的问题。
根据本发明的第一方面,提供了一种沙漠砂混凝土强度预测模型训练方法,包括:
获取至少一组训练数据;所述训练数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组训练数据的初始强度均值不同;
从所述至少一组训练数据中确定出一组目标训练数据;
利用所述目标训练数据对强度预测模型进行训练,得到训练误差;
若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数;
基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。
可选地,所述获取至少一组训练数据之前,所述方法还包括:
针对任一组所述训练数据,检测所述混凝土的强度值;
根据所述沙漠砂混凝土的类型获得所述沙漠砂混凝土的类型特征向量,并检测所述沙漠砂混凝土的强度值;其中,所述沙漠砂混凝土由向所述混凝土中加入预设替换比例的沙漠砂得到;
根据所述混凝土的强度值、所述沙漠砂混凝土的强度值以及所述类型特征向量,生成所述训练数据。
可选地,所述利用所述目标训练数据对强度预测模型进行训练,得到训练误差,包括:
将所述目标训练数据输入所述强度预测模型对所述强度预测模型进行训练,获得训练结果;
计算所述训练结果与预设期望值之间的差值,所述差值即为所述训练误差。
可选地,所述若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数,包括:
若所述训练误差大于所述预设误差阈值,则调用所述PSO算法;
根据所述PSO算法和所述训练数据,得到最优权重和最优偏置;
根据所述最优权重和最优偏置,更新所述强度预测模型。
可选地,所述基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型之后,所述方法还包括:
向用户终端发送训练完成提示信息。
可选地,所述向用户终端发送训练完成提示信息之后,所述方法还包括:
获取至少一组测试数据;所述测试数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组测试数据的初始强度均值不同;
利用所述测试数据对所述沙漠砂混凝土强度预测模型进行测试,得到测试误差;
若所述测试误差小于或者等于所述预设误差阈值,则输出所述沙漠砂混凝土强度预测模型。
可选地,所述若所述测试误差小于或者等于所述预设误差阈值,则输出所述沙漠砂混凝土强度预测模型之后,所述方法还包括:
向用户终端发送测试完成提示信息。
根据本发明的第二方面,提供了一种沙漠砂混凝土强度预测模型训练装置,包括:
数据获取模块,用于获取至少一组训练数据;所述训练数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组训练数据的初始强度均值不同;
训练数据确定模块,用于从所述至少一组训练数据中确定出一组目标训练数据;
模型训练模块,用于利用所述目标训练数据对强度预测模型进行训练,得到训练误差;
参数调整模块,用于若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数;
训练完成模块,用于基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。
根据本发明的第三方面,提供了一种沙漠砂混凝土强度预测模型训练设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的沙漠砂混凝土强度预测模型训练程序,所述沙漠砂混凝土强度预测模型训练程序被所述处理器执行时实现第一方面或第二方面的实现方式中的任一种可能的实现方式中所述的各个步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有沙漠砂混凝土强度预测模型训练程序,所述沙漠砂混凝土强度预测模型训练程序被处理器执行时实现第一方面或第二方面的实现方式中的任一种可能的实现方式中所述的各个步骤。
本发明实施例提出一种沙漠砂混凝土强度预测模型训练方法、装置、设备及介质,通过沙漠砂混凝土强度预测模型训练设备获取至少一组训练数据;从所述至少一组训练数据中确定出一组目标训练数据;利用所述目标训练数据对强度预测模型进行训练,得到训练误差;若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数;更新所述强度预测模型和所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。
本发明通过获取训练数据确定出目标训练数据;利用该目标训练数据对强度预测模型进行训练;再利用PSO算法调整该强度预测模型的模型参数以减小误差,直至训练误差小于预设误差阈值,得到沙漠砂混凝土强度预测模型。本发明区别于现有技术中进行强度预测模型训练时所得模型精度不够的情况,结合PSO算法对强度预测模型进行训练,提高了模型训练的精度,进而保证了强度预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的沙漠砂混凝土强度预测模型训练设备的结构示意图;
图2为本发明沙漠砂混凝土强度预测模型训练方法的第一实施例的流程示意图;
图3为本发明图2中S201的步骤之前的流程示意图;
图4为本发明图2中S203的步骤的具体实施方式的流程示意图;
图5为本发明图2中S204的步骤的具体实施方式的流程示意图;
图6为本发明图2中S205的步骤之后的流程示意图;
图7为本发明实施例涉及的沙漠砂混凝土强度预测模型训练装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取至少一组训练数据;从所述至少一组训练数据中确定出一组目标训练数据;利用所述目标训练数据对强度预测模型进行训练,得到训练误差;若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数;更新所述强度预测模型和所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。
现有技术中传统的强度预测模型训练方法一般直接通过训练数据对模型进行训练优化,但由于训练数据本身可能存在异常,导致得到的模型精度不够,预测准确性还有待提高,且相关强度预测模型集中于预测普通混凝土的强度值。
本发明提供一种解决方案,该方案用于沙漠砂混凝土强度预测模型训练设备,通过沙漠砂混凝土强度预测模型训练设备获取训练数据确定出目标训练数据;利用该目标训练数据对强度预测模型进行训练;再利用PSO算法调整该强度预测模型的模型参数以减小误差,直至训练误差小于预设误差阈值,得到沙漠砂混凝土强度预测模型。本发明区别于现有技术中进行强度预测模型训练时所得模型精度不够的情况,结合PSO算法对强度预测模型进行训练,提高了模型训练的精度,进而保证了强度预测的准确性。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例的说明书和权利要求书中的“第一”、“第二”用于区别类似的对象,而不必用于描述特定的顺序或者先后次序,应该理解这样的数据在适当的情况下可以互换,以便这里描述的实施例能够以除了这里图示或者描述的那些以外的顺序实施。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的沙漠砂混凝土强度预测模型训练设备的结构示意图。
如图1所示,该沙漠砂混凝土强度预测模型训练设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对沙漠砂混凝土强度预测模型训练设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、获取模块、训练模块、训练完成模块以及沙漠砂混凝土强度预测模型训练程序,其中,获取模块又可细化为数据获取模块和训练数据确定模块,训练模块又可细化为模型训练模块和参数调整模块。
在图1所示的沙漠砂混凝土强度预测模型训练设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明沙漠砂混凝土强度预测模型训练设备中的处理器1001、存储器1005可以设置在沙漠砂混凝土强度预测模型训练设备中,沙漠砂混凝土强度预测模型训练设备通过处理器1001调用存储器1005中存储的沙漠砂混凝土强度预测模型训练程序,并执行本申请实施例提供的沙漠砂混凝土强度预测模型训练方法。
基于上述硬件结构但不限于上述硬件结构,本发明提供一种沙漠砂混凝土强度预测模型训练方法第一实施例。参照图2,图2为本发明沙漠砂混凝土强度预测模型训练方法第一实施例的流程示意图。
本实施例中,所述方法包括:
步骤S201,获取至少一组训练数据;所述训练数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组训练数据的初始强度均值不同;
在本实施例中,执行主体为沙漠砂混凝土强度预测模型训练设备,可以用于获取一组或多组训练数据,然后将这些数据作为训练集输入强度预测模型中进行训练。其中,训练数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及在掺杂不同比例的沙漠砂后检测出的沙漠砂混凝土的强度均值,除此之外,还可包括用水量、砂率、空气含量以及沙漠砂混凝土的类型特征向量等等;其中,不同组训练数据的初始强度均值不同,而沙漠砂混凝土的类型特征向量用于表征不同沙漠砂混凝土的类型,其可由预设预设关系得到,例如,对于库布齐沙漠砂,其对应到第4个输入单元输入1,第5个输入单元输入0,第6个输入单元输入0,第7个输入单元输入0,则可用一组四维向量(1,0,0,0)来表示其类型,这样,通过一组简单的四维向量就可以表征不同种沙漠砂混凝土的类型,使得本来需要输入复杂变量的输入层变得简易,从而增加了预测模型的鲁棒性和稳定性,同时大幅减小了实体实验的工作量。
步骤S202,从所述至少一组训练数据中确定出一组目标训练数据;
由于训练数据均为在先检测获得且数量可能较多,因此在其中难免会出现一些数据冗余或数据异常的情况,所以为了提高后续的训练效果,得到精度更高的预测模型,首先从其中选出质量较好的目标训练数据用于后续训练。
步骤S203,利用所述目标训练数据对强度预测模型进行训练,得到训练误差;
如前述筛选出目标训练数据后,则利用该训练数据对强度预测模型进行训练,而训练结果与期望值或实际值之间难免会存在误差,所以在每一次训练结束后还需获得训练误差以确定训练效果。
在一具体实施方式中,参照图4,图4为本发明图2中S203的步骤的具体实施方式的流程示意图,所述利用所述目标训练数据对强度预测模型进行训练,得到训练误差,包括:
步骤A10,将所述目标训练数据输入所述强度预测模型对所述强度预测模型进行训练,获得训练结果;
在获得目标训练数据后,将其中的混凝土的原始强度均值和向混凝土中掺杂的沙漠砂比例等数据输入强度预测模型中,输出训练结果,该输出结果即为当前强度预测模型对沙漠砂混凝土的预测值。
步骤A20,计算所述训练结果与预设期望值之间的差值,所述差值即为所述训练误差。
得到前述训练结果后,这个结果与预设期望值或实际值之间难免会有差异,计算两者之间的差值即得到训练误差。
步骤S204,若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数。
如果前述得到的训练误差大于预设误差阈值,说明当前强度预测模型的预测准确度还有待提高,必须调整强度预测模型的参数以减小误差。本实施例中,利用PSO即粒子群群算法来对强度预测模型进行优化调整。
在一具体实施方式中,参照图5,图5为本发明图2中S204的步骤的具体实施方式的流程示意图,所述若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数,包括:
步骤B10,若所述训练误差大于所述预设误差阈值,则调用所述PSO算法;
步骤B20,根据所述PSO算法和所述训练数据,得到最优权重和最优偏置;
首先初始化PSO算法中的惯性因子和学习因子等参数,然后基于PSO算法,利用训练数据求解出当前强度预测模型的最优参数,即最优权重和最优偏置。
步骤B30,根据所述最优权重和最优偏置,更新所述强度预测模型。
将前述求解出的最优权重和最优偏置赋值给强度预测模型,新的权重值和偏置值将覆盖原值,得到更新后的强度预测模型。
步骤S205,基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。
在利用前述最优权重和最优偏置更新强度预测模型后,再从剩余的训练数据中重新确定一组训练数据对更新后的强度预测模型继续训练,训练结束后,与前述一样,计算出该次训练的训练误差并与预设误差阈值比较,如果仍大于预设误差阈值,则继续调整模型参数并继续进行训练,直到训练误差小于或等于预设误差阈值为止。
本实施例首先从训练集中的大量数据中确定出数据质量高的数据用于训练,并利用PSO算法反复对沙漠砂混凝土强度预测模型进行训练,直到所得的训练误差小于预设误差为止,提高了模型训练的精度,进而保证了强度预测的准确性。
作为一个实施例,参照图3,图3为本发明图2中S201的步骤之前的流程示意图,所述获取至少一组训练数据;所述训练数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及在掺杂不同比例的沙漠砂后检测出的沙漠砂混凝土的强度均值;其中,不同组训练数据的初始强度均值不同之前,所述方法还包括:
步骤S301,针对任一组所述训练数据,检测所述混凝土的强度值;
为了得到可用于模型训练的训练数据,首先通过试验机等设备检测出不掺杂沙漠砂的原始混凝土的原始强度值。
步骤S302,根据所述沙漠砂混凝土的类型获得所述沙漠砂混凝土的类型特征向量,并检测所述沙漠砂混凝土的强度值;其中,所述沙漠砂混凝土由向所述混凝土中加入预设替换比例的沙漠砂得到;
在前述检测完不同强度等级的混凝土的强度值之后,向混凝土中加入预设替换比例的沙漠砂得到沙漠砂混凝土,记录下该沙漠砂混凝土对应的原始混凝土的原始强度值以及加入的沙漠砂比例,然后再确定所得沙漠砂混凝土的类型,根据其类型确定对应的类型特征向量,并对该沙漠砂混凝土进行强度检测,最后得到其强度值,同样也记录下来。
步骤S303,根据所述混凝土的强度值、所述沙漠砂混凝土的强度值以及所述类型特征向量,生成所述训练数据。
根据记录下来的混凝土的强度值,沙漠砂混凝土的强度值、沙漠砂替换比例以及类型特征向量等数据生成训练数据,其中,混凝土的强度值和沙漠砂替换比例可作为强度预测模型的输入值,沙漠砂混凝土的强度值即实际值可作为强度预测模型的期望值。除此之外,训练数据还可包括用水量、砂率、空气含量等数据。
进一步地,作为一个实施例,参照图6,图6为本发明图2中S205的步骤之后的流程示意图,所述基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型之后,所述方法还包括:
步骤S601,向用户终端发送训练完成提示信息;
步骤S602,获取至少一组测试数据;所述测试数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组测试数据的初始强度均值不同;
在训练完成后,为了进一步验证该沙漠砂混凝土强度预测模型的预测准确度,再从前述检测所得数据中获取至少一组数据作为测试数据。
步骤S603,利用所述测试数据对所述沙漠砂混凝土强度预测模型进行测试,得到测试误差;
将该测试数据中的混凝土的原始强度均值和向混凝土中掺杂的沙漠砂比例等数据输入沙漠砂混凝土强度预测模型中,输出测试结果,该输出结果即为沙漠砂混凝土强度预测模型对该沙漠砂混凝土的预测值,再计算该预测值与预设期望值即检测所得实际值之间的误差,即得到测试误差。
步骤S604,若所述测试误差小于或者等于所述预设误差阈值,则输出所述沙漠砂混凝土强度预测模型;
步骤S605,向用户终端发送测试完成提示信息。
若前述所得测试误差小于或等于预设误差阈值,则表明所得沙漠砂混凝土强度预测模型的精度已经达到要求,可以满足预测需要,即可向用户终端输出输出该沙漠砂混凝土强度预测模型和测试完成提示信息,用户通过用户终端接收到测试完成提示信息和前述训练完成提示信息后,便可使用该沙漠砂混凝土强度预测模型对沙漠砂混凝土进行强度预测。
基于同一发明构思,本发明实施例还提供一种沙漠砂混凝土强度预测模型训练装置,参照图7所示,包括:
数据获取模块,用于获取至少一组训练数据;所述训练数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组训练数据的初始强度均值不同;
训练数据确定模块,用于从所述至少一组训练数据中确定出一组目标训练数据;
模型训练模块,用于利用所述目标训练数据对强度预测模型进行训练,得到训练误差;
参数调整模块,用于若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数;
训练完成模块,用于基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。
作为一种可选的实施例,沙漠砂混凝土强度预测模型训练装置还可包括:
参数计算模块,用于根据所述PSO算法和所述训练数据,得到最优权重和最优偏置。
作为一种可选的实施例,沙漠砂混凝土强度预测模型训练装置还可包括:
模型测试模块,用于利用所述测试数据对所述沙漠砂混凝土强度预测模型进行测试,得到测试误差。
作为一种可选的实施例,沙漠砂混凝土强度预测模型训练装置还可包括:
模型输出模块,用于若所述测试误差小于或者等于所述预设误差阈值,则输出所述沙漠砂混凝土强度预测模型。
此外,在一实施例中,本发明还提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现前述第一实施例中方法的步骤。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper Text MarkupLanguage)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种沙漠砂混凝土强度预测模型训练方法,其特征在于,所述方法包括:
获取至少一组训练数据;所述训练数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组训练数据的初始强度均值不同;
从所述至少一组训练数据中确定出一组目标训练数据;
利用所述目标训练数据对强度预测模型进行训练,得到训练误差;
若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数;
基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。
2.根据权利要求1所述的方法,其特征在于,所述获取至少一组训练数据之前,所述方法还包括:
针对任一组所述训练数据,检测所述混凝土的强度值;
根据所述沙漠砂混凝土的类型获得所述沙漠砂混凝土的类型特征向量,并检测所述沙漠砂混凝土的强度值;其中,所述沙漠砂混凝土由向所述混凝土中加入预设替换比例的沙漠砂得到;
根据所述混凝土的强度值、所述沙漠砂混凝土的强度值以及所述类型特征向量,生成所述训练数据。
3.根据权利要求1所述的方法,其特征在于,所述利用所述目标训练数据对强度预测模型进行训练,得到训练误差,包括:
将所述目标训练数据输入所述强度预测模型对所述强度预测模型进行训练,获得训练结果;
计算所述训练结果与预设期望值之间的差值,所述差值即为所述训练误差。
4.根据权利要求1所述的方法,其特征在于,所述若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数,包括:
若所述训练误差大于所述预设误差阈值,则调用所述PSO算法;
根据所述PSO算法和所述训练数据,得到最优权重和最优偏置;
根据所述最优权重和最优偏置,更新所述强度预测模型。
5.根据权利要求1所述的方法,其特征在于,所述基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型之后,所述方法还包括:
向用户终端发送训练完成提示信息。
6.根据权利要求5所述的方法,其特征在于,所述向用户终端发送训练完成提示信息之后,所述方法还包括:
获取至少一组测试数据;所述测试数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组测试数据的初始强度均值不同;
利用所述测试数据对所述沙漠砂混凝土强度预测模型进行测试,得到测试误差;
若所述测试误差小于或者等于所述预设误差阈值,则输出所述沙漠砂混凝土强度预测模型。
7.根据权利要求6所述的方法,其特征在于,所述若所述测试误差小于或者等于所述预设误差阈值,则输出所述沙漠砂混凝土强度预测模型之后,所述方法还包括:
向用户终端发送测试完成提示信息。
8.一种沙漠砂混凝土强度预测模型训练装置,其特征在于,所述装置包括:
数据获取模块,用于获取至少一组训练数据;所述训练数据包括混凝土的初始强度均值、掺杂的沙漠砂比例以及对应的沙漠砂混凝土的类型特征向量和强度均值;其中,不同组训练数据的初始强度均值不同;
训练数据确定模块,用于从所述至少一组训练数据中确定出一组目标训练数据;
模型训练模块,用于利用所述目标训练数据对强度预测模型进行训练,得到训练误差;
参数调整模块,用于若所述训练误差大于预设误差阈值,则利用PSO算法调整所述强度预测模型的模型参数;
训练完成模块,用于基于所述模型参数更新所述强度预测模型,并从剩余所述训练数据中确定出一组新的训练数据,以更新所述目标训练数据,返回执行利用所述目标训练数据对强度预测模型进行训练,得到训练误差的步骤,直至所述训练误差小于所述预设误差阈值,得到沙漠砂混凝土强度预测模型。
9.一种沙漠砂混凝土强度预测模型训练设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的沙漠砂混凝土强度预测模型训练程序,所述沙漠砂混凝土强度预测模型训练程序被所述处理器执行时实现如权利要求1至7中任一项所述的沙漠砂混凝土强度预测模型训练方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有沙漠砂混凝土强度预测模型训练程序,所述沙漠砂混凝土强度预测模型训练程序被处理器执行时实现如权利要求1至7中任一项所述的沙漠砂混凝土强度预测模型训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324525.7A CN114242181A (zh) | 2021-11-10 | 2021-11-10 | 沙漠砂混凝土强度预测模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324525.7A CN114242181A (zh) | 2021-11-10 | 2021-11-10 | 沙漠砂混凝土强度预测模型训练方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114242181A true CN114242181A (zh) | 2022-03-25 |
Family
ID=80748875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324525.7A Pending CN114242181A (zh) | 2021-11-10 | 2021-11-10 | 沙漠砂混凝土强度预测模型训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114242181A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108739A (zh) * | 2022-12-07 | 2023-05-12 | 佛山市顺德区新广利混凝土有限公司 | 一种混凝土砂浆预拌性能预测方法、系统和存储介质 |
-
2021
- 2021-11-10 CN CN202111324525.7A patent/CN114242181A/zh active Pending
Non-Patent Citations (3)
Title |
---|
HE CAI 等: "Predicting the Compressive Strength of Desert Sand Concrete Using ANN: PSO and Its Application in Tunnel", ADVANCES IN CIVIL ENGINEERING, vol. 2020, 17 December 2020 (2020-12-17), pages 1 - 11 * |
何晓凤;: "基于PSO-BP神经网络的混凝土抗压强度预测", 微型机与应用, no. 20, 25 October 2011 (2011-10-25), pages 87 - 90 * |
张永礼 等: "《神经网络优化算法在技术经济领域中的应用》", vol. 1, 30 November 2015, 北京:冶金工业出版社, pages: 24 - 25 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108739A (zh) * | 2022-12-07 | 2023-05-12 | 佛山市顺德区新广利混凝土有限公司 | 一种混凝土砂浆预拌性能预测方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Posch et al. | A very simple dynamic soil acidification model for scenario analyses and target load calculations | |
AU2021240156B2 (en) | Quantum Control Pulse Generation Method And Apparatus, Device, And Storage Medium | |
CN108628748B (zh) | 自动化测试管理方法和自动化测试管理系统 | |
CN111209215B (zh) | 应用程序的测试方法、装置、计算机设备及存储介质 | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN115577641A (zh) | 一种数字孪生模型的训练方法、装置、设备及介质 | |
KR20130122853A (ko) | 원자력발전소 훈련용 시뮬레이터의 실시간 중대사고 모의 시스템 및 그 방법 | |
CN114168429A (zh) | 报错分析方法、装置、计算机设备及存储介质 | |
CN116107885A (zh) | 一种接口测试方法、装置、设备、存储介质 | |
CN114242181A (zh) | 沙漠砂混凝土强度预测模型训练方法、装置、设备及介质 | |
CN106557414A (zh) | 应用程序测试系统和方法 | |
CN105184170B (zh) | 一种基于形式化程度的领域软件可信性评估方法 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN114594943B (zh) | 数据建模方法、装置、设备和存储介质 | |
CN114242182A (zh) | 沙漠砂混凝土强度预测方法、装置、设备及存储介质 | |
CN114968821A (zh) | 基于强化学习的测试数据生成方法及装置 | |
CN113238942A (zh) | 用户界面测试方法、装置、电子设备及存储介质 | |
CN113742187A (zh) | 应用系统的容量预测方法、装置、设备及存储介质 | |
CN104660699A (zh) | 基于可变斜率的缺失服务响应时间补足方法和装置 | |
CN117349150B (zh) | 一种覆盖率数据处理方法、装置、电子设备及存储介质 | |
CN112131792B (zh) | 一种地表电位还原方法、装置、设备及存储介质 | |
CN111061599B (zh) | 接口测试环境的检查点的生成方法 | |
CN118411033A (zh) | 污闪应对措施确定方法、装置、计算机设备、介质和产品 | |
CN116701203A (zh) | 界面跳转测试用例的生成方法、装置、设备及存储介质 | |
CN116258068A (zh) | 电力系统的暂态稳定评估方法、装置和计算机设备 |
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 |