CN114580299A - 一种混凝土抗压能力预测方法、装置、设备及存储介质 - Google Patents

一种混凝土抗压能力预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114580299A
CN114580299A CN202210242036.5A CN202210242036A CN114580299A CN 114580299 A CN114580299 A CN 114580299A CN 202210242036 A CN202210242036 A CN 202210242036A CN 114580299 A CN114580299 A CN 114580299A
Authority
CN
China
Prior art keywords
concrete
compressive capacity
data
prediction model
sample 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
Application number
CN202210242036.5A
Other languages
English (en)
Inventor
陈洪
张学林
李伟夫
郑锋
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.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural 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 Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202210242036.5A priority Critical patent/CN114580299A/zh
Publication of CN114580299A publication Critical patent/CN114580299A/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

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

本发明涉及一种混凝土抗压能力预测方法、装置、设备及存储介质，该方法包括：确定预测函数，根据预测函数建立混凝土抗压能力预测模型；获取混凝土样本数据，对混凝土样本数据进行处理；根据处理后的混凝土样本数据，对混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型；根据目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测。本发明提供的一种混凝土抗压能力预测方法、装置、设备及存储介质，通过不同的预测函数，确定多个混凝土抗压能力预测模型，对混凝土样本数据进行处理，筛选出目标混凝土抗压能力预测模型，对待预测混凝土抗压能力进行预测，能够在复杂数据环境下准确预测出混凝土的抗压能力。

Description

一种混凝土抗压能力预测方法、装置、设备及存储介质
技术领域
本发明涉及混凝土抗压强度预测技术领域，尤其涉及一种混凝土抗压能力预测方法、装置、设备及存储介质。
背景技术
近些年来，混凝土结构耐久性设计不足而导致的工程事故频频发生，工程上对混凝土耐久性提出了更高的要求。在我国东北、西北、华北地区混凝土结构长期服役在潮湿寒冷的环境中，冻融循环破坏作为混凝土在寒冷地区的主要问题，已成为国内外研究关注的重点。抗压强度能是评价混凝土耐久性重要指标之一，对混凝土抗压强度能进行预测具有重要的现实价值。
目前，混凝土抗压强度常用的检测方法包括1h促凝压蒸法、神经网络预测法、灰色理论预测法、新拌混凝土现场检测法和超声回弹综合法等。
其中，灰色理论与目前的神经网络方法虽然都可以根据特征参数实现及时评估，但是其精度与原始数据库及算法合理性有关，波动可能较大；1h促凝压蒸法与新拌混凝土现场检测法由于需要预先制备试样，需要一定的时间，并且1h促凝压蒸法采用砂浆快硬强度推测混凝土强度，没有考虑级配中石子的作用、石子与水泥砂浆的界面结构与尺寸效应，其精度不足，新拌混凝土现场检测法，受测仪器局限性和检测环境的影响，存在精度问题；超声回弹综合法中制备的试件结构完成成形并具有一定的强度，才能进行检测，所需时间最长，且该方法也同样受检测仪器局限性和检测环境的影响，存在精度问题。
发明内容
有鉴于此，有必要提供一种混凝土抗压能力预测方法、装置、设备及存储介质，用以解决现有技术中不能在短时间内准确预测混凝土抗压能力的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种混凝土抗压能力预测方法，包括：
确定预测函数，根据预测函数建立混凝土抗压能力预测模型；
获取混凝土样本数据，对混凝土样本数据进行处理；
根据处理后的混凝土样本数据，对混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型；
根据目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测。
优选的，预测函数包括：指示替代函数和损失函数；确定预测函数，根据预测函数建立混凝土抗压能力预测模型，包括：根据指示替代函数和损失函数，确定混凝土抗压能力预测模型。
优选的，预测函数还包括：密度估计函数；获取混凝土样本数据，对混凝土样本数据进行处理，包括：
根据密度估计函数和指示替代函数，确定密度阈值指示函数；
通过密度阈值指示函数和预设误差密度阈值，对混凝土样本数据进行筛选；
将筛选后的混凝土样本数据分为数据训练集、数据验证集以及数据测试集；
在数据训练集中加入不同占比的异常值，对数据验证集以及数据测试集不进行处理。
优选的，将筛选后的混凝土样本数据分为数据训练集、数据验证集以及数据测试集，包括：
根据筛选后的混凝土样本数据，生成预设形式的矩阵；
将预设形式的矩阵每一行数据作为一组样本数据，得到若干个样本数据；
将样本数据分为数据训练集、数据验证集以及数据测试集。
优选的，根据处理后的混凝土样本数据，对混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型，包括：
根据预设参数以及数据训练集，对混凝土抗压能力预测模型进行迭代训练；
根据数据验证集，对完成迭代训练后的混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型。
优选的，根据预设参数以及数据训练集，对混凝土抗压能力预测模型进行迭代训练，包括：
每轮迭代训练时，计算出混凝土抗压能力预测模型对应的梯度；
根据混凝土抗压能力预测模型对应的梯度，更新目标系数；
当达到迭代停止条件时，停止迭代循环，保留停止迭代时的目标系数。
优选的，根据数据验证集，对完成迭代训练后的混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型，包括：
计算完成迭代训练后的混凝土抗压能力预测模型的决定系数，通过预设验证方法，确定目标混凝土抗压能力预测模型。
第二方面，本发明还提供了一种混凝土抗压能力预测装置，包括：
建立模块，用于确定预测函数，根据预测函数建立混凝土抗压能力预测模型；
处理模块，用于获取混凝土样本数据，对混凝土样本数据进行处理；
筛选模块，用于根据处理后的混凝土样本数据，对混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型；
预测模块，用于根据目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
存储器，用于存储程序；
处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的混凝土抗压能力预测方法中的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的混凝土抗压能力预测方法中的步骤。
采用上述实施例的有益效果是：本发明提供的一种混凝土抗压能力预测方法、装置、设备及存储介质，通过不同的预测函数，确定多个混凝土抗压能力预测模型，对获取的混凝土样本数据进行处理，加入异常值，筛选出目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测，能够在复杂数据环境下准确预测出混凝土的抗压能力。
附图说明
图1为本发明提供的混凝土抗压能力预测方法的一实施例的流程示意图；
图2为本发明提供的处理混凝土样本数据的一实施例的流程示意图；
图3(a)、(b)、(c)为本发明提供的目标函数对误差的偏导曲线的一实施例的仿真效果图；
图4为本发明提供的混凝土抗压能力预测装置的一实施例的结构示意图；
图5为本发明实施例提供的电子设备的结构示意图。
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。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种混凝土抗压能力预测方法、装置、设备及存储介质，以下分别进行说明。
请参阅图1，图1为本发明提供的混凝土抗压能力预测方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种混凝土抗压能力预测方法，包括：
S101、确定预测函数，根据预测函数建立混凝土抗压能力预测模型；
S102、获取混凝土样本数据，对混凝土样本数据进行处理；
S103、根据处理后的混凝土样本数据，对混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型；
S104、根据目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测。
在本发明具体的实施例中，步骤S101首先确定可选择的预测函数，本发明的损失函数和指示替代函数可以具有多种选择，也就可以构建多种可能的混凝土抗压能力预测模型，对于模型中参数计算的相关函数的选择也是灵活的。
在本发明具体的实施例中，步骤S102针对不同的回归任务，对数据的处理方式不同，如对于线性回归任务，对训练集中的输入数据X增加一列全1向量，用于后续线性回归中常数的学习；对于多项式回归，根据训练集中的输入数据X生成高次项，扩充了X的维度实现更好的拟合。其中，0次项用于学习常数；对于核回归，根据训练集中的输入数据X，生成对应的格拉姆矩阵，将矩阵的每一行数据当做一个样本输入模型进行训练。
在本发明具体的实施例中，步骤S103通过处理后的混凝土样本数据，对建立的多种可能的混凝土抗压能力预测模型进行筛选，从中选择出预测能力最佳的混凝土抗压能力预测模型，即为目标混凝土抗压能力预测模型。
在本发明具体的实施例中，步骤S104在得到目标混凝土抗压能力预测模型之后，即可对待预测混凝土样本数据的抗压能力进行预测，将待预测混凝土样本数据输入至目标混凝土抗压能力预测模型，从而得到混凝土的抗压能力。
与现有技术相比，本实施例提供的一种混凝土抗压能力预测方法，通过不同的预测函数，确定多个混凝土抗压能力预测模型，对获取的混凝土样本数据进行处理，加入异常值，筛选出目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测，能够在复杂数据环境下准确预测出混凝土的抗压能力。
在本发明的一些实施例中，预测函数包括：指示替代函数和损失函数；确定预测函数，根据预测函数建立混凝土抗压能力预测模型，包括：根据指示替代函数和损失函数，确定混凝土抗压能力预测模型。
在上述实施例中，损失函数用f(xi,yi)表示，损失函数有多种选择，包括但不限于经典的平方损失、基于熵的指数型损失；指示替代函数有多种选择，包括但不限于常用于机器学习中分类任务的熵诱导的替代函数，Sigmoid和Tanh函数，Hinge函数等来替代非平滑的0/1指示函数。通过损失函数以及指示替代函数选择的不同，可以组合出多个混凝土抗压能力预测模型。
请参阅表1，表1为本发明提供的损失函数与指示替代函数的可能组合。
表1
Figure BDA0003542689080000071
请参阅图2，图2为本发明提供的处理混凝土样本数据的一实施例的流程示意图，在本发明的一些实施例中，预测函数还包括：密度估计函数；获取混凝土样本数据，对混凝土样本数据进行处理，包括：
S201、根据密度估计函数和指示替代函数，确定密度阈值指示函数；
S202、通过密度阈值指示函数和预设误差密度阈值，对混凝土样本数据进行筛选；
S203、将筛选后的混凝土样本数据分为数据训练集、数据验证集以及数据测试集；
S204、在数据训练集中加入不同占比的异常值，对数据验证集以及数据测试集不进行处理。
在本发明具体的实施例中，步骤S201根据确定的密度估计函数和指示替代函数，构建密度阈值指示函数I{ρ(e)＞λ}，其中λ是用于区分正常样本和异常样本而设置的误差密度阈值。
在本发明具体的实施例中，步骤S202预设误差密度阈值即为λ，可以根据实际情况选择合适的λ，通过最小化损失函数乘以指示函数之和的平均值，具体公式可以为：
Figure BDA0003542689080000081
对混凝土样本数据进行筛选，剔除掉不满足实验要求的数据，提高模型预测的准确性。
需要说明的是，给定一组输入
Figure BDA0003542689080000082
和估计函数的情况下，会产生对应的一组误差值e＝{e1,…,en}，记样本子集为S。除了可以考虑误差密度大于λ的情况(I(ρ(ei)≥λ))，还可以考虑误差密度介于特定范围(λ1，λ2)之间的情况(I(λ1≤ρ(ei)≤λ2))。对于正参数λ(或λ1，λ2)的选择，实际上影响了模型关注的样本子集Sλ＝{s:ρE(e)≥λ}＝{s:λ-ρE(e)≤0}(或
Figure BDA0003542689080000083
)。当λ取零时，基于损失密度的模型恢复了传统的经验最小化的框架，即模型关注的样本是整个样本全集；当λ的值过小时，样本子集中可能会包括密度低的异常样本；当λ的值过大时，样本子集中可能为空，出现实际数据分布与训练目标曲线之间的误差不存在密度大于λ的情况。
在本发明具体的实施例中，步骤S203对多种混凝土抗压能力预测模型的筛选，包括了对模型进行训练和验证的过程，通过对混凝土抗压能力预测模型进行训练，得到可能的混凝土抗压能力预测模型，然后再对可能的混凝土抗压能力预测模型进行验证，从中确定出最优的混凝土抗压能力预测模型，之后还需要对最优的混凝土抗压能力预测模型进行测试其预测性能，将筛选后的混凝土样本数据分为数据训练集、数据验证集以及数据测试集，有利于确定出最优的混凝土抗压能力预测模型。
在本发明具体的实施例中，步骤S204为了突出本申请提出方法对随机异常点的鲁棒性，本发明向训练集中增加不同占比的异常点，即向训练集的样本标签随机增加一个较大的值，并将该样本记作异常点；验证集与测试集不做处理。将训练集代入模型进行迭代训练，保留迭代预测值用于与真实值作对比，得到误差值与误差密度统计量。
在数据训练集中加入不同占比的异常值，在对混凝土抗压能力预测模型进行训练时，可以提升模型对于实验数据存在异常值时的预测能力，而验证集和测试集主要是进一步确定预测能力最佳的混凝土抗压能力预测模型，若存在异常值，则会造成模型选择不准确，最终无法满足预测需要。
在上述实施例中，首先需要确定出密度阈值指示函数，然后再根据密度阈值指示函数和预设误差密度阈值，对混凝土样本数据进行筛选，剔除掉不符合要求的数据，之后将筛选后的混凝土样本数据分为数据训练集、数据验证集以及数据测试集，并在数据训练集中加入不同占比的异常值，对于数据验证集以及数据测试集不进行处理，在选择预测模型时，可以提升模型的预测能力，并且使得模型具备一定的抗干扰能力。
在本发明的一些实施例中，将筛选后的混凝土样本数据分为数据训练集、数据验证集以及数据测试集，包括：
根据筛选后的混凝土样本数据，生成预设形式的矩阵；
将预设形式的矩阵每一行数据作为一组样本数据，得到若干个样本数据；
将样本数据分为数据训练集、数据验证集以及数据测试集。
在上述实施例中，真实混凝土抗压强度数据包含了1030个样本，包含8个自变量(水泥、高炉渣、粉煤灰、水、超塑化剂、粗骨料、细骨料这7中成分在每升混凝土中的重量(kg)和混凝土测试的天数)与一个因变量(混凝土抗压强度)。由于高强度混凝土与各种材料成分之间存在着高度的非线性关系，本发明考虑采用高斯核回归的方法。将混凝土数据集中n个数据X＝{x1,x2,...,xn}，根据格拉姆矩阵公式
Figure BDA0003542689080000101
生成对应的规模为N*N的格拉姆矩阵G中的第i行第j列的数值，将矩阵的每一行数据当做一个样本，并划分为训练集、验证集与测试集。
在本发明的一些实施例中，根据处理后的混凝土样本数据，对混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型，包括：
根据预设参数以及数据训练集，对混凝土抗压能力预测模型进行迭代训练；
根据数据验证集，对完成迭代训练后的混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型。
在上述实施例中，对混凝土抗压能力预测模型进行筛选，也即对混凝土抗压能力预测模型进行训练优化，对于优化方法，简便地可以使用传统梯度下降方法作为优化求解方法。此外，一些高效的凸优化与非凸优化方法也是可行的，如ADMM算法、ISTA、FISTA等算法。本实施例选择在高斯核回归任务下的梯度下降算法对凝土抗压能力预测模型进行训练优化。
先设置好迭代过程的参数数据，如最大迭代次数、学习率、早停等参数，然后通过数据训练集，对混凝土抗压能力预测模型进行迭代训练，从中确定出可能的混凝土抗压能力预测模型，再通过数据验证集，对可能的混凝土抗压能力预测模型进一步验证，得到目标混凝土抗压能力预测模型。
作为优选的实施例，本发明将最大迭代次数设置为5000，学习率的待选值有{0.0001，0.0005，0.001，0.005，0.01}，核密度估计、指示替代函数以及高斯核回归对应的带宽参数待选值有{0.5，1，2}，阈值λ则从0到2每隔0.05均匀取值。
在本发明的一些实施例中，根据预设参数以及数据训练集，对混凝土抗压能力预测模型进行迭代训练，包括：
每轮迭代训练时，计算出混凝土抗压能力预测模型对应的梯度；
根据混凝土抗压能力预测模型对应的梯度，更新目标系数；
当达到迭代停止条件时，停止迭代循环，保留停止迭代时的目标系数。
在上述实施例中，高斯核回归下EDRM(S，C)的梯度下降算法的具体过程如下：
输入:训练集数据{X∈RN×P，y∈RN}，最大迭代次数Z∈N，步长γ，核参数κ、h和σ，预设误差密度阈值λ，早停阈值t；
初始化：迭代次数z＝0和目标系数αz＝0N；
格拉姆矩阵G生成：
Figure BDA0003542689080000111
且G∈RN×N，Gi表示矩阵G的第i行。
repeat
分别利用矩阵G的每行Gi计算当前迭代z得到的梯度gz：
for i＝1to N do
对每个Gi计算其误差Ei，损失函数值Li与对应的梯度dEi，dLi：
Ei＝(yi-Giαz)，dEi＝-Gi T
Li＝(yi-Giαz)2，dLi＝Gi T(Giαz-yi)
end for
for i＝1to N do
对Gi计算其误差密度ρi与对应的梯度dρi：
Figure BDA0003542689080000121
Figure BDA0003542689080000122
对Gi计算其指示替代函数Φi(λ)与对应的梯度dΦi(λ)：
Figure BDA0003542689080000123
Figure BDA0003542689080000124
对Gi计算当前迭代z得到的目标函数梯度值
Figure BDA0003542689080000125
Figure BDA0003542689080000126
end for
计算整体梯度
Figure BDA0003542689080000127
Figure BDA0003542689080000128
利用整体梯度
Figure BDA0003542689080000129
更新目标系数αz：
Figure BDA00035426890800001210
更新早停参数t：
Figure BDA00035426890800001211
更新当前迭代次数z：
z＝z+1
until z＝Z或者t≤T
输出:α′＝αz。
在本发明的一些实施例中，根据数据验证集，对完成迭代训练后的混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型，包括：
计算完成迭代训练后的混凝土抗压能力预测模型的决定系数，通过预设验证方法，确定目标混凝土抗压能力预测模型。
在上述实施例中，R2分数(决定系数)是回归问题的标准度量，可以用来判断模型对数据的拟合能力。它反映出因变量的波动能够通过回归关系被自变量的波动所描述的比例。记
Figure BDA0003542689080000131
为模型训练得到的估计函数，f为数据的真实分布函数，
Figure BDA0003542689080000132
是所有样本在估计函数上取平均后得到的值，R2分数的计算公式如下：
Figure BDA0003542689080000133
表2是在混凝土抗压强度数据集上的高斯核回归结果，给出了不同模型的10次独立重复实验得到的平均R2分数作为训练结果，并用黑色粗体标出效果最好的模型。其中，Huber代表Huber回归，MCC代表最小化相关熵回归方法，EDRM(S，C)和EDRM(C，C)等分别代表本申请中的基于损失密度的风险最小化的具体函数形式组合，可参考表1。表2对应的真实数据实验，向真实数据中增加了不同占比的异常值，进而评估本申请提出方法对比其他方法的鲁棒性，由于高斯核回归的梯度下降方法不适用于MoM(本申请补充了线性的仿真数据实验中与MoM方法的比较)，本实验结果仅包括鲁棒的Huber回归、MCC回归以及本发明提出的基于误差密度的风险最小化(EDRM)的两个具体方法(EDRM(S，C)和EDRM(C，C))。通过和鲁棒的Huber回归、MCC回归对比，本发明提出的方法在解决复杂环境下的回归问题上有着较好的鲁棒性质。
表2
Figure BDA0003542689080000141
为了进一步地直观地突出本方法的鲁棒性能，本发明补充了一个简单的线性实验并对比不同机器学习方法的回归效果(补充了线性回归下的MoM方法)。首先设计一份包含10％异常值的训练数据集：30个异常样本
Figure BDA0003542689080000142
和270个正常样本
Figure BDA0003542689080000143
Figure BDA0003542689080000144
再设计一份不包含异常值的测试数据，包含300个正常样本且其分布与训练集中正常样本一致。
表3展示的是对应的不同模型在该数据上的10次平均实验得到的测试精度(R2分数)，并用黑色粗体标出效果最好的模型。
表3
ERM Huber MCC MoM EDRM(S,C) EDRM(C,C)
0.3773 0.9171 0.9591 0.9588 0.9600 0.9601
上述讨论的EDRM模型关注的样本子集都是Sλ＝{s:ρE(e)≥λ}＝{s:λ-ρE(e)≤0}。进一步的，本发明利用前述的简单的线性回归实验拓展讨论了在样本子集
Figure BDA0003542689080000151
下EDRM模型的表现。
本发明进一步地从目标函数本身出发，对比不同鲁棒模型的目标函数对损失e的偏导并可视化为敏感曲线图。请参阅图3(a)、(b)、(c)，图3(a)、(b)、(c)为本发明提供的目标函数对误差的偏导曲线的一实施例的仿真效果图，图3(a)、(b)、(c)展示了Huber回归、MCC回归以及本发明提出的EDRM(S,C)回归的目标函数对损失e的敏感曲线，可以得到Huber回归方法对于较大的异常值用绝对值约束，从而降低了原平方损失对异常值的权重；MCC和本发明提出的方法相似，通过给较大的异常值很小的权重，甚至权重为0以实现鲁棒性。
本实施例同时利用样本的损失值和损失对应的密度信息实现良好的鲁棒回归效果。本实施例首先对所有的输入数据都进行处理操作，由于本实施例考虑更为复杂的核回归任务，所以根据数据集的输入数据X，生成对应的格拉姆矩阵，将矩阵的每一行数据当做一个样本输入模型进行训练。随后根据本申请提出的一种基于损失密度的经验风险最小化学习算法对该非线性回归任务进行优化求解。在具体实施时，由于参数的影响，使用交叉验证的方法划分训练集和验证集并找出效果最好的参数组合对应的模型，保存最优模型训练出的回归系数(权重系数)。最后，使用保存的回归系数(权重系数)对测试集数据做预测，得到预测结果并用R2分数做评估。
在真实的混凝土强度数据与仿真的简单线性数据实验结果中，可以看出本发明提出的方法超过了经典的ERM方法，并且和已知的鲁棒方法(Huber回归、均值中位数回归与熵回归)的性能相当。本发明所提出的方法，提高了传统方法对高强度混凝土数据的预测精度，并且减少了数据采集过程中可能出现的异常样本带来的影响。
通过本实施例解决了传统的经验风险最小化回归技术中复杂环境下回归问题处理时所存在的对噪声以及异常值敏感的问题，从而效果上优于传统的经验风险最小化方法，并且和目前一些主流的鲁棒回归方法相当。
为了更好实施本发明实施例中的混凝土抗压能力预测方法，在混凝土抗压能力预测方法基础之上，对应的，请参阅图4，图4为本发明提供的混凝土抗压能力预测装置的一实施例的结构示意图，本发明实施例提供了一种混凝土抗压能力预测装置400，包括：
建立模块401，用于确定预测函数，根据预测函数建立混凝土抗压能力预测模型；
处理模块402，用于获取混凝土样本数据，对混凝土样本数据进行处理；
筛选模块403，用于根据处理后的混凝土样本数据，对混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型；
预测模块404，用于根据目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测。
这里需要说明的是：上述实施例提供的装置400可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
请参阅图5，图5为本发明实施例提供的电子设备的结构示意图。基于上述混凝土抗压能力预测方法，本发明还相应提供了一种混凝土抗压能力预测设备，混凝土抗压能力预测设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该混凝土抗压能力预测设备包括处理器510、存储器520及显示器530。图5仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器520在一些实施例中可以是混凝土抗压能力预测设备的内部存储单元，例如混凝土抗压能力预测设备的硬盘或内存。存储器520在另一些实施例中也可以是混凝土抗压能力预测设备的外部存储设备，例如混凝土抗压能力预测设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，存储器520还可以既包括混凝土抗压能力预测设备的内部存储单元也包括外部存储设备。存储器520用于存储安装于混凝土抗压能力预测设备的应用软件及各类数据，例如安装混凝土抗压能力预测设备的程序代码等。存储器520还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器520上存储有混凝土抗压能力预测程序540，该混凝土抗压能力预测程序540可被处理器510所执行，从而实现本申请各实施例的混凝土抗压能力预测方法。
处理器510在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器520中存储的程序代码或处理数据，例如执行混凝土抗压能力预测方法等。
显示器530在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器530用于显示在混凝土抗压能力预测设备的信息以及用于显示可视化的用户界面。混凝土抗压能力预测设备的部件510-530通过系统总线相互通信。
在一实施例中，当处理器510执行存储器520中混凝土抗压能力预测程序540时实现如上的混凝土抗压能力预测方法中的步骤。
本实施例还提供了一种计算机可读存储介质，其上存储有混凝土抗压能力预测程序，该混凝土抗压能力预测程序被处理器执行时实现以下步骤：
确定预测函数，根据预测函数建立混凝土抗压能力预测模型；
获取混凝土样本数据，对混凝土样本数据进行处理；
根据处理后的混凝土样本数据，对混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型；
根据目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测。
综上，本实施例提供的一种混凝土抗压能力预测方法、装置、设备及存储介质，通过不同的预测函数，确定多个混凝土抗压能力预测模型，对获取的混凝土样本数据进行处理，加入异常值，筛选出目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测，能够在复杂数据环境下准确预测出混凝土的抗压能力。
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 (10)

1.一种混凝土抗压能力预测方法，其特征在于，包括：
确定预测函数，根据所述预测函数建立混凝土抗压能力预测模型；
获取混凝土样本数据，对所述混凝土样本数据进行处理；
根据处理后的所述混凝土样本数据，对所述混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型；
根据所述目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测。
2.根据权利要求1所述的混凝土抗压能力预测方法，其特征在于，所述预测函数包括：指示替代函数和损失函数；所述确定预测函数，根据所述预测函数建立混凝土抗压能力预测模型，包括：根据所述指示替代函数和所述损失函数，确定混凝土抗压能力预测模型。
3.根据权利要求2所述的混凝土抗压能力预测方法，其特征在于，所述预测函数还包括：密度估计函数；所述获取混凝土样本数据，对所述混凝土样本数据进行处理，包括：
根据所述密度估计函数和所述指示替代函数，确定密度阈值指示函数；
通过所述密度阈值指示函数和预设误差密度阈值，对所述混凝土样本数据进行筛选；
将筛选后的所述混凝土样本数据分为数据训练集、数据验证集以及数据测试集；
在所述数据训练集中加入不同占比的异常值，对所述数据验证集以及所述数据测试集不进行处理。
4.根据权利要求3所述的混凝土抗压能力预测方法，其特征在于，所述将筛选后的所述混凝土样本数据分为数据训练集、数据验证集以及数据测试集，包括：
根据筛选后的所述混凝土样本数据，生成预设形式的矩阵；
将所述预设形式的矩阵每一行数据作为一组样本数据，得到若干个样本数据；
将所述样本数据分为数据训练集、数据验证集以及数据测试集。
5.根据权利要求3所述的混凝土抗压能力预测方法，其特征在于，所述根据处理后的所述混凝土样本数据，对所述混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型，包括：
根据预设参数以及所述数据训练集，对所述混凝土抗压能力预测模型进行迭代训练；
根据所述数据验证集，对完成迭代训练后的混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型。
6.根据权利要求5所述的混凝土抗压能力预测方法，其特征在于，所述根据预设参数以及所述数据训练集，对所述混凝土抗压能力预测模型进行迭代训练，包括：
每轮迭代训练时，计算出所述混凝土抗压能力预测模型对应的梯度；
根据所述混凝土抗压能力预测模型对应的梯度，更新目标系数；
当达到迭代停止条件时，停止迭代循环，保留停止迭代时的目标系数。
7.根据权利要求5所述的混凝土抗压能力预测方法，其特征在于，所述根据所述数据验证集，对完成迭代训练后的混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型，包括：
计算所述完成迭代训练后的混凝土抗压能力预测模型的决定系数，通过预设验证方法，确定目标混凝土抗压能力预测模型。
8.一种混凝土抗压能力预测装置，其特征在于，包括：
建立模块，用于确定预测函数，根据所述预测函数建立混凝土抗压能力预测模型；
处理模块，用于获取混凝土样本数据，对所述混凝土样本数据进行处理；
筛选模块，用于根据处理后的所述混凝土样本数据，对所述混凝土抗压能力预测模型进行筛选，得到目标混凝土抗压能力预测模型；
预测模块，用于根据所述目标混凝土抗压能力预测模型，对待预测混凝土样本数据的抗压能力进行预测。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述混凝土抗压能力预测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述混凝土抗压能力预测方法中的步骤。
CN202210242036.5A 2022-03-11 2022-03-11 一种混凝土抗压能力预测方法、装置、设备及存储介质 Pending CN114580299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210242036.5A CN114580299A (zh) 2022-03-11 2022-03-11 一种混凝土抗压能力预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210242036.5A CN114580299A (zh) 2022-03-11 2022-03-11 一种混凝土抗压能力预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114580299A true CN114580299A (zh) 2022-06-03

Family

ID=81779913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210242036.5A Pending CN114580299A (zh) 2022-03-11 2022-03-11 一种混凝土抗压能力预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114580299A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195163A (zh) * 2023-11-08 2023-12-08 福建南方路面机械股份有限公司 基于混凝土配方的坍落度预测方法、装置及可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195163A (zh) * 2023-11-08 2023-12-08 福建南方路面机械股份有限公司 基于混凝土配方的坍落度预测方法、装置及可读介质
CN117195163B (zh) * 2023-11-08 2024-04-09 福建南方路面机械股份有限公司 基于混凝土配方的坍落度预测方法、装置及可读介质

Similar Documents

Publication Publication Date Title
Kurtz et al. Cross-entropy-based adaptive importance sampling using Gaussian mixture
Huang et al. Multitask sparse Bayesian learning with applications in structural health monitoring
Echard et al. A combined importance sampling and kriging reliability method for small failure probabilities with time-demanding numerical models
Hameed et al. Prediction of high-strength concrete: high-order response surface methodology modeling approach
Park et al. Parameter estimation of the generalized extreme value distribution for structural health monitoring
CN112733997B (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
Xiao et al. Estimation of small failure probabilities based on thermodynamic integration and parallel tempering
CN114580299A (zh) 一种混凝土抗压能力预测方法、装置、设备及存储介质
Balakrishnan et al. Optimal designs of constant‐stress accelerated life‐tests for one‐shot devices with model misspecification analysis
Mu et al. Novel sparse Bayesian learning and its application to ground motion pattern recognition
Ghanbari et al. An improvement in data interpretation to estimate residual stresses and mechanical properties using instrumented indentation: A comparison between machine learning and Kriging model
Ding et al. An efficient variable selection-based Kriging model method for the reliability analysis of slopes with spatially variable soils
Hu et al. Parallel Bayesian probabilistic integration for structural reliability analysis with small failure probabilities
Chen et al. Training material models using gradient descent algorithms
Schneider Time-variant reliability of deteriorating structural systems conditional on inspection and monitoring data
Babuška et al. The Reliability of Computer predictions: can they be trusted
Du et al. A general framework for fatigue reliability analysis of a high temperature component
CN114363004B (zh) 风险评估方法、装置、计算机设备和存储介质
Ahn et al. Gaussian Process model for control of an existing building
CN114692529B (zh) 一种cfd高维响应的不确定度量化方法、装置、计算机设备
Jung et al. A new method to determine the number of experimental data using statistical modeling methods
Jiang et al. Bayesian hierarchical uncertainty quantification by structural equation modeling
Khakifirooz et al. Neural ordinary differential equation for sequential optimal design of fatigue test under accelerated life test analysis
CN114491699A (zh) 基于拓展区间数的三维cad软件易用性量化方法及装置
Patelli et al. General purpose stochastic analysis software for optimal maintenance scheduling: application to a fatigue-prone structural component

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