CN114741967A - 一种基于高维多目标优化的超早强混凝土配比优化方法及系统 - Google Patents
一种基于高维多目标优化的超早强混凝土配比优化方法及系统 Download PDFInfo
- Publication number
- CN114741967A CN114741967A CN202210416192.9A CN202210416192A CN114741967A CN 114741967 A CN114741967 A CN 114741967A CN 202210416192 A CN202210416192 A CN 202210416192A CN 114741967 A CN114741967 A CN 114741967A
- Authority
- CN
- China
- Prior art keywords
- strength concrete
- early
- optimization
- ultra
- experimental 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
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
- G06F2119/02—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
本发明涉及混凝土配比优化技术领域,提出一种基于高维多目标优化的超早强混凝土配比优化方法及系统,其中包括以下步骤:获取超早强混凝土配比的实验数据集;建立多层前馈神经网络模型,将所述实验数据集输入多层前馈神经网络模型中并基于误差逆传播算法训练至充分收敛,得到实验数据集对应的配比到6小时抗压强度的非线性映射关系;根据实验数据集对应的配比到6小时抗压强度的非线性映射关系,构建高维多目标优化模型;对所述高维多目标优化模型进行求解,获得帕累托最优解集,将所述帕累托最优解集作为超早强混凝土配比优化方案输出,能够有效提高超早强混凝土配比优化工作效率,同时保证超早强混凝土配比综合效益最优。
Description
技术领域
本发明涉及混凝土配比优化技术领域,更具体地,涉及一种基于高维多目标优化的超早强混凝土配比优化方法及系统。
背景技术
超早强混凝土是一种特殊混凝土,它在普通混凝土配方的基础上添加外加剂,加快其中的化学反应,使混凝土在最短时间内达到一定强度,以满足工程上的需求。一般认为当混凝土的1天强度大于设计强度等级的50%,3天强度达到设计强度等级的90%~100%,使混凝土成熟期从28天缩短到3天,即视为超早强混凝土。超早强混凝土在公路、桥梁、海港等工程的维护中具有广泛的应用前景,既可用于战时的抢修工程,又可用于和平时期的工程快速修复和施工,例如桥梁合龙段施工、高速公路或机场跑道的修复。
相比于普通混凝土,超早强混凝土对抗压抗拉性、稳定性、耐久性及施工性等方面具有特殊需求。各种原材料的配比(例如水灰比)对超早强混凝土的性能有决定性影响。当前超早强混凝土的配制方法主要依靠经验以及大量的重复实验,不断调整配方的优劣。在配比实验中,一般需要制作多个批次的试样进行抗压、抗拉强度测试,这些实验通常需要消耗大量的原材料(如水、水泥、砂石、外加剂等)、人力资源和工作时间。
发明内容
本发明为克服目前超早强混凝土的配比优化依赖于经验以及大量的重复实验,存在资源消耗大及工作效率低的缺陷,提供一种基于高维多目标优化的超早强混凝土配比优化方法,以及一种基于高维多目标优化的超早强混凝土配比优化系统。
为解决上述技术问题,本发明的技术方案如下:
一种基于高维多目标优化的超早强混凝土配比优化方法,包括以下步骤:
S1、获取超早强混凝土配比的实验数据集;
S2、建立多层前馈神经网络模型,将所述实验数据集输入多层前馈神经网络模型中并基于误差逆传播算法训练至充分收敛,得到实验数据集对应的配比到6小时抗压强度的非线性映射关系;
S3、根据实验数据集对应的配比到6小时抗压强度的非线性映射关系,构建高维多目标优化模型;
S4、对所述高维多目标优化模型进行求解,获得帕累托最优解集,将所述帕累托最优解集作为超早强混凝土配比优化方案输出。
本技术方案中基于人工神经网络模型和高维多目标优化算法改善超早强混凝土配比,其中采用多层前馈神经网络模型得到配比到6小时抗压强度的非线性映射关系,并将该非线性映射关系进一步构建高维多目标优化模型,采用最优化算法对高维多目标优化模型进行求解,得到帕累托最优解作为配比优化结果输出,能够有效提高超早强混凝土配比优化工作效率。
进一步地,本发明还提出了一种基于高维多目标优化的超早强混凝土配比优系统,应用于上述超早强混凝土配比优化方法。
本发明提出的基于高维多目标优化的超早强混凝土配比优化系统中包括:
数据采集模块,用于获取超早强混凝土配比的实验数据集;
神经网络模块,所述神经网络模块中包括多层前馈神经网络模型,用于利用数据采集模块采集的实验数据集进行迭代训练,以及用于生成实验数据集对应的超早强混凝土配比到6小时抗压强度的非线性映射关系;
多目标优化模块,所述多目标优化模块中包括高维多目标优化模型和最优化求解单元;所述高维多目标优化模型根据实验数据集对应的配比到6小时抗压强度的非线性映射关系对所述高维多目标优化模型进行构建或更新;所述最优化求解单元用于采用最优化算法对所述高维多目标优化模型进行求解,获得帕累托最优解集,并将所述帕累托最优解集作为超早强混凝土配比优化方案输出。
与现有技术相比,本发明技术方案的有益效果是:本发明基于人工神经网络模型和高维多目标优化算法改善超早强混凝土配比,将经多层前馈神经网络模型拟合得到的配比到6小时抗压强度的非线性映射关系用于构建高维多目标优化模型,再采用最优化算法进行最优化求解,求解得到的帕累托最优解集作为配比优化结果输出,能够有效提高超早强混凝土配比优化工作效率,同时保证超早强混凝土配比综合效益最优。
附图说明
图1为实施例1的基于高维多目标优化的超早强混凝土配比优化方法的流程图。
图2为实施例2的多层前馈神经网络模型训练流程图。
图3为实施例3的BP神经网络模型的架构图。
图4为实施例3的BP神经网络线性回归示意图。
图5为实施例3的Borg算法的主循环流程图。
图6为实施例3的绘制有帕累托最优解集的平行坐标图。
图7为实施例4的基于高维多目标优化的超早强混凝土配比优化系统的架构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提出一种基于高维多目标优化的超早强混凝土配比优化方法,如图1所示,为本实施例的基于高维多目标优化的超早强混凝土配比优化方法的流程图。
本实施例提出的基于高维多目标优化的超早强混凝土配比优化方法中,包括以下步骤:
S1、获取超早强混凝土配比的实验数据集。
S2、建立多层前馈神经网络模型,将所述实验数据集输入多层前馈神经网络模型中并基于误差逆传播算法训练至充分收敛,得到实验数据集对应的配比到6小时抗压强度的非线性映射关系。
S3、根据实验数据集对应的配比到6小时抗压强度的非线性映射关系,构建高维多目标优化模型。
S4、对所述高维多目标优化模型进行求解,获得帕累托最优解集,将所述帕累托最优解集作为超早强混凝土配比优化方案输出。
在一可选实施例中,超早强混凝土配比的实验数据集通过搜集本地实验室的所有超早强混凝土配比实验数据获得,以及可选地,通过聚焦网络爬虫(Focused Web Crawler)技术定向抓取网络公开的超早强混凝土配比数据获得。
其中,超早强混凝土配比实验数据包括胶凝材料、粗骨料、细骨料、液体和外掺料用量以及对应的6小时抗压强度。
在一可选实施例中,S1步骤中获取的实验数据集会随着时间不断扩展,利用所述实验数据集对多层前馈神经网络模型进行迭代训练,反复调整网络模型中的层数和每层的神经元数量,直到获得稳定收敛且误差合理的训练结果,能够以更精确的方式建立从混凝土各类原料配比到6小时抗压强度的非线性映射关系,即只要给定各类原料的用量,即可推断出超早强混凝土的早期抗压强度。
在本实施例中,基于人工神经网络模型和高维多目标优化算法改善超早强混凝土配比,其中采用多层前馈神经网络模型得到配比到6小时抗压强度的非线性映射关系,并将该非线性映射关系进一步构建高维多目标优化模型,采用最优化算法对高维多目标优化模型进行求解,得到帕累托最优解作为配比优化结果输出,能够有效提高超早强混凝土配比优化工作效率,同时保证超早强混凝土配比综合效益最优。
实施例2
本实施例在实施例1提出的超早强混凝土配比优化方法的基础上作出改进,进一步提出一种基于高维多目标优化的超早强混凝土配比优化方法。
本实施例提出的基于高维多目标优化的超早强混凝土配比优化方法中,包括以下步骤:
S1、获取超早强混凝土配比的实验数据集。
本实施例中,所述实验数据集通过搜集本地实验室的所有超早强混凝土配比实验数据获得,和/或,通过聚焦网络爬虫技术定向抓取网络公开的超早强混凝土配比数据获得。
S2、建立多层前馈神经网络模型,将所述实验数据集输入多层前馈神经网络模型中并基于误差逆传播算法训练至充分收敛,得到实验数据集对应的配比到6小时抗压强度的非线性映射关系。
本实施例中的多层前馈神经网络模型包括一个输入层,至少一个隐藏层,以及一个输出层。多层前馈神经网络模型中每一层包含若干神经元(节点),各层通过神经元相互连接,且每一层使用前一层的输出作为其输入。
此外,有证据表明一个具备足够神经元的双层(即仅包含一个隐藏层)前馈神经网络能以任意的精度拟合任何数据,且前馈神经网络擅长解决非线性函数的拟合问题。
在一可选实施例中,输入层内包含的神经元数量与超早强混凝土配比中的原料种类相等。所述输出层内包含的神经元数量与超早强混凝土配比中的关键性能参数的个数相等。所述隐藏层的层数及每层的神经元数量根据所述多层前馈神经网络模型的训练结果调整设置。
进一步地,将所述实验数据集输入多层前馈神经网络模型中并基于误差逆传播算法训练至充分收敛的步骤包括:
S2.1、将实验数据集中的数据进行归一化处理,将所有数据映射到[-1,1]区间。
S2.2、设置多层前馈神经网络模型的训练参数。
在一可选实施例中,训练参数包括数据分类方式(即如何划分训练集、验证集和测试集)、训练算法(不同类型的误差逆向传播算法)、神经网络性能评估方法和梯度计算方法。
S2.3、将经过归一化处理的实验数据集数据输入多层前馈神经网络模型,并根据训练参数对多层前馈神经网络模型进行迭代训练,直到获得稳定收敛的训练结果;其中,根据每一次迭代训练结果对隐藏层的层数及每层的神经元数量进行调整。
如图2所示,为本实施例的多层前馈神经网络模型训练流程图。
S3、根据实验数据集对应的配比到6小时抗压强度的非线性映射关系,构建高维多目标优化模型。
本实施例中,构建高维多目标优化模型的步骤包括确定决策变量、目标函数和约束条件。
其中,所述决策变量包括超早强混凝土的各类原料配比;所述目标函数包括实现超早强混凝土的关键性能指标;所述约束条件包括超早强混凝土各类原料配比的上下限,以及制备超早强混凝土的限制因素。
在一可选实施例中,高维多目标优化模型中的目标函数中实现超早强混凝土的关键性能指标包括:最小化单位重量的制备成本Cost,最小化单位重量的温室气体排放量GHG,最小化水灰比W/C,最大化超早强混凝土配比的6小时抗压强度σ6h。
目标函数的表达式如下:
式中,n为原材料的种数;Ui表示原材料i对应的市场单价(¥/g),Ki表示原材料i的用量(g),Ci表示原材料i的碳排放因子(kg CO2eq/t);mwater表示当前超早强混凝土配比的用水量(g),mcement表示当前超早强混凝土配比的水泥用量(g);分别表示原材料i的用量下限和上限,SP表示砂率。
其中,超早强混凝土配比的6小时抗压强度σ6h由多层前馈神经网络模型拟合得到。约束条件包括各类原料用量的上下限以及砂率SP,其中砂率SP需要控制在30%~40%,以保障超早强混凝土的和易性与稳定性。
S4、对所述高维多目标优化模型进行求解,获得帕累托最优解集,将所述帕累托最优解集作为超早强混凝土配比优化方案输出。
本实施例采用能够有效搜索所述高维多目标优化模型中包含的至少四个的独立目标的最优化算法,对所述高维多目标优化模型进行求解。
其中,以基于达尔文“进化论”思想设计的元启发式算法具有较强的适应性(在求解不同领域、不同类型优化问题时表现良好),当算法内部具备高效应对“支配阻力”的模块时,这类算法适合于求解大部分高维多目标优化问题。
进一步地,应用最优化算法求解一个具体的高维多目标优化问题时,需要先配置好相关参数。以遗传算法为例,需要指定种群大小、进化代数、交叉和变异操作的概率等,从而引导算法按照上述参数在优化问题的解空间进行搜索,最终获得高维多目标优化问题的帕累托最优解集。
在一可选方案中,将所述帕累托最优解集绘制在平行坐标图中进行可视化处理,选择综合效益最优的配比作为超早强混凝土配比优化方案输出。或者,采用定量化的多属性决策分析方法,例如优劣解距离法(TOPSIS),进而筛选出综合效益最优的超早强混凝土配比方案。
实施例3
本实施例应用实施例2提出的超早强混凝土配比优化方法,制备一种用于路面快速修复的超早强混凝土,要求兼顾降低制备成本、温室气体排放量、收缩率和提高6小时抗压强度的设计需求。其中,制备成本最低是指在满足砂率约束的条件下尽可能降低混凝土配比中水泥、骨料及各种外加剂的用量。
本实施例中应用超早强混凝土配比优化方法制备用于路面快速修复的超早强混凝土的步骤包括:
步骤1:基于已获取的75条超早强混凝土实验配比数据(包含配比实验原始记录和通过聚焦网络爬虫抓取的数据资源),建立超早强混凝土实验配比数据集。该数据集包括制备超早强混凝土试件所需的各类原材料掺量以及对应的养护6小时后测得的抗压强度。其中,原材料包括粗骨料、细骨料、胶凝材料、液体以及外掺料。
随着混凝土制备实验的不断进行以及目标网站数据的不断更新。上述实验数据集将会持续扩充,并最终提升BP神经网络模型的非线性映射精度。
步骤2:根据超早强混凝土的原料类型,建立包含1个输入层、1个隐藏层和1个输出层的三层BP神经网络模型。
如图3所示,为本实施例的BP神经网络模型的架构图。
其中,输入层(Input)包含11个神经元;隐藏层(Hidden)包含5个神经元,且该隐藏层的神经元数量通过对BP神经网络进行反复训练获得;输出层(Output)包含1个神经元。
输入层的11个神经元分别对应11种原材料的用量,包括水、水泥、砂子、石子、减水剂、硅粉(或矿粉)、缓凝剂1、缓凝剂2、水玻璃、氢氧化钠(NaOH)和速凝剂。输出层的1个神经元对应超早强混凝土试件的6小时抗压强度。每一层的每个神经元都通过权重W和偏置b与下一层的每个神经元进行连接。
在对上述BP神经网络进行训练时,首先对原始数据进行归一化处理,即将所有数据通过公式(1)映射到[-1,1]区间。然后,将BP神经网络的训练参数设置如下:数据分类方式选择“随机分组”;训练算法选“Levenberg-Marquardt反向传播法”;神经网络性能评估方法选““归一化的均方误差”;梯度计算方法选“默认梯度算法”。设定好上述参数后,对BP神经网络进行训练,直到充分收敛。
式中,x为原始实验数据;x′为经过归一化处理后的实验数据;且x′∈R,xmin=min(x),xmax=max(x)
本实施例获得的BP神经网络线性回归示意图如图4所示。由图4可知,无论是训练集(Training)、验证集(Validation)还是测试集(Test),BP神经网络的拟合值与实测的超早强混凝土6小时抗压强度的一致性良好,相关系数R均大于0.8。
步骤3:根据公式(2)建立实施例的高维多目标优化模型。其中,决策变量为配置超早强混凝土所需的11种原材料用量(单位:g),目标函数分别为最小化单位重量的制备成本Cost(单位:¥/g)、最小化单位重量的温室气体排放当量GHG(单位:g-CO2-e/g)、最小化水灰比W/C(单位:%)和最大化6小时抗压强度σ6h(单位:MPa)。
其中,水灰比W/C是影响超早强混凝土收缩率的主要因素,水灰比越大,收缩率越大,进而破坏与原有路面混凝土的一致性;某种配比对应的σ6h通过BP神经网络拟合得到。
约束条件包括各类原料用量的上下限以及砂率SP,其中砂率SP需要控制在30%~40%,以保障超早强混凝土的和易性与稳定性。
步骤4:选择Borg算法作为求解上述高维多目标优化模型的工具。
Borg算法具有以下三大特点:
(1)采用基于∈-支配的排序方式。
为保证解集的收敛和多样性,在Pareto支配的基础上,利用∈-支配作为新的评价准则对解集进行比较与排序。建立外部解集档案,用于保存当前最优的非支配解。其中,∈代表排序过程中的某个目标的最小分辨率(即忽略小于∈的差异),从而有效控制Pareto的解集规模(克服“支配阻力”)。
(2)具有自适应的种群大小以及两种重启动机制。
第一种方式是在∈-支配的基础上,建立衡量搜索进程的指标∈-progress。搜索过程中,若解的进化距离小于∈,原搜索停滞,并重新激活新的搜索。另外一种方式是通过判断γ值(种群大小与外部解集档案大小的比值)决定是否激活新的搜索,若该比值大于4(即当前种群的规模超过最优解集规模的4倍),则会触发重启动(以原始的种群大小在解空间重新初始化)。
(3)配备多种搜索算子进行联合优化。
在优化计算过程中,Borg算法使用6种不同搜索性能的算子。根据每个算子产生子代的质量,建立反馈机制,自动调整每个算子的应用比例,保证搜索性能突出的算子有更大的概率产生子代个体,从而提高解集质量。
如图5所示,为Borg算法的主循环流程图。图5中的6种算子的选择以虚线和实线表示,实线表示选取,虚线表示待选取。依据自适应多算子反馈机制,每次选择一种算子进行遗传操作。而每种算子被选择的机会取决于其子代个体在外部档案的存活情况。
图5显示了当前选择模拟二进制交叉算子和多项式变异进行遗传操作。该过程均匀且随机地从档案中选取1个父代个体,通过联赛选择法从种群中选取k-1个父代个体。含有k个父代个体的算子生成一个子代个体后,作为决策变量传入高维多目标优化模型(其中包括调用BP神经网络获得σ6h),计算当前子代个体的各个目标函数值。对该目标函数值进行适应度检查,不符合保留条件的子代个体将被淘汰,符合存活条件的子代个体被保留,分别保存至种群和外部档案中。
在Borg的优化计算过程中,程序将定期检测∈-progress搜索进程与γ值大小。若达到重启动的条件,则主循环停止,并调用重启动机制。重启动完成后,恢复主循环过程。整个优化过程将一直重复上述步骤,直至满足终止条件。
鉴于Borg算法具备高度的自适应性,本实施例选用该算法默认的参数配置求解步骤3建立的高维多目标优化模型,目标函数的评估次数设为10000次。
步骤5:经过优化计算,最终Borg在外部档案中储存了19个帕累托最优解。将上述帕累托最优解绘制到平行坐标图中。绘制有帕累托最优解集的平行坐标图如图6所示。
由图6所示的帕累托最优解可以发现,超早强混凝土的制备成本与温室气体排放量和6小时抗压强度具有较高的协同性,但与水灰比呈现出矛盾的关系,即制备成本越低,水灰比相对越高,进而导致超早强混凝土的收缩率增大,影响路面修复后期的一致性,有较大的开裂风险。
通过对比上述帕累托最优解,找出一个综合效益最优的代表性方案(见图6中的粗多段线)。该方案在制备成本和温室气体排放方面基本接近最优水平,且6小时抗压强度最高,而水灰比则处于中位数水平。
通过以上实施例可以看出,本发明能够快速找到统筹考虑超早强混凝土制备成本、温室气体排放量、收缩率和早期抗压强度四个方面设计需求的综合效益最优的原料配比方案。通过在实验室制备试件,实测的6小时抗压强度为57.31MPa,BP神经网络估算值与实测值的相对误差为6.5%,具有较高的准确性。以上实施例证明本发明提出的基于神经网络和高维多目标优化的混凝土配比设计方法可以显著提升超早强混凝土的制备效率。
实施例4
本实施例提出一种基于高维多目标优化的超早强混凝土配比优化系统,应用实施例1或实施例2提出的超早强混凝土配比优化方法。如图7所示,为本实施例的超早强混凝土配比优化系统的架构图。
本实施例提出的基于高维多目标优化的超早强混凝土配比优化系统中,包括:
数据采集模块100,用于获取超早强混凝土配比的实验数据集。
在一可选实施例中,数据采集模块100通过搜集本地实验室的所有超早强混凝土配比实验数据进行数据采集,和/或,通过聚焦网络爬虫技术定向抓取网络公开的超早强混凝土配比数据进行数据采集。
神经网络模块200,所述神经网络模块200中包括多层前馈神经网络模型210,用于利用数据采集模块100采集的实验数据集进行迭代训练,以及用于生成实验数据集对应的超早强混凝土配比到6小时抗压强度的非线性映射关系。
在一可选实施例中,多层前馈神经网络模型210包括一个输入层,至少一个隐藏层,以及一个输出层;其中,所述输入层、隐藏层和输出层之间通过神经元依次连接。
多目标优化模块300,所述多目标优化模块300中包括高维多目标优化模型310和最优化求解单元320。
所述高维多目标优化模型310根据实验数据集对应的配比到6小时抗压强度的非线性映射关系对所述高维多目标优化模型310进行构建或更新。
所述最优化求解单元320用于采用最优化算法对所述高维多目标优化模型进行求解,获得帕累托最优解集,并将所述帕累托最优解集作为超早强混凝土配比优化方案输出。
在一可选实施例中,高维多目标优化模型310中确定有决策变量、目标函数和约束条件。其中,决策变量包括超早强混凝土的各类原料配比;目标函数包括实现超早强混凝土的关键性能指标;约束条件包括超早强混凝土各类原料配比的上下限,以及制备超早强混凝土的限制因素。
进一步地,目标函数中实现超早强混凝土的关键性能指标包括:最小化单位重量的制备成本Cost,最小化单位重量的温室气体排放量GHG,最小化水灰比W/C,最大化超早强混凝土配比的6小时抗压强度σ6h。
在具体实施过程中,数据采集模块100通过搜集本地实验室的所有超早强混凝土配比实验数据,以及通过聚焦网络爬虫技术定向抓取网络公开的超早强混凝土配比数据,获取超早强混凝土配比的实验数据集,并传输至神经网络模块200和多目标优化模块300中。
神经网络模块200中经过训练的多层前馈神经网络模型210对输入的实验数据集数据进行拟合,输出实验数据集对应的超早强混凝土配比到6小时抗压强度的非线性映射关系,并传输至多目标优化模块300中。
多目标优化模块300根据其接收的实验数据集数据,以及实验数据集对应的超早强混凝土配比到6小时抗压强度的非线性映射关系,对高维多目标优化模型310进行更新。
最优化求解单元320调用所述高维多目标优化模型310,采用最优化算法对所述多目标优化模型进行求解,获得帕累托最优解集,并将所述帕累托最优解集作为超早强混凝土配比优化方案输出。
在一可选实施例中,系统还包括可视化模块400,所述可视化模块400用于将多目标优化模块300输出的帕累托最优解集绘制在平行坐标图中进行可视化处理,供技术人员从帕累托最优解集中选择综合效益最优的配比作为超早强混凝土配比优化方案。
在一可选实施例中,系统还包括决策分析模块500,所述决策分析模块用于采用定量化的多属性决策分析方法,从帕累托最优解集中选择综合效益最优的配比作为超早强混凝土配比优化方案。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于高维多目标优化的超早强混凝土配比优化方法,其特征在于,包括以下步骤:
S1、获取超早强混凝土配比的实验数据集;
S2、建立多层前馈神经网络模型,将所述实验数据集输入多层前馈神经网络模型中并基于误差逆传播算法训练至充分收敛,得到实验数据集对应的配比到6小时抗压强度的非线性映射关系;
S3、根据实验数据集对应的配比到6小时抗压强度的非线性映射关系,构建高维多目标优化模型;
S4、对所述高维多目标优化模型进行求解,获得帕累托最优解集,将所述帕累托最优解集作为超早强混凝土配比优化方案输出。
2.根据权利要求1所述的超早强混凝土配比优化方法,其特征在于,所述S1步骤中,所述实验数据集通过搜集本地实验室的所有超早强混凝土配比实验数据获得,和/或,通过聚焦网络爬虫技术定向抓取网络公开的超早强混凝土配比数据获得。
3.根据权利要求1所述的超早强混凝土配比优化方法,其特征在于,所述S2步骤中,所述多层前馈神经网络模型包括一个输入层,至少一个隐藏层,以及一个输出层;其中,所述输入层、隐藏层和输出层之间通过神经元依次连接。
4.根据权利要求3所述的超早强混凝土配比优化方法,其特征在于,所述输入层内包含的神经元数量与超早强混凝土配比中的原料种类相等;
所述输出层内包含的神经元数量与超早强混凝土配比中的关键性能参数的个数相等;
所述隐藏层的层数及每层的神经元数量根据所述多层前馈神经网络模型的训练结果调整设置。
5.根据权利要求4所述的超早强混凝土配比优化方法,其特征在于,所述S2步骤中,将所述实验数据集输入多层前馈神经网络模型中并基于误差逆传播算法训练至充分收敛的步骤包括:
S2.1、将实验数据集中的数据进行归一化处理;
S2.2、设置多层前馈神经网络模型的训练参数;
S2.3、将经过归一化处理的实验数据集数据输入多层前馈神经网络模型,并根据训练参数对多层前馈神经网络模型进行迭代训练,直到获得稳定收敛的训练结果;其中,根据每一次迭代训练结果对隐藏层的层数及每层的神经元数量进行调整。
6.根据权利要求1所述的超早强混凝土配比优化方法,其特征在于,所述S3步骤中,构建高维多目标优化模型的步骤包括确定决策变量、目标函数和约束条件;其中,所述决策变量包括超早强混凝土的各类原料配比;所述目标函数包括实现超早强混凝土的关键性能指标;所述约束条件包括超早强混凝土各类原料配比的上下限,以及制备超早强混凝土的限制因素。
8.根据权利要求7所述的超早强混凝土配比优化方法,其特征在于,所述S4步骤中,采用能够有效搜索所述高维多目标优化模型中包含的至少四个的独立目标的最优化算法,对所述高维多目标优化模型进行求解。
9.根据权利要求1~8任一项所述的超早强混凝土配比优化方法,其特征在于,所述S4步骤中,还包括以下步骤:将所述帕累托最优解集绘制在平行坐标图中进行可视化处理,或,采用定量化的多属性决策分析方法,从帕累托最优解集中选择综合效益最优的配比作为超早强混凝土配比优化方案输出。
10.一种基于高维多目标优化的超早强混凝土配比优化系统,应用于权利要求1~9任一项所述的超早强混凝土配比优化方法,其特征在于,包括:
数据采集模块,用于获取超早强混凝土配比的实验数据集;
神经网络模块,所述神经网络模块中包括多层前馈神经网络模型,用于利用数据采集模块采集的实验数据集进行迭代训练,以及用于生成实验数据集对应的超早强混凝土配比到6小时抗压强度的非线性映射关系;
多目标优化模块,所述多目标优化模块中包括高维多目标优化模型和最优化求解单元;所述高维多目标优化模型根据实验数据集对应的配比到6小时抗压强度的非线性映射关系对所述高维多目标优化模型进行构建或更新;所述最优化求解单元用于采用最优化算法对所述高维多目标优化模型进行求解,获得帕累托最优解集,并将所述帕累托最优解集作为超早强混凝土配比优化方案输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210416192.9A CN114741967A (zh) | 2022-04-20 | 2022-04-20 | 一种基于高维多目标优化的超早强混凝土配比优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210416192.9A CN114741967A (zh) | 2022-04-20 | 2022-04-20 | 一种基于高维多目标优化的超早强混凝土配比优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741967A true CN114741967A (zh) | 2022-07-12 |
Family
ID=82283892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210416192.9A Pending CN114741967A (zh) | 2022-04-20 | 2022-04-20 | 一种基于高维多目标优化的超早强混凝土配比优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741967A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635363A (zh) * | 2024-01-25 | 2024-03-01 | 华南农业大学 | 一种多类型肥料混配的配比数据处理方法 |
-
2022
- 2022-04-20 CN CN202210416192.9A patent/CN114741967A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635363A (zh) * | 2024-01-25 | 2024-03-01 | 华南农业大学 | 一种多类型肥料混配的配比数据处理方法 |
CN117635363B (zh) * | 2024-01-25 | 2024-05-07 | 华南农业大学 | 一种多类型肥料混配的配比数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siddique et al. | Prediction of compressive strength of self-compacting concrete containing bottom ash using artificial neural networks | |
Bachir et al. | Using artificial neural networks approach to estimate compressive strength for rubberized concrete | |
Kim et al. | Application of neural networks for estimation of concrete strength | |
Sarıdemir | Prediction of compressive strength of concretes containing metakaolin and silica fume by artificial neural networks | |
Dabbaghi et al. | Life cycle assessment multi-objective optimization and deep belief network model for sustainable lightweight aggregate concrete | |
Inthata et al. | Prediction of chloride permeability of concretes containing ground pozzolans by artificial neural networks | |
CN112016244B (zh) | 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 | |
Lee et al. | A new heuristic algorithm for mix design of high-performance concrete | |
US20220253734A1 (en) | Machine learning methods to optimize concrete applications and formulations | |
KR20090114162A (ko) | 콘크리트 배합 선정방법 | |
CN112069656B (zh) | 基于lssvm-nsgaii耐久性混凝土配合比多目标优化的方法 | |
Boukhatem et al. | An intelligent hybrid system for predicting the tortuosity of the pore system of fly ash concrete | |
CN114741967A (zh) | 一种基于高维多目标优化的超早强混凝土配比优化方法及系统 | |
Akpinar et al. | Intelligent prediction of concrete carbonation depth using neural networks | |
Moghaddas et al. | Application of artificial bee colony programming techniques for predicting the compressive strength of recycled aggregate concrete | |
Chiew et al. | A fuzzy adaptive resonance theory‐based model for mix proportion estimation of high‐performance concrete | |
CN115497574A (zh) | 一种基于模型融合的hpc抗压强度预测方法和系统 | |
Chen et al. | Strength evaluation of eco-friendly waste-derived self-compacting concrete via interpretable genetic-based machine learning models | |
Kina et al. | Forecasting the compressive strength of GGBFS-based geopolymer concrete via ensemble predictive models | |
CN112347670B (zh) | 一种基于神经网络响应面的堆石料蠕变参数预测方法 | |
Jelokhani Niaraki et al. | Prediction of mechanical and fresh properties of self-consolidating concrete (SCC) using multi-objective genetic algorithm (MOGA) | |
Dong et al. | Mix design optimization for fly ash-based geopolymer with mechanical, environmental, and economic objectives using soft computing technology | |
KR20030072057A (ko) | 콘크리트 강도 추정을 위한 인공지능 시스템 | |
Castelli et al. | An evolutionary system for the prediction of high performance concrete strength based on semantic genetic programming | |
Jalal et al. | Computer-aided prediction of pavement condition index (PCI) using ANN |
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 |