CN115114849B - 一种低碳自密实混凝土智能化设计方法及装置 - Google Patents

一种低碳自密实混凝土智能化设计方法及装置 Download PDF

Info

Publication number
CN115114849B
CN115114849B CN202210672232.6A CN202210672232A CN115114849B CN 115114849 B CN115114849 B CN 115114849B CN 202210672232 A CN202210672232 A CN 202210672232A CN 115114849 B CN115114849 B CN 115114849B
Authority
CN
China
Prior art keywords
parameter
self
grading
compacting concrete
parameters
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.)
Active
Application number
CN202210672232.6A
Other languages
English (en)
Other versions
CN115114849A (zh
Inventor
龙武剑
程博远
罗盛禹
梅柳
罗启灵
冯甘霖
荣辉
邢锋
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202210672232.6A priority Critical patent/CN115114849B/zh
Publication of CN115114849A publication Critical patent/CN115114849A/zh
Application granted granted Critical
Publication of CN115114849B publication Critical patent/CN115114849B/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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/91—Use of waste materials as fillers for mortars or concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)

Abstract

本申请提供了一种低碳自密实混凝土智能化设计方法及装置，该智能化设计方法包括根据要求达到的目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比，其中组成原料包括骨料和胶凝材料，第一约束范围为组成原料中各原材料用量的预设取值范围；确定目标级配参数，目标级配参数为第二约束范围下骨料堆积密实度达到最大时的级配参数，其中第二约束范围为骨料特征粒径的预设取值范围；以初始配合比和目标级配参数为基准，按一定梯度降低胶凝材料的用量并制备多个自密实混凝土试样，选择达到目标性能参数要求且胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。本申请提供的智能化设计方法能够降低胶凝材料的用量。

Description

一种低碳自密实混凝土智能化设计方法及装置
技术领域
本申请涉及自密实混凝土、机器学习技术领域，尤其涉及一种低碳自密实混凝土智能化设计方法及装置。
背景技术
自密实混凝土是指在自身重力作用下，能够流动、密实，即使存在致密钢筋也能完全填充模板，同时获得很好均质性，并且不需要附加振动的混凝土。自密实混凝土在水工大坝、地下结构等大型基础设施和超高层建筑中具有较大优势，由于不需要振捣，使用自密实混凝土可以大幅加快施工速率、节省劳动力以及提高工程质量。
目前，自密实混凝土配合比的设计方法主要试验法和理论分析法两种，采用试验法设计自密实混凝土配合比通常需要熟练技术人员进行大量的试验来调制，花费的时间较长，且调配过程依赖技术人员经验，缺乏适用性；采用理论分析法能够更快速的设计出符合性能参数要求的自密实混凝土配合比，然而现在的理论分析法在设计配合比的过程中，一般只考虑骨料用量对自密实混凝土性能指标的影响，并没有充分考虑到骨料级配参数对自密实混凝土的影响，导致确定的自密实混凝土配合比中胶凝材料的用量较大，这样不仅会增加自密实混凝土的制作成本，还不利于建筑行业的可持续发展。
发明内容
本申请提供了一种低碳自密实混凝土智能化设计方法及装置，能够降低自密实混凝土中胶凝材料的用量，从而降低自密实混凝土的制备成本，有利于建筑行业的可持续发展。
为解决上述问题，第一方面，本申请实施例提供了一种低碳自密实混凝土智能化设计方法，所述智能化设计方法包括：根据要求达到的目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比，其中，所述组成原料包括骨料和胶凝材料，所述第一约束范围为所述组成原料中各原材料用量的预设取值范围；确定目标级配参数，所述目标级配参数为第二约束范围下所述骨料的堆积密实度达到最大时的级配参数，其中，所述第二约束范围为骨料特征粒径的预设取值范围；以所述初始配合比和所述目标级配参数为基准，按一定梯度降低所述胶凝材料的用量并制备多个自密实混凝土试样，选择达到所述目标性能参数的要求且所述胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。
结合第一方面，在第一方面的某些实现方式中，所述根据要求达到的目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比包括：基于第一目标函数和所述第一约束范围，通过第一优化算法进行配合比全局寻优，以获取N个配合比和N个性能参数，所述N个配合比和所述N个性能参数一一对应，将所述N个性能参数中大于或者等于所述目标性能参数的性能参数所对应的配合比确定为所述初始配合比，其中，所述第一目标函数为所述组成原料的配合比与性能参数的映射函数，N为大于或者等于1的整数。
结合第一方面，在第一方面的某些实现方式中，当所述N个性能参数中大于或者等于所述目标性能参数的性能参数具有M个时，将与M个性能参数一一对应的M个配合比中成本最低或者所述胶凝材料的用量最低的配合比确定为所述初始配合比，M为大于1的整数。
结合第一方面，在第一方面的某些实现方式中，所述确定目标级配参数包括：基于第二目标函数和所述第二约束范围，通过第二优化算法进行级配参数全局寻优，以获得P个级配参数和P个堆积密实度，所述P个级配参数和所述P个堆积密实度一一对应，将所述P个堆积密实度中最大的堆积密实度所对应的级配参数确定为目标级配参数，其中，所述第二目标函数为级配参数与堆积密实度的映射函数，P为大于或者等于1的整数。
结合第一方面，在第一方面的某些实现方式中，所述第一优化算法为遗传算法。
结合第一方面，在第一方面的某些实现方式中，所述组成原料包括水泥、粉煤灰、水、细骨料、粗骨料以及减水剂。
结合第一方面，在第一方面的某些实现方式中，性能参数包括以下参数类型中的至少一种：28天抗压强度、坍落扩展度、抗渗性、抗冻性或者抗裂性。
结合第一方面，在第一方面的某些实现方式中，级配参数包括多个骨料特征粒径，以及每个所述骨料特征粒径对应的体积分数，所述多个骨料特征粒径包括：0mm～0.075mm、0.075mm～0.15mm、0.15mm～0.3mm、0.3mm～0.6mm、0.6mm～1.18mm、1.18mm～2.36mm、2.36mm～4.75mm、4.75mm～9.5mm、9.5mm～16mm以及16mm～19mm。
根据本申请实施例提供的低碳自密实混凝土智能化设计方法，低碳自密实混凝土智能化设计装置首先根据要求达到的目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比，与此同时，还会确定目标级配参数，然后以初始配合比和目标级配参数为基准，按一定梯度降低胶凝材料的用量并制备多个自密实混凝土试样，选择达到目标性能参数的要求且胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。通过合理设计骨料的级配参数，使骨料达到最紧密堆积状态，能够减小自密实混凝土中骨料间的空隙，从而能够降低自密实混凝土中用于填充骨料间的空隙的胶凝材料的用量，即本申请实施例提供的智能化设计方法能够高效准确的设计出达到目标性能参数要求且具有较低胶凝用量的自密实混凝土配合比，节约经济、时间和环境成本。
第二方面，本申请还提供了一种低碳自密实混凝土智能化设计装置，所述智能化设计装置包括：确定单元，用于根据要求达到的目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比，其中，所述组成原料包括骨料和胶凝材料，所述第一约束范围为所述组成原料中各原材料用量的预设取值范围；所述确定单元，还用于确定目标级配参数，所述目标级配参数为第二约束范围下所述骨料的堆积密实度达到最大时的级配参数，其中，所述第二约束范围为骨料特征粒径的预设取值范围；选择单元，用于以所述初始配合比和所述目标级配参数为基准，按一定梯度降低所述胶凝材料的用量并制备多个自密实混凝土试样，选择达到所述目标性能参数的要求且所述胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。
结合第二方面，在第二方面的某些实现方式中，所述确定单元具体用于：基于第一目标函数和所述第一约束范围，通过第一优化算法进行配合比全局寻优，以获取N个配合比和N个性能参数，所述N个配合比和所述N个性能参数一一对应，将所述N个性能参数中大于或者等于所述目标性能参数的性能参数所对应的配合比确定为所述初始配合比，其中，所述第一目标函数为所述组成原料的配合比与性能参数的映射函数，N为大于或者等于1的整数。
结合第二方面，在第二方面的某些实现方式中，所述确定单元还具体用于：当所述N个性能参数中大于或者等于所述目标性能参数的性能参数具有M个时，将与M个性能参数一一对应的M个配合比中成本最低或者所述胶凝材料的用量最低的配合比确定为所述初始配合比，M为大于1的整数。
结合第二方面，在第二方面的某些实现方式中，所述确定目标级配参数包括：基于第二目标函数和所述第二约束范围，通过第二优化算法进行级配参数全局寻优，以获得P个级配参数和P个堆积密实度，所述P个级配参数和所述P个堆积密实度一一对应，将所述P个堆积密实度中最大的堆积密实度所对应的级配参数确定为目标级配参数，其中，所述第二目标函数为级配参数与堆积密实度的映射函数，P为大于或者等于1的整数。
结合第二方面，在第二方面的某些实现方式中，所述第一优化算法为遗传算法。
结合第二方面，在第二方面的某些实现方式中，所述组成原料包括水泥、粉煤灰、水、细骨料、粗骨料以及减水剂。
结合第二方面，在第二方面的某些实现方式中，性能参数包括以下参数类型中的至少一种：28天抗压强度、坍落扩展度、抗渗性、抗冻性或者抗裂性。
结合第二方面，在第二方面的某些实现方式中，级配参数包括多个骨料特征粒径，以及每个所述骨料特征粒径对应的体积分数，所述多个骨料特征粒径包括：0mm～0.075mm、0.075mm～0.15mm、0.15mm～0.3mm、0.3mm～0.6mm、0.6mm～1.18mm、1.18mm～2.36mm、2.36mm～4.75mm、4.75mm～9.5mm、9.5mm～16mm以及16mm～19mm。
第三方面，本申请还提供了一种低碳自密实混凝土智能化设计装置，包括至少一个处理器，所述至少一个处理器用于与存储器耦合，读取并执行所述存储器中的指令，以实现前述第一方面中任一种可能设计中所提供的智能化设计方法。
可选地，该低碳自密实混凝土智能化设计装置还包括该存储器。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行前述第一方面中任一种可能设计中所提供的智能化设计方法。
第五方面，本申请实施例还提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得该计算机执行前述第一方面中任一种可能设计中所提供的智能化设计方法。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的低碳自密实混凝土智能化设计方法的示意性流程图。
图2是本申请实施例提供的智能化设计方法的具体实施过程的示意性流程图。
图3是本申请实施例提供的一例智能化设计方法的具体实施过程的示意图。
图4是本申请实施例提供的另一例智能化设计方法的具体实施过程的示意图。
图5是本申请实施例提供的低碳自密实混凝土智能化设计装置的示意性框图。
图6是本申请实施例提供的低碳自密实混凝土智能化设计装置的结构性框图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本文中术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“至少一个”是指一个或者多个，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
自密实混凝土是一种具有大流动度，在浇筑过程中不离析，并在重力作用下自行填充模板和钢筋间隙的高性能混凝土。自密实混凝土在水工大坝、地下结构等大型基础设施和超高层建筑中具有较大优势。使用自密实混凝土可大幅加快施工速率、提高工程质量、节省劳动力。目前，自密实混凝土在发达国家应用较多，在中国城市的使用也愈加广泛。
由于自密实混凝土对材料早期的工作性能要求较高，因此，在进行自密实混凝土配合比设计时，不仅要关注其力学强度，流动性能也是需要关注的一项重要参数。为了保证自密实混凝土的流动性能，通常需要较大的胶凝用量，但这样不利于建筑行业的可持续发展。因此，在保证其各项性能参数的前提下，如何降低胶凝材料用量成为了自密实混凝土设计的要点之一。
然而现在的理论分析法在设计配合比的过程中，一般只考虑骨料用量对自密实混凝土性能参数的影响，并没有充分考虑到骨料级配参数对自密实混凝土的影响，导致确定的自密实混凝土配合比中胶凝材料的用量较大。
有鉴于此，本申请实施例提供了低碳自密实混凝土智能化设计方法，该智能化设计方法能够合理设计骨料级配参数，使自密实混凝土中骨料能够达到最紧密堆积状态，以减小骨料间的空隙，从而能够降低自密实混凝土中用于填充骨料间的空隙的胶凝材料的用量，不仅能够降低自密实混凝土的制备成本，还有利于建筑行业的可持续发展。
图1是本申请实施例提供的低碳自密实混凝土智能化设计方法的示意性流程图。以下，结合图1阐述本申请实施例提供的智能化设计方法100，该智能化设计方法100包括：
步骤110，根据要求达到的目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比。
具体地，目标性能参数为制备的自密实混凝土所要达到的性能参数，性能参数包括参数类型和参数值，可选地，性能参数的参数类型包括以下类型中的至少一种：28天抗压强度、坍落扩展度、抗渗性、抗冻性或者抗裂性等。
例如，目标性能参数包括28抗压强度和坍落扩展度，28抗压强度为40MPa，坍落扩展度为600mm。
其中，组成原料为制备自密实混凝土所需的各种原材料，例如骨料和胶凝材料等原材料，初始配合比为组成原料中各原材料用量之间的比例关系，不同初始配合比对应不同的性能参数，第一约束范围为组成原料中各原材料用量的预设取值范围。
具体地，骨料是指在自密实混凝土中起骨架或填充作用的粒状松散材料。颗粒粒径大于4.75mm的骨料一般被称为粗骨料(例如卵石、碎石等)，颗粒粒径小于4.75mm的骨料一般被称为细骨料(例如天然砂、人工砂等)。胶凝材料是指在自密实混凝土中经过一系列物理、化学变化能将骨料粘结成整体的材料，胶凝材料一般为水泥、矿渣粉、粉煤灰以及硅灰等的混合材料。
在这里，目标性能参数和第一约束范围可以由工作人员通过人机交互界面手动输入，也可以由系统根据经验值默认配置，本申请对此不做限定。
例如，工作人员可以通过鼠标、键盘或者触摸屏等输入设备将目标性能参数和第一约束范围输入低碳自密实混凝土智能化设计装置。
再例如，也可以由服务器或者控制主机根据经验值默认配置该目标性能参数和第一约束范围。
低碳自密实混凝土智能化设计装置在获取到目标性能参数和第一约束范围后，可以根据目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比，本申请对智能化设计装置如何根据目标性能参数和第一约束范围确定初始配合比不做限定。
可选地，可以根据预设的逻辑算法确定初始配合比。
可选地，可以根据训练好的机器学习模型确定初始配合比。
可选地，可以根据训练好的机器学习模型结合优化算法(例如遗传算法)确定初始配合比。
步骤120，确定目标级配参数。
其中，目标级配参数为第二约束范围下骨料的堆积密实度达到最大时的级配参数，级配参数包括多个骨料特征粒径以及每个骨料特征粒径对应的体积分数，第二约束范围为骨料特征粒径的预设取值范围。
可选地，多个骨料特征粒径可以为0mm～0.075mm、0.075mm～0.15mm、0.15mm～0.3mm、0.3mm～0.6mm、0.6mm～1.18mm、1.18mm～2.36mm、2.36mm～4.75mm、4.75mm～9.5mm、9.5mm～16mm以及16mm～19mm。
应理解，自密实混凝土一般为由胶凝材料(水泥、粉煤灰)、粗骨料(碎石或卵石)、细骨料(砂)、外加剂(减水剂)和水拌合后，经硬化而成的一种人造石材。骨料在自密实混凝土中起骨架作用，并抑制水泥的收缩，水泥和水形成水泥浆，包裹在骨料表面并填充骨料间的空隙。而合理的骨料级配参数有利于骨架空隙体积的减少，从而降低用于填充空隙的胶凝材料用量，即通过骨料的紧密堆积能够在一定程度上降低胶凝材料的用量。
在这里，第二约束范围可以由工作人员通过人机交互界面手动输入，也可以由系统根据经验值默认配置，本申请对此不做限定。
自密实混凝土智能化设计装置在获取第二约束范围后，可以在第二约束范围下设计出使骨料的堆积密实度达到最大的级配参数，即能够确定目标级配参数，本申请对确定目标级配参数的方法不做任何限定。
例如，可以根据预设的逻辑算法确定目标级配参数。
例如，可以根据训练好的机器学习模型确定目标级配参数。
再例如，可以根据训练好的机器学习模型结合优化算法确定目标级配参数。
步骤130，以初始配合比和目标级配参数为基准，按一定梯度降低胶凝材料的用量并制备多个自密实混凝土试样，选择达到目标性能参数的要求且胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。
具体地，在确定初始配合比和目标级配参数之后，可以按一定比例降低初始配合比中胶凝材料的用量并制备多个自密实混凝土试样，测试多个自密实混凝土试样的性能参数(28天抗压强度、坍落扩展度)，然后选择性能参数达到目标性能参数的要求且胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。
在这里，可以等梯度降低胶凝材料的用量，即每次降低的胶凝材料的用量一样，例如，每次降低20kg、10kg或者5kg等，也可以以不同的梯度降低胶凝材料的用量，即每次降低的胶凝材料的用量不一样，例如，第一次降低10kg，第二次降低5kg，第三次降低3kg等，本申请对此不做限定，只要能够筛选出达到目标性能参数的要求且胶凝材料的用量最低的自密实混凝土试样即可。
示例性地，可以按表1的方式降低初始配合比中胶凝材料的用量。
表1
Figure BDA0003695092940000081
按表1所示的配合比制备自密实混凝土试样，测试1-5号自密实混凝土试样的性能参数，如果4号自密实混凝土能够达到目标性能参数的要求，而5号自密实混凝土达不到目标性能参数的要求，可以直接将4号自密实混凝土中的配合比确定为初始配合比，也可以重新设置梯度降低胶凝材料用量，直到胶凝材料的用量再降低就不能满足目标性能参数的要求为止。
示例性地，也可以按表2的方式降低初始配合比中胶凝材料的用量。
表2
Figure BDA0003695092940000082
按表2所示的配合比制备自密实混凝土试样，并对自密实混凝土试样按表2中的序号做相应的标记，测试1-5号自密实混凝土试样的性能参数，如果5号自密实混凝土达不到目标性能参数的要求，则继续按梯度降低胶凝材料的用量，直到胶凝材料的用量再降低就不能满足目标性能参数的要求为止。
可选地，胶凝材料可以为水泥，也可以为水泥、粉煤灰、矿渣粉等材料的混合料，胶凝材料中包含的材料由工作人员确定，本申请不做任何限定。
值得一提的是，在本申请实施例中，步骤110和步骤120之间没有先后顺序，可以先确定初始配合比再确定目标级配参数，也可以先确定目标级配参数再确定初始配合比，还可以同时确定初始配合比和目标级配参数。
根据本申请实施例提供的低碳自密实混凝土智能化设计方法100，低碳自密实混凝土智能化设计装置首先根据要求达到的目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比，与此同时，还会确定目标级配参数，然后以初始配合比和目标级配参数为基准，按一定梯度降低胶凝材料的用量并制备多个自密实混凝土试样，选择达到目标性能参数的要求且胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。通过合理设计骨料的级配参数，使骨料达到最紧密堆积状态，能够减小自密实混凝土中骨料间的空隙，从而能够降低自密实混凝土中用于填充骨料间的空隙的胶凝材料的用量，即本申请实施例提供的智能化设计方法100能够高效准确的设计出达到目标性能参数要求且具有较低胶凝用量的自密实混凝土生产配合比，节约经济、时间和环境成本。
图2是本申请实施例提供的智能化设计方法的具体实施过程的示意性流程图。以下，结合图2具体阐述本申请实施例提供的智能化设计方法200，该智能化设计方法200包括：
步骤210，建立第一目标函数。
具体地，第一目标函数为组成原料的配合比与性能参数的映射函数。
可选地，可以将训练好的性能参数的机器学习预测模型作为该映射函数。
步骤220，基于第一目标函数和第一约束范围，通过第一优化算法进行配合比全局寻优，以获取N个配合比和N个性能参数，N个配合比和N个性能参数一一对应，将N个性能参数中大于或者等于目标性能参数的性能参数所对应的配合比确定为初始配合比，其中N为大于或者等于1的整数。
例如，目标性能参数中28天抗压强度为40Mpa、坍落扩展度为600mm，通过第一优化算法进行配合比全局寻优，得到5个配合比和与5个配合比一一对应的5个性能参数，此时将5个性能参数中大于或等于目标性能参数的性能参数筛选出来，并将与筛选出的性能参数所对应的配合比确定为初始配合比。
其中，当N个性能参数中大于或者等于目标性能参数的性能参数具有多个时，将与多个性能参数一一对应的多个配合比中成本最低或者胶凝材料的用量最低的配合比确定为初始配合比。
例如，当筛选出的性能参数有2个时，此时将2个性能参数所对应的配合比中成本最低或者胶凝材料的用量最低的配合比确定为初始配合比。
可选地，第一优化算法可以为遗传算法。
步骤230，建立第二目标函数。
具体地，第二目标函数为级配参数与堆积密实度的映射函数。
可选地，可以将训练好的堆积密实度的机器学习预测模型作为该映射函数。
步骤240，基于第二目标函数和第二约束范围，通过第二优化算法进行级配参数全局寻优，以获得P个级配参数和P个堆积密实度，P个级配参数和P个堆积密实度一一对应，将P个堆积密实度中最大的堆积密实度所对应的级配参数确定为目标级配参数，其中P为大于或者等于1的整数。
例如，通过第二优化算法进行级配参数全局寻优，获得10个级配参数和与10个级配参数一一对应的10个堆积密实度，确定10个堆积密实度中的最大值，将最大值对应的级配参数确定为目标级配参数。
可选地，第二优化算法可以为遗传算法。
步骤250，以初始配合比和目标级配参数为基准，按一定梯度降低胶凝材料的用量并制备多个自密实混凝土试样，选择达到目标性能参数的要求且胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。
具体地，步骤250与步骤130的具体实施方式相同，在此不再赘述。
其中，步骤210和步骤230之间没有先后顺序，可以先确定第一目标函数，进行步骤220之后再确定第二目标函数，进行步骤240，也可以先确定第二目标函数，进行步骤240之后再确定第一目标函数，进行步骤220，还可以同时确定第一目标函数和第二目标函数，之后同时进行步骤220和步骤240。
根据本申请实施例提供的低碳自密实混凝土智能化设计方法200，能够基于机器学习预测模型结合第一优化算法高效准确的确定自密实混凝土的初始配合比，也能够基于机器学习预测模型结合第二优化算法快速确定骨料的级配参数，使自密实混凝土中的骨料达到最紧密堆积状态(堆积密实度最大)，从而在保证达到目标性能参数的前提下实现了胶凝材料的减量化设计，有利于推动建筑行业的低碳化发展。
图3是本申请实施例提供的一例智能化设计方法的具体实施过程的示意图。为了快速准确的确定自密实混凝土的初始配合比，本申请实施例利用如图3所示的遗传算法进行配合比全局寻优，确定初始配合比，该智能化设计方法300包括：
步骤301，基于第一约束范围初始化种群。
具体地，在自密实混凝土进行配制时，需要根据相关规范以及工程实际要求确定合理的组成原料中各原材料用量的预设取值范围(第一约束范围)作为配合比设计的约束条件，利用遗传算法可以在第一约束范围内随机生成N个配合比作为初始化种群，此时G＝0。
其中，N为大于或者等于1的整数，例如，N可以为40。
应理解，遗传算法(Genetic Algorithm,GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成，在这里，个体指的是配合比。
其中，根据相关规范以及工程实际要求，确定的第一约束范围可以如下所示：
100kg/m3<X1<400kg/m3，100kg/m3<X1+X3<700kg/m3，X2＝42.5MPa，0.3<X4<0.5，1500kg/m3<X5+X6<2200kg/m3，0kg/m3<X7<0.02kg/m3。
其中，X1为水泥用量、X2为水泥强度、X3为粉煤灰用量、X4为水胶比、X5为细骨料用量、X6为粗骨料用量、X7为减水剂用量。
步骤302，根据第一目标函数确定性能参数。
具体地，根据第一目标函数计算N个配合比中每个配合比的性能参数。
步骤303，遗传操作(选择、交叉、变异)。
具体地，初始化种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体(根据目标性能参数以及步骤302中确定的性能参数选择配合比)，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的下一代种群G＝G+1。
例如，通过随机抽样进行选择，使用单点交叉算子进行交叉操作，且交叉概率设置为0.7；通过设定某一概率随机选择变异的特征信息进行变异操作，设定变异概率为0.01，以生成下一代种群。
步骤304，生成下一代种群。
具体地，初始化种群进行遗传操作后，会生成新的种群(N个新的配合比)，此时G＝G+1。
步骤305，判断下一代种群G＝G+1是否大于或者等于n。
具体地，n为预设迭代次数，n为大于或者等于1的整数。若G大于或者等于n，则停止迭代，进入步骤306输出达到目标性能参数要求的配合比，并将其确定为初始配合比，若G小于n，则继续生成下一代种群直到G大于或者等于n为止。
例如，n为60，当G＝60时，自密实混凝土智能化设计装置才会停止迭代，输出确定的初始配合比。
在这里，当有多个配合比的性能参数达到目标性能参数的要求时，将多个配合比中成本最低或者胶凝材料的用量最低的配合比确定为初始配合比。
遗传算法与传统的优化算法(枚举，启发式等)相比较，以生物进化为原型，具有很好的收敛性，计算精度高，计算时间少，鲁棒性高等优点。
其中，利用遗传算法进行级配参数全局寻优确定目标级配参数的过程与上述过程类似，在此不再赘述。
图4是本申请实施例提供的另一例智能化设计方法的具体实施过程的示意图。该智能化设计方法400包括：
步骤401，采集并建立组成原料的配合比与性能参数的原始数据库。
具体地，根据自密实混凝土的相关规范、性能参数、以及影响自密实混凝土性能参数的组成原料的配合比，采集并建立组成原料的配合比与性能参数的原始数据库。
在这里，组成原料的配合比可以包括硅酸盐水泥用量、高钙粉煤灰用量、低钙粉煤灰用量、石灰石粉用量、矿渣用量、硅灰用量、水胶比、细骨料用量、粗骨料用量、减水剂用量、骨料最大粒径等11个参数，性能参数可以包括28天抗压强度、坍落扩展度等。
可选地，通过实验和高水平国际期刊论文收集大量自密实混凝土配合比的样本数据，以建立组成原料的配合比与性能参数的原始数据库。
步骤402，对组成原料的配合比进行sobol敏感性分析。
具体地，对构成性能参数的影响因素进行Sobol敏感性分析，输出所有组成原料的配合比的敏感性评价，然后绘制变量敏感性评价的可视化图像，并将所有组成原料的配合比的敏感性评价按降序排列，并根据排序结果对变量进行敏感性度量的初步筛选，对组成原料的配合比进行二次选择，选出对性能参数影响较大的组成原料的配合比，最终确定的组成原料的配合比包括：水泥(X1)、水泥强度(X2)、粉煤灰(X3)、水胶比(X4)、细骨料(X5)、粗骨料(X6)以及减水剂(X7)。
步骤403，建立并拆分处理后的配合比与性能参数的样本数据库。
具体地，建立以水泥(X1)、水泥强度(X2)、粉煤灰(X3)、水胶比(X4)、细骨料(X5)、粗骨料(X6)以及减水剂(X7)7个组成原料的配合比作为支持向量回归模型的变量输入，以自密实混凝土性能参数作为变量输出的样本数据库，其中部分样本数据如表3所示，并对全部样本数据进行归一化预处理，然后将样本数据库按比例分为训练数集和测试数集。
例如，样本数据库中一共有200组自密实混凝土的样本数据，随机抽取其中180组样本数据构成用于训练模型的训练数集，为了检验模型的泛化性能，将剩下的20组样本数据作为测试数集来验证模型效果。
表3
Figure BDA0003695092940000131
步骤404，训练性能参数的支持向量机初始预测模型。
具体地，将训练数集中的水泥(X1)、水泥强度(X2)、粉煤灰(X3)、水胶比(X4)、细骨料(X5)、粗骨料(X6)以及减水剂(X7)作为支持向量回归模型的变量输入，将训练数集中对应的性能参数(28天抗压强度以及坍落扩展度)作为变量输出，训练基于最小二乘支持向量机的自密实混凝土性能参数的初始预测模型。
步骤405，超参数调优。
具体地，采用网格搜索法和5折交叉验证法对自密实混凝土性能参数的初始预测模型中的惩罚系数C以及核函数参数g进行参数优选，并采用测试数集验证该初始预测模型的预测结果，以确定性能参数的初始预测模型的最优参数。
在这里，为了验证预测结果的准确性，可以通过计算测试数集的测试目标值与预测目标值的平均相对误差(mean relative error，MRE)、平均绝对误差(mean absoluteerror，MAE)、均方根误差(root meansquare error，RMSE)、均方误差(mean square error，MSE)和相关系数来评价预测结果。
MRE的计算公式为：
Figure BDA0003695092940000141
MAE的计算公式为：
Figure BDA0003695092940000142
RMSE的计算公式为：
Figure BDA0003695092940000143
相关系数R2的计算公式为：
Figure BDA0003695092940000144
MSE的计算公式为：
Figure BDA0003695092940000145
其中，y′i为测试集的测试目标值，yi为测试集的预测目标值，n为样本数，
Figure BDA0003695092940000146
为真实值的平均值，i＝1,2,…,n。
例如，多次调优后发现，对于28天抗压强度的初始预测模型当惩罚系数C为27，核函数参数g为0.000093时，测试集的MSE最小，此时MSE为12.48，测试集相关系数R2为0.96。对于坍落扩展度的初始预测模型，当惩罚系数C为460，核函数参数g为0.000054时，测试集的MSE最小，此时MSE为477.41，测试集相关系数R2为0.88，此时相关系数大于0.8，可以说明该初始预测模型对输入与输出之间的决策规律进行了充分的学习。
步骤406，判断相关系数R2是否大于或者等于预设阈值，若是，则进入步骤407，若否，则重新回到步骤405。
具体地，利用该初始预测模型分别对训练数集和测试数集进行回归拟合，计算相关系数R2，若相关系数R2大于或者等于0.8(预设阈值)，说明该初始预测模型对输入与输出之间的决策规律进行了充分的学习，其预测值与实际值之间误差非常小，即该初始预测模型输入、输出相关性较强具有较好的泛化能力，此时可以将该初始预测模型确定为性能参数的最终预测模型，可以进入步骤407；若相关系数R2小于0.8，说明该初始预测模型未进行充分的学习，此时重新回到步骤405，再次进行超参数调优，直到相关系数R2大于或者等于0.8为止。
例如，混凝土抗压强度预测时训练数集的MSE为11.93，相关系数R2为0.97，说明该模型对输入与输出之间的决策规律进行了充分的学习，其预测值与实际值之间误差非常小。混凝土抗压强度预测模型测试集的MSE为12.48，相关系数R2为0.96，说明模型预测测试集的预测值与实际值十分贴近，此时可以进入步骤407。此外，训练集和测试集的相关系数接近且表现优异，表明该模型输入、输出相关性较强具有较好的泛化能力。
步骤407，确定第一目标函数。
具体地，将确定的性能参数的最终预测模型作为第一目标函数。
步骤408，基于第一目标函数和第一约束范围确定初始配合比。
具体的，步骤408与步骤220的具体实现方式相同，在此不再赘述。
步骤409，建立并拆分级配参数与堆积密实度的样本数据库。
具体地，根据影响骨料堆积密实度的多个骨料特征粒径以及每个骨料特征粒径对应的体积分数，采集并建立级配参数的样本数据库，部分样本数据如表4所示，对全部样本数据进行归一化预处理，然后将样本数据库按比例分为训练数集和测试数集。
可选地，多个骨料特征粒径包括：0mm～0.075mm、0.075mm～0.15mm、0.15mm～0.3mm、0.3mm～0.6mm、0.6mm～1.18mm、1.18mm～2.36mm、2.36mm～4.75mm、4.75mm～9.5mm、9.5mm～16mm、16mm～20mm以及20mm～25mm。
表4
Figure BDA0003695092940000151
例如，样本数据库中一共有100组级配参数的样本数据，随机抽取其中80组样本数据构成用于训练模型的训练数集，为了检验模型的泛化性能，将剩下的20组样本数据作为测试数集来验证模型效果。
可选地，样本数据来源于实验或者高水平国际期刊论文。
步骤410，训练堆积密实度的支持向量机初始预测模型。
具体地，将训练数集中多个骨料特征粒径以及每个骨料特征粒径对应的体积分数的作为支持向量回归模型的变量输入，将训练数集中与其对应的堆积密实度作为变量输出，训练基于最小二乘支持向量机的骨料的堆积密集度的初始预测模型。
步骤411，超参数调优。
具体地，采用网格搜索法和5折交叉验证法对堆积密实度的初始预测模型中的惩罚系数C以及核函数参数g进行参数优选，并采用测试数集验证该初始预测模型的预测结果，以确定堆积密实度的初始预测模型的最优参数。
步骤412，判断相关系数R2是否大于或者等于预设阈值，若是，则将堆积密实度的初始预测模型确定为堆积密实度的最终预测模型，并进入步骤413，若否，则重新回到步骤411，再次进行超参数调优，直到相关系数R2大于或者等于预设阈值为止。
步骤413，确定第二目标函数。
具体地，将堆积密实度的最终预测模型作为第二目标函数。
步骤414，基于第二目标函数和第二约束范围确定目标级配参数。
具体地，步骤414与步骤240的具体实现方式相同，在此不再赘述。
步骤415，确定自密实混凝土的最终配合比。
具体地，步骤415与步骤130的实施过程相同，在此不再赘述。
根据本申请实施例提供的低碳自密实混凝土智能化设计方法400，通过利用大量实验数据，能够建立自密实混凝土组成原料的配合比与性能参数的映射函数，并结合第一优化算法能够高效准确的确定初始配合比，同时，还通过利用大量实验数据建立级配参数与堆积密实度的映射函数，并结合第二优化算法高效准确的确定目标级配参数，使骨料达到最紧密堆积状态，从而降低自密实混凝土中胶凝材料的用量。该智能化设计方法400减少了人力、物力、财力和时间成本，为制作自密实混凝土提供参考，具有理论价值和实践意义。
图5是本申请实施例提供的低碳自密实混凝土智能化设计装置的示意性框图。该智能化设计装置500可以为服务器，也可以为设置于服务器内的芯片或者电路，如图5所示，该智能化设计装置500包括确定单元510和选择单元520。
其中，确定单元510用于根据要求达到的目标性能参数和第一约束范围确定自密实混凝土中组成原料的初始配合比，其中，组成原料包括骨料和胶凝材料，第一约束范围为组成原料中各原材料用量的预设取值范围。
确定单元510还用于确定目标级配参数，目标级配参数为第二约束范围下骨料的堆积密实度达到最大时的级配参数，其中，第二约束范围为骨料特征粒径的预设取值范围。
选择单元520用于以初始配合比和目标级配参数为基准，按一定梯度降低胶凝材料的用量并制备多个自密实混凝土试样，选择达到目标性能参数的要求且胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。
可选地，确定单元510具体用于：基于第一目标函数和第一约束范围，通过第一优化算法进行配合比全局寻优，以获取N个配合比和N个性能参数，N个配合比和N个性能参数一一对应，将N个性能参数中大于或者等于目标性能参数的性能参数所对应的配合比确定为初始配合比，其中，第一目标函数为组成原料的配合比与性能参数的映射函数，N为大于或者等于1的整数。
可选地，确定单元510还具体用于当N个性能参数中大于或者等于目标性能参数的性能参数具有M个时，将与M个性能参数一一对应的M个配合比中成本最低或者胶凝材料的用量最低的配合比确定为初始配合比，M为大于1的整数。
可选地，确定单元510还具体用于基于第二目标函数和第二约束范围，通过第二优化算法进行级配参数全局寻优，以获得P个级配参数和P个堆积密实度，P个级配参数和P个堆积密实度一一对应，将P个堆积密实度中最大的堆积密实度所对应的级配参数确定为目标级配参数，其中，第二目标函数为级配参数与堆积密实度的映射函数，P为大于或者等于1的整数。
可选地，第一优化算法为遗传算法。
可选地，第二优化算法为遗传算法。
可选地，组成原料包括水泥、粉煤灰、水、细骨料、粗骨料以及减水剂。
可选地，性能参数包括以下参数类型中的至少一种：28天抗压强度、坍落扩展度、抗渗性、抗冻性或者抗裂性。
可选地，级配参数包括多个骨料特征粒径，以及每个骨料特征粒径对应的体积分数，多个骨料特征粒径包括：0mm～0.075mm、0.075mm～0.15mm、0.15mm～0.3mm、0.3mm～0.6mm、0.6mm～1.18mm、1.18mm～2.36mm、2.36mm～4.75mm、4.75mm～9.5mm、9.5mm～16mm以及16mm～19mm。
为了实现上述实施例，本申请还提供一种低碳自密实混凝土智能化设计装置。图6是本申请实施例提供的自密实混凝土智能化设计装置的结构性框图。
如图6所示，该智能化设计装置600包括：处理器610、存储器620和通信接口630。其中，存储器620中存储有指令，处理器610用于执行存储器620中的指令，当该指令被执行时，该处理器610用于执行上述方法实施例提供的智能化设计方法，处理器610还用于控制通信接口630与外界进行通信。
应理解，本申请实施例中，该处理器可以为中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random accessmemory，RAM)可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质包括计算机程序，当其在计算机上运行时，使得该计算机执行上述方法实施例提供的智能化设计方法。
本申请实施例还提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得该计算机执行上述方法实施例提供的智能化设计方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种低碳自密实混凝土智能化设计方法，其特征在于，包括：
基于第一目标函数和第一约束范围，通过第一优化算法进行配合比全局寻优，以获取N个配合比和N个性能参数，所述N个配合比和所述N个性能参数一一对应，将所述N个性能参数中大于或者等于目标性能参数的性能参数所对应的配合比确定为自密实混凝土中组成原料的初始配合比，其中，所述第一目标函数为所述组成原料的配合比与性能参数的映射函数，N为大于或者等于1的整数，所述组成原料包括骨料和胶凝材料，所述第一约束范围为所述组成原料中各原材料用量的预设取值范围；
基于第二目标函数和第二约束范围，通过第二优化算法进行级配参数全局寻优，以获得P个级配参数和P个堆积密实度，所述P个级配参数和所述P个堆积密实度一一对应，将所述P个堆积密实度中最大的堆积密实度所对应的级配参数确定为目标级配参数，所述目标级配参数为所述第二约束范围下所述骨料的堆积密实度达到最大时的级配参数，其中，所述第二目标函数为级配参数与堆积密实度的映射函数，P为大于或者等于1的整数，所述第二约束范围为骨料特征粒径的预设取值范围；
以所述初始配合比和所述目标级配参数为基准，按一定梯度降低所述胶凝材料的用量并制备多个自密实混凝土试样，选择达到所述目标性能参数的要求且所述胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。
2.根据权利要求1所述的智能化设计方法，其特征在于，当所述N个性能参数中大于或者等于所述目标性能参数的性能参数具有M个时，将与M个性能参数一一对应的M个配合比中成本最低或者所述胶凝材料的用量最低的配合比确定为所述初始配合比，M为大于1的整数。
3.根据权利要求1或2中所述的智能化设计方法，其特征在于，所述第一优化算法为遗传算法。
4.根据权利要求1或2所述的智能化设计方法，其特征在于，所述组成原料包括水泥、粉煤灰、水、细骨料、粗骨料以及减水剂。
5.根据权利要求1或2所述的智能化设计方法，其特征在于，性能参数包括以下参数类型中的至少一种：
28天抗压强度、坍落扩展度、抗渗性、抗冻性或者抗裂性。
6.一种低碳自密实混凝土智能化设计装置，其特征在于，包括：
确定单元，用于基于第一目标函数和第一约束范围，通过第一优化算法进行配合比全局寻优，以获取N个配合比和N个性能参数，所述N个配合比和所述N个性能参数一一对应，将所述N个性能参数中大于或者等于目标性能参数的性能参数所对应的配合比确定为自密实混凝土中组成原料的初始配合比，其中，所述第一目标函数为所述组成原料的配合比与性能参数的映射函数，N为大于或者等于1的整数，所述组成原料包括骨料和胶凝材料，所述第一约束范围为所述组成原料中各原材料用量的预设取值范围；
所述确定单元，还用于基于第二目标函数和第二约束范围，通过第二优化算法进行级配参数全局寻优，以获得P个级配参数和P个堆积密实度，所述P个级配参数和所述P个堆积密实度一一对应，将所述P个堆积密实度中最大的堆积密实度所对应的级配参数确定为目标级配参数，所述目标级配参数为所述第二约束范围下所述骨料的堆积密实度达到最大时的级配参数，其中，所述第二目标函数为级配参数与堆积密实度的映射函数，P为大于或者等于1的整数，所述第二约束范围为骨料特征粒径的预设取值范围；
选择单元，用于以所述初始配合比和所述目标级配参数为基准，按一定梯度降低所述胶凝材料的用量并制备多个自密实混凝土试样，选择达到所述目标性能参数的要求且所述胶凝材料的用量最低的自密实混凝土试样的配合比作为最终配合比。
7.一种低碳自密实混凝土智能化设计装置，其特征在于，包括至少一个处理器，所述至少一个处理器用于与存储器耦合，读取并执行所述存储器中的指令，以实现如权利要求1至5中任一项所述的智能化设计方法。
CN202210672232.6A 2022-06-15 2022-06-15 一种低碳自密实混凝土智能化设计方法及装置 Active CN115114849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210672232.6A CN115114849B (zh) 2022-06-15 2022-06-15 一种低碳自密实混凝土智能化设计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210672232.6A CN115114849B (zh) 2022-06-15 2022-06-15 一种低碳自密实混凝土智能化设计方法及装置

Publications (2)

Publication Number Publication Date
CN115114849A CN115114849A (zh) 2022-09-27
CN115114849B true CN115114849B (zh) 2023-04-18

Family

ID=83329049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210672232.6A Active CN115114849B (zh) 2022-06-15 2022-06-15 一种低碳自密实混凝土智能化设计方法及装置

Country Status (1)

Country Link
CN (1) CN115114849B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016244A (zh) * 2020-08-07 2020-12-01 中国交通建设股份有限公司吉林省分公司 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100534743C (zh) * 2007-06-10 2009-09-02 王昱海 现代混凝土配制方法及现代混凝土配合比
SG175458A1 (en) * 2010-04-15 2011-11-28 Holcim Singapore Pte Ltd Self-compacting and self-levelling concrete
CN105224727B (zh) * 2015-09-11 2018-05-15 郑州大学 一种自密实混凝土拌合物配合比设计方法
CN107391790B (zh) * 2017-06-12 2020-08-25 深圳大学 绿色自密实混凝土及其制备方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016244A (zh) * 2020-08-07 2020-12-01 中国交通建设股份有限公司吉林省分公司 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

Also Published As

Publication number Publication date
CN115114849A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
Markou et al. Injectability of microfine cement grouts into limestone sands with different gradations: experimental investigation and prediction
Islam et al. Prediction of strength and slump of rice husk ash incorporated high-performance concrete
Kamal et al. A novel durability based concrete mix design using supplementary cementitious materials and modified aggregate band gradation
Mahmood et al. Interpreting the experimental results of compressive strength of hand-mixed cement-grouted sands using various mathematical approaches
Yeh Optimization of concrete mix proportioning using a flattened simplex–centroid mixture design and neural networks
Kurda et al. Mix design of concrete: Advanced particle packing model by developing and combining multiple frameworks
Ozbay et al. Empirical modeling of fresh and hardened properties of self-compacting concretes by genetic programming
Boukhatem et al. An intelligent hybrid system for predicting the tortuosity of the pore system of fly ash concrete
Chen et al. Mesoscale analysis of rubber particle effect on young’s modulus and creep behaviour of crumb rubber concrete
Ofuyatan et al. Marble waste and recycled concrete aggregates in self compacting concrete (SSC): an evaluation of fresh and hardened properties
Wally et al. Estimating service life of reinforced concrete structures with binders containing silica fume and metakaolin under chloride environment: durability indicators and probabilistic assessment
Ying et al. On probability distribution of chloride diffusion coefficient for recycled aggregate concrete
Fauzi et al. Modeling and optimization of properties for unprocessed-fly ash (u-FA) controlled low-strength material as backfill materials
Kazemi et al. The properties of cement-mortar at different cement strength classes: Experimental study and multi-objective modeling
Liu et al. Statistical analysis and unified model for predicting the compressive strength of coarse recycled aggregate OPC concrete
Arimanwa et al. Effect of chemical composition of ordinary portland cement on the compressive strength of concrete
CN115114849B (zh) 一种低碳自密实混凝土智能化设计方法及装置
Saini et al. Estimation of flexural fatigue strength of self-compacting concrete made with coarse recycled concrete aggregates
Puttbach et al. A detailed review of equations for estimating elastic modulus in specialty concretes
Henigal et al. Artificial neural network model for forecasting concrete compressive strength and slump in Egypt
Károlyfi et al. The correspondences between formwork geometry and concrete composition in the case of fair-faced concrete elements
Orji et al. ModelsForPredicting The Compressive Strength And Cost Of Laterite–Quarry Dust Concrete Using Extreme Vertices Design.
Jabar ANN-PSO modelling for predicting buckling of self-compacting concrete column containing RHA properties
Zealakshmi et al. Computer Aided High Strength Concrete Mixture Proportion using Mat Lab
Hidayawanti et al. The impact aggregate quality material as a linear regression study on mixture concrete

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220927

Assignee: FIBRPRO NEW MATERIAL TECHNOLOGY (SHENZHEN) Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980047979

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231122

Application publication date: 20220927

Assignee: Shenzhen Yiqiao Decoration Design Engineering Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980047971

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231122

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220927

Assignee: Foshan Fengfeng Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980048031

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231123

EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220927

Assignee: Guangdong Tongbo Information Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980048453

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231127

Application publication date: 20220927

Assignee: Guangdong Shuzhi System Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980048415

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231127

Application publication date: 20220927

Assignee: Foshan Shihuasha New Materials Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980048406

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231127

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220927

Assignee: Shenzhen Tianyi Survey Engineering Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049540

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231201

Application publication date: 20220927

Assignee: Shenzhen Guangfeng Hongye Engineering Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049510

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231201

Application publication date: 20220927

Assignee: Shenzhen Huajing Environmental Technology Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049504

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231201

Application publication date: 20220927

Assignee: Shenzhen Fulongsheng Industrial Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049215

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231130

Application publication date: 20220927

Assignee: Shenzhen Dechangsheng Electromechanical Decoration Engineering Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049197

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231130

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220927

Assignee: Shenzhen Jinchengyu Decoration Engineering Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980050232

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231205

Application publication date: 20220927

Assignee: Shenzhen Weitai Building Materials Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049901

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231204

Application publication date: 20220927

Assignee: Shenzhen Yajun Decoration Design Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049899

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231204

Application publication date: 20220927

Assignee: Shenzhen Yijia Construction Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049897

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231204

Application publication date: 20220927

Assignee: Shenzhen Yongji Construction Engineering Inspection Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049891

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231204

Application publication date: 20220927

Assignee: Zhenfeng Decoration Design Engineering (Shenzhen) Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980049887

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231204

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220927

Assignee: Shenzhen Yangxin Decoration Engineering Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980052132

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231213

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220927

Assignee: Shenzhen Zhiconcrete New Materials Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2023980053916

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20231225

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220927

Assignee: SHENZHEN HONGHUI INDUSTRIAL Co.,Ltd.

Assignor: SHENZHEN University

Contract record no.: X2024980000463

Denomination of invention: A method and device for intelligent design of low-carbon self compacting concrete

Granted publication date: 20230418

License type: Common License

Record date: 20240110