CN115206463A - 一种基于机器学习的混凝土配合比智能化设计方法 - Google Patents
一种基于机器学习的混凝土配合比智能化设计方法 Download PDFInfo
- Publication number
- CN115206463A CN115206463A CN202210762533.8A CN202210762533A CN115206463A CN 115206463 A CN115206463 A CN 115206463A CN 202210762533 A CN202210762533 A CN 202210762533A CN 115206463 A CN115206463 A CN 115206463A
- Authority
- CN
- China
- Prior art keywords
- concrete
- mix proportion
- concrete mix
- machine learning
- design
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 151
- 238000013461 design Methods 0.000 title claims abstract description 76
- 239000000203 mixture Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 239000002994 raw material Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 239000004576 sand Substances 0.000 claims description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 9
- 239000000843 powder Substances 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000004568 cement Substances 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 239000003638 chemical reducing agent Substances 0.000 claims description 6
- 239000010881 fly ash Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000002893 slag Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 235000019738 Limestone Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000701 coagulant Substances 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 239000006028 limestone Substances 0.000 claims description 3
- 239000011325 microbead Substances 0.000 claims description 3
- 229910021487 silica fume Inorganic materials 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 239000012615 aggregate Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000004566 building material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000699650 Bolomys Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000013077 target material Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Abstract
本发明公开了一种基于机器学习的混凝土配合比智能化设计方法，先建立混凝土配合比设计模型，模型的输入为混凝土的性能，输出为满足性能要求的混凝土配合比。应用时通过模型输入设计希望的混凝土性能参数，模型的输出即为所有符合要求的混凝土配合比；在输出的所有混凝土配合比中选择出需要的混凝土配合比作为设计结果。进一步可基于混凝土配合比中各原材料的价格，计算出符合要求的所有混凝土配合比对应的产品单位体积成本，将单位体积成本最低的混凝土配合比作为设计结果。本发明可以快速获得满足设计要求且成本最优的混凝土配合比方案，不但节省了时间，而且得到的混凝土产品经济性也更优。
Description
技术领域
本发明涉及混凝土配合比设计，特别涉及一种基于机器学习的混凝土配合比智能化设计方法，属于建筑材料技术领域。
背景技术
水泥混凝土作为当今世界最主要的建造材料，使用量十分庞大，而在计算机广泛应用，社会大力推广智能化和数字化技术的背景下，目前混凝土配合比设计仍采用传统的方式，对现代化的计算机手段利用甚少。现行的混凝土配合比设计规范是以Bolomy公式为设计基础，根据经验用质量法或体积法进行混凝土配合比设计。由于混凝土性能影响因素较多，传统的混凝土配合比设计方法在实际应用过程中仍然存有实验工作量大且耗时长的问题，已然不能完全满足现代混凝土设计、生产和应用要求。在此背景下，有必要探索新型的、快速高效或智能化率更高的设计方法。
发明内容
针对现有技术存在的上述不足，本发明的目的就在于提供一种基于机器学习的混凝土配合比智能化设计方法，本发明可以快速获得满足设计要求且成本较优的混凝土配合比方案，不但节省了时间，而且得到的混凝土产品经济性也更优。
本发明的技术方案是这样实现的：
一种基于机器学习的混凝土配合比智能化设计方法，具体步骤如下：
1）通过机器学习建立混凝土配合比设计模型，模型的输入为混凝土的性能，输出为满足性能要求的混凝土配合比；
2）通过模型输入设计希望的混凝土性能参数，模型的输出即为所有符合要求的混凝土配合比；
3）在步骤2）输出的所有混凝土配合比中选择出需要的混凝土配合比作为设计结果。
其中，步骤1）中，混凝土的性能包括混凝土强度和流动性。
优选地，步骤1）中，混凝土配合比设计模型按如下方法建立，
1.1）数据收集：将混凝土生产和实验数据收集起来，形成混凝土配合比设计数据库；生产和实验数据包括混凝土配合比及其对应的性能；
1.2）数据处理：对数据库中的数据进行整理和清洗，然后归一化处理以减小计算误差，再利用dividerand函数对数据集进行化分，将数据集分成训练集、测试集和验证集，用于机器学习训练；
1.3）数据训练：以混凝土性能作为输入变量，各个材料用量作为输出变量，利用神经网络模型对数据样本进行训练，从而建立混凝土性能与混凝土各个材料用量的混凝土配合比设计模型。
本发明神经网络模型设置多隐含层训练，利用误差反向传播算法Levenberg-Marquardt作为训练算法。
优选地，步骤1.2）中用mapminmax函数和apply指令对数据进行归一化处理。
优选地，基于混凝土配合比中各原材料的价格，计算出符合要求的所有混凝土配合比单位体积成本，将单位体积成本最低的混凝土配合比作为设计结果。
优选地，步骤2）希望的混凝土性能参数采用m语言设计并利用归一化结构函数对其进行归一化处理，步骤3）模型输出的混凝土配合比再进行反归一化处理，作为最终混凝土配合比输出结果。
所述混凝土配合比包括由水泥、掺合料、细集料、粗集料、外加剂和水中的其中几种或者全部形成的混凝土配合比。
具体地，所述掺合料包括粉煤灰、矿渣粉、硅灰、石灰石粉、微珠中的一种或者几种；所述细集料包括机制砂、天然砂中的一种或者两种；所述外加剂包括减水剂、引气剂、缓凝剂、保坍剂、促凝剂、膨胀剂中的一种或者几种。
与现有技术相比，本发明具有以下有益效果：
本发明基于混凝土配合比智能化设计模型，可以根据期望的产品性能要求（如强度和流动性）快速获得满足设计要求且成本较优的混凝土配合比方案。基于matlab软件的APP设计工具开发了相应的混凝土智能化设计APP，与传统的设计方法相比，不但大大节省了实验所需时间，而且得到的混凝土产品经济性也更优。
本发明混凝土配合比智能化设计方法是计算机广泛应用、社会大力推广智能化和数字化技术的背景下，适应新时代的混凝土配合比设计方法之一，具有良好的应用前景。
附图说明
图1为本发明混凝土配合比智能化设计流程图。
图2为本发明机器学习训练阶段模型参数变化示意图。
图3为本发明训练集、验证集、测试集和总体的均方误差随训练次数的变化示意图。
图4为本发明混凝土配合比优化设计结果示意图。
图5为本发明APP打开界面图。
图6为本发明输入目标及原料价格后的设计界面图。
图7为本发明实施例得到的混凝土配合比的散点图。其中X1表示水泥用量，X2表示粉煤灰用量，X3表示矿渣粉用量，X4表示机制砂用量，X5表示粗集料用量，X6表示减水剂用量，X7表示用水量。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，下面结合附图和具体实施方式对本发明作进一步详细说明。
本发明一种基于机器学习的混凝土配合比智能化设计方法，具体步骤如下，同时参见图1：
1）通过机器学习建立混凝土配合比设计模型，模型的输入为混凝土的性能，输出为满足性能要求的混凝土配合比；
2）通过模型输入设计希望的混凝土性能参数，模型的输出即为所有符合要求的混凝土配合比；
3）在步骤2）输出的所有混凝土配合比中选择出需要的混凝土配合比作为设计结果。
具体地，步骤1）中混凝土配合比设计模型按如下方法建立，
1.1）数据收集：将混凝土企业生产和实验数据收集起来，形成混凝土配合比设计数据库；生产和实验数据包括混凝土配合比及其对应的性能；
1.2）数据处理：对数据库中的数据进行整理和清洗，然后用mapminmax函数和apply指令进行归一化处理以减小计算误差，再利用dividerand函数对数据集进行化分，将数据集分成训练集、测试集和验证集，用于机器学习训练；
1.3）数据训练：然后以混凝土性能作为输入变量，各个材料用量作为输出变量，利用神经网络模型对数据样本进行训练，从而建立混凝土性能与混凝土各个材料用量的混凝土配合比设计模型。
机器学习训练效果见图2、图3。图2表示训练阶段模型性能参数的变化情况：（1）梯度随训练的进行而减小；（2）最小性能梯度mu随训练的进行发生变化；（3）在后期（epoch=130）发生过拟合现象，连续6次过拟合，终止网络训练，过拟合现象在训练中无法避免，默认发生连续6次过拟合则停止训练，可设置过拟合连续的最大次数停止准则。图3表示训练集、验证集、测试集和总体的均方误差随训练次数的变化图像，小圆圈位置代表终止的训练次数处的均方误差。
本实施例中，神经网络模型设置双隐含层，第一层神经元数为3-8，第二层神经元数为8-15时精度较佳。利用误差反向传播算法Levenberg-Marquardt作为训练算法。
为对得到的多个混凝土配合比进行优化筛选，本发明还基于混凝土配合比中各原材料的价格，计算出符合要求的所有混凝土配合比对应的单位体积成本，将单位体积成本最低的混凝土配合比作为设计结果。这是因为在输入设计目标参数后，可能有多个混凝土配合比结果满足性能要求，本发明通过价格因素进一步优化，得到成本较优的混凝土配合比。避免了在众多结果中如何选择的问题。
本发明采用m语言设计所需要的混凝土强度范围、流动性范围组合，利用归一化结构函数对其进行归一化处理，通过上述训练好的模型智能化设计对应的混凝土配合比，接着利用mapminmax函数和reverse指令进行反归一化，形成智能化设计的混凝土配合比输出值。即通过模型得到了所需性能的混凝土配合比及其对应流动度、强度的数据库。
所述混凝土配合比包括但不限于由水泥、掺合料、细集料、粗集料、外加剂和水中的其中几种或者全部形成的混凝土配合比。其中，掺合料包括但不限于粉煤灰、矿渣粉、硅灰、石灰石粉、微珠中的一种或者几种；细集料包括但不限于机制砂、天然砂中的一种或者两种；外加剂包括但不限于减水剂、引气剂、缓凝剂、保坍剂、促凝剂、膨胀剂中的一种或者几种。混凝土的性能包括但不限于混凝土强度和流动性。这取决于训练数据中混凝土配合比的构成和对应的性能指标。
本发明将混凝土原材料单价并入数据库，此时可根据设计要求，满足混凝土配制强度、目标流动性的条件下，通过寻优函数，在数据库中优化出成本最低的目标混凝土配合比。图4和表1即为本发明通过智能化设计模型给出的满足坍落度大于180mm，28d抗压强度满足目标混凝土强度设计要求的混凝土配合比。
表1 混凝土配合比优化设计结果
| 强度等级 | 水泥(kg) | 粉煤灰(kg) | 矿粉(kg) | 机制砂(kg) | 粗集料(kg) | 减水剂(kg) | 水(kg) | 28d强度(MPa) | 坍落度(mm) |
| C15 | 220 | 38 | 28 | 891 | 1158 | 3.15 | 167 | 21.6 | 197 |
| C20 | 223 | 42 | 40 | 868 | 1159 | 3.46 | 167 | 26.6 | 196 |
| C25 | 273 | 31 | 41 | 872 | 1069 | 4.18 | 166 | 31.6 | 230 |
| C30 | 293 | 25 | 39 | 863 | 1085 | 4.54 | 166 | 38.2 | 230 |
| C40 | 350 | 34 | 53 | 814 | 1081 | 5.90 | 164 | 48.2 | 220 |
| C50 | 391 | 0 | 43 | 920 | 1033 | 5.69 | 163 | 59.9 | 226 |
| C55 | 432 | 0 | 35 | 906 | 1030 | 6.27 | 162 | 64.9 | 224 |
智能化设计方法效果验证：
对本发明智能化设计方法输出的混凝土配合比（见表1）进行混凝土试配，测试混凝土拌合物流动性和硬化混凝土28d抗压强度，所得到的验证结果见下表2。
表2 配合比优化设计结果验证
| 强度等级 | 预测28d强度(MPa) | 预测坍落度(mm) | 实测28d强度(MPa) | 实测坍落度(mm) | 强度误差(MPa) | 强度相对误差 |
| C15 | 21.6 | 197 | 23.9 | 198 | 2.3 | 9.74% |
| C20 | 26.6 | 196 | 27.7 | 200 | 1.1 | 3.86% |
| C25 | 31.6 | 230 | 34.4 | 195 | 2.8 | 8.17% |
| C30 | 38.2 | 230 | 35.4 | 188 | -2.8 | -7.86% |
| C40 | 48.2 | 220 | 46.6 | 224 | -1.6 | -3.32% |
| C50 | 59.9 | 226 | 55.8 | 239 | -4.1 | -7.29% |
| C55 | 64.9 | 224 | 62.9 | 215 | -2.0 | -3.24% |
按照混凝土配合比智能化设计结果中的配合比进行试验，由验证结果可得：预测28d抗压强度和实测相比，能控制在5.0MPa以内，相对误差在10%以内。混凝土配合比智能化设计方法效果理想。按照智能化模型设计的混凝土配合比与现场常用对应强度等级的混凝土配合比比较，C15至C55混凝土单方成本可节约2%至19%。
为了使设计方法更加便捷实用，本发明基于matlab软件开发工具，开发了对应的混凝土配合比智能化设计的APP，图5为具体实施例的设计界面。通过图5可以看出，只需要在APP界面中输入设计目标（如坍落度，28d抗压强度），原材料价格，点击“自动设计”按钮，APP即自动输出设计配合比，包括各原材料的用量、胶材用量、水胶比、砂率、单方成本（元/方）。使用简单，输出结果一目了然。图6为本发明输入设计目标及原料价格后的设计结果对应的界面图。
图7为本发明实施例得到的混凝土配合比的散点图。其中X1表示水泥用量，X2表示粉煤灰用量，X3表示矿渣粉用量，X4表示机制砂用量，X5表示粗集料用量，X6表示减水剂用量，X7表示用水量。
本发明利用机器学习原理，基于matlab软件进行程序设计和代码编写，用设计的程序对采集整理好的混凝土性能（如流动性、强度）及对应的混凝土配合比数据进行训练学习，建立起混凝土性能与混凝土配合比的非线性关系模型。基于此关系模型对混凝土按照性能组合进行对应的配合比设计，例如将坍落度140mm-240mm，28d抗压强度 10.0-70.0MPa范围内的所有流动性、强度性能组合利用此关系模型设计出对应的配合比。最后再根据使用的具体材料价格计算混凝土配合比方案的成本，即可形成一个包含混凝土配合比方案及其流动性、抗压强度的数据库。再通过寻优函数在数据库中找出满足其设计流动性、强度且成本最优的混凝土配合比。即通过机器学习、利用大数据作为支撑，实现了混凝土配合比智能化设计。
最后需要说明的是，本发明的上述实施例仅是为说明本发明所作的举例，而并非是对本发明实施方式的限定。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他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，具体步骤如下：
1）通过机器学习建立混凝土配合比设计模型，模型的输入为混凝土的性能，输出为满足性能要求的混凝土配合比；
2）通过模型输入设计希望的混凝土性能参数，模型的输出即为所有符合要求的混凝土配合比；
3）在步骤2）输出的所有混凝土配合比中选择出需要的混凝土配合比作为设计结果。
2.根据权利要求1所述的一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，步骤1）中，混凝土的性能包括混凝土强度和流动性。
3.根据权利要求1所述的一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，步骤1）中，混凝土配合比设计模型按如下方法建立，
1.1）数据收集：将混凝土生产和实验数据收集起来，形成混凝土配合比设计数据库；生产和实验数据包括混凝土配合比及其对应的性能；
1.2）数据处理：对数据库中的数据进行整理和清洗，然后归一化处理以减小计算误差，再利用dividerand函数对数据集进行化分，将数据集分成训练集、测试集和验证集，用于机器学习训练；
1.3）数据训练：以混凝土性能作为输入变量，各个材料用量作为输出变量，利用神经网络模型对数据样本进行训练，从而建立混凝土性能与混凝土各个材料用量的混凝土配合比设计模型。
4.根据权利要求3所述的一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，神经网络模型设置多隐含层训练，利用误差反向传播算法Levenberg-Marquardt作为训练算法。
5.根据权利要求3所述的一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，步骤1.2）中用mapminmax函数和apply指令对数据进行归一化处理。
6.根据权利要求3所述的一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，基于混凝土配合比中各原材料的价格，计算出符合要求的所有混凝土配合比单位体积成本，将单位体积成本最低的混凝土配合比作为设计结果。
7.根据权利要求5所述的一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，步骤2）希望的混凝土性能参数采用m语言设计并利用归一化结构函数对其进行归一化处理，步骤3）模型输出的混凝土配合比再进行反归一化处理，作为最终混凝土配合比输出结果。
8.根据权利要求1所述的一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，所述混凝土配合比包括由水泥、掺合料、细集料、粗集料、外加剂和水中的其中几种或者全部形成的混凝土配合比。
9.根据权利要求8所述的一种基于机器学习的混凝土配合比智能化设计方法，其特征在于，所述掺合料包括粉煤灰、矿渣粉、硅灰、石灰石粉、微珠中的一种或者几种；所述细集料包括机制砂、天然砂中的一种或者两种；所述外加剂包括减水剂、引气剂、缓凝剂、保坍剂、促凝剂、膨胀剂中的一种或者几种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210762533.8A CN115206463A (zh) | 2022-06-30 | 2022-06-30 | 一种基于机器学习的混凝土配合比智能化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210762533.8A CN115206463A (zh) | 2022-06-30 | 2022-06-30 | 一种基于机器学习的混凝土配合比智能化设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115206463A true CN115206463A (zh) | 2022-10-18 |
Family
ID=83577945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210762533.8A Pending CN115206463A (zh) | 2022-06-30 | 2022-06-30 | 一种基于机器学习的混凝土配合比智能化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115206463A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116759031A (zh) * | 2023-08-10 | 2023-09-15 | 内蒙古工业大学 | 一种基于ann的污泥灰混凝土材料配合比的设计方法 |
| CN116945318A (zh) * | 2023-06-27 | 2023-10-27 | 深圳大学 | 智能化的混凝土3d打印方法、装置及打印设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101609515A (zh) * | 2009-06-25 | 2009-12-23 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
| CN106892605A (zh) * | 2017-03-29 | 2017-06-27 | 云南建投绿色高性能混凝土有限公司 | 一种高石粉含量的石灰岩废石屑混凝土配合比设计方法 |
| CN107352897A (zh) * | 2017-06-30 | 2017-11-17 | 华南理工大学 | 一种用高石粉含量石屑配制混凝土的配合比设计方法 |
-
2022
- 2022-06-30 CN CN202210762533.8A patent/CN115206463A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101609515A (zh) * | 2009-06-25 | 2009-12-23 | 福州大学 | 基于人工智能的混凝土配合比设计方法 |
| CN106892605A (zh) * | 2017-03-29 | 2017-06-27 | 云南建投绿色高性能混凝土有限公司 | 一种高石粉含量的石灰岩废石屑混凝土配合比设计方法 |
| CN107352897A (zh) * | 2017-06-30 | 2017-11-17 | 华南理工大学 | 一种用高石粉含量石屑配制混凝土的配合比设计方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116945318A (zh) * | 2023-06-27 | 2023-10-27 | 深圳大学 | 智能化的混凝土3d打印方法、装置及打印设备 |
| CN116759031A (zh) * | 2023-08-10 | 2023-09-15 | 内蒙古工业大学 | 一种基于ann的污泥灰混凝土材料配合比的设计方法 |
| CN116759031B (zh) * | 2023-08-10 | 2024-01-26 | 内蒙古工业大学 | 一种基于ann的污泥灰混凝土材料配合比的设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115206463A (zh) | 一种基于机器学习的混凝土配合比智能化设计方法 | |
| Azimi-Pour et al. | Linear and non-linear SVM prediction for fresh properties and compressive strength of high volume fly ash self-compacting concrete | |
| CN101609515B (zh) | 基于人工智能的混凝土配合比设计方法 | |
| CN110263431B (zh) | 一种混凝土28d抗压强度预测方法 | |
| CN101164959B (zh) | 高泵程机制砂混凝土 | |
| Pengcheng et al. | Prediction of compressive strength of High-Performance Concrete by Random Forest algorithm | |
| Li et al. | Optimization design for alkali-activated slag-fly ash geopolymer concrete based on artificial intelligence considering compressive strength, cost, and carbon emission | |
| CN110435009B (zh) | 一种混凝土生产配合比的智能设计方法 | |
| Tu et al. | Prediction and analysis of compressive strength of recycled aggregate thermal insulation concrete based on GA-BP optimization network | |
| Zhang et al. | Experimental study and machine learning prediction on compressive strength of spontaneous-combustion coal gangue aggregate concrete | |
| Zhang et al. | Prediction of compressive strength of ultra-high performance concrete (UHPC) containing supplementary cementitious materials | |
| CN110046427B (zh) | 基于正交设计和正态云模型机制砂t梁混凝土配合比方法 | |
| Hongqiang et al. | CiteSpace-based visualization analysis on mappings of alkali-activated cementitious materials in the field of engineering research | |
| CN111410445A (zh) | 一种环保胶凝材料及其制备方法与应用 | |
| Alghamdi | Determining the mix design method for normal strength concrete using machine learning | |
| Cheng et al. | Ai-guided proportioning and evaluating of self-compacting concrete based on rheological approach | |
| CN112507626A (zh) | 一种基于神经网络的高性能混凝土强度预测方法 | |
| Raut et al. | Evaluating the use of limestone calcined clay cement and recycled concrete aggregates for reducing the carbon footprint of concrete structures | |
| López-Malest et al. | Green Innovation for Carbon Footprint Reduction in Construction Industry | |
| CN116597919A (zh) | 一种基于人工智能的3d打印水泥基材料设计方法 | |
| CN114611775A (zh) | 一种混凝土28天抗压强度分级预测模型的构建方法 | |
| CN103351125B (zh) | 混凝土胶凝材料掺配比例的确定方法 | |
| Cheng et al. | AI-guided design of low-carbon high-packing-density self-compacting concrete | |
| Tian et al. | Intelligent optimisation of an ultra-high-performance concrete (UHPC) multi-objective mixture ratio based on particle swarm optimisation | |
| Zhang et al. | Experimental Study and Prediction Model of the Flexural Strength of concrete Containing Fly Ash and Ground Granulated Blast‐Furnace Slag |
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 |