CN116757341B - 基于神经网络的混凝土预应力空心桩干燥时间预测方法 - Google Patents
基于神经网络的混凝土预应力空心桩干燥时间预测方法 Download PDFInfo
- Publication number
- CN116757341B CN116757341B CN202311063242.0A CN202311063242A CN116757341B CN 116757341 B CN116757341 B CN 116757341B CN 202311063242 A CN202311063242 A CN 202311063242A CN 116757341 B CN116757341 B CN 116757341B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- neuron
- value
- hollow pile
- 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
Links
- 238000001035 drying Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 230000001419 dependent effect Effects 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012394 real-time manufacturing Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 239000002243 precursor Substances 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000002146 bilateral effect Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q50/04—Manufacturing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于神经网络的混凝土预应力空心桩干燥时间预测方法，包括以下步骤：S1、采集混凝土预应力空心桩历史干燥数据；S2、搭建神经网络模型；S3、将混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据作为自变量数据，将历史干燥时长数据作为因变量数据，使用自变量数据和因变量数据训练神经网络模型形成干燥时长预测模型；S4、采集混凝土预应力空心桩实时制造数据输入干燥时长预测模型生成预测干燥时长。本发明有益效果：通过建立干燥时长预测模型，可以提高生产计划的准确性，节约能源和成本，提高混凝土预应力空心桩的质量和可靠性，从而带来更高的生产效率和经济效益。
Description
技术领域
本发明属于混凝土预应力空心桩制造技术领域，尤其是涉及基于神经网络的混凝土预应力空心桩干燥时间预测方法。
背景技术
混凝土预应力空心桩在现代建筑的施工中得到了广泛的应用，混凝土预应力空心桩为预制桩的一种，在混凝土预应力空心桩的制作包括以下步骤：制作模具、制作钢筋骨架、浇铸混凝土、养护、干燥、脱模。
当前混凝土预应力空心桩的干燥时长为人为设定，混凝土预应力空心桩的干燥时长受温度、湿度、风速的影响，经常出现混凝土预应力空心桩干燥时长不足导致混凝土预应力空心桩的强度不达标，或混凝土预应力空心桩干燥时长超长，导致生产效率低下。
发明内容
有鉴于此，本发明旨在提出基于神经网络的混凝土预应力空心桩干燥时间预测方法，以期解决上述部分技术问题中的至少之一。
为达到上述目的，本发明的技术方案是这样实现的：
本发明第一方面提出了，基于神经网络的混凝土预应力空心桩干燥时间预测方法，包括以下步骤：
S1、采集混凝土预应力空心桩历史干燥数据，历史干燥数据包括混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据、历史干燥时长数据；
S2、搭建神经网络模型；
S3、将混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据作为自变量数据，将历史干燥时长数据作为因变量数据，使用自变量数据和因变量数据训练神经网络模型形成干燥时长预测模型；
S4、采集混凝土预应力空心桩实时制造数据输入干燥时长预测模型生成预测干燥时长。
进一步的，所述步骤S1中，所述温度为混凝土预应力空心桩干燥的环境温度；
温度的采集过程包括以下步骤：
S11、环境温度采集间隔为1分钟，计算1小时内的小时平均温度t1，计算周期为1-6小时内的周期平均温度t2；
S12、如果周期平均温度t2×110%＜周期内最大小时平均温度t1，且周期平均温度t2×90%＞周期内最小小时平均温度t1；
则周期平均温度t2作为周期内的温度；
如果周期平均温度t2×110%＞周期内最大小时平均温度t1，或周期平均温度t2×90%小于周期内最小小时平均温度t1；
则缩短周期时长直至周期平均温度t2满足满足t2×110%＜周期内最大小时平均温度t1，且周期平均温度t2×90%＞周期内最小小时平均温度t1的条件；
S13、多个周期内的温度按照时间排序生成温度数据。
进一步的，步骤S4中，实时制造数据包括混凝土预应力空心桩类型数据、实时温度数据、实时湿度数据、实时风速数据、实时养护水量数据。
进一步的，使用自变量数据和因变量数据训练神经网络模型的过程如下：
S31、将自变量数据输入神经网络模型中，通过矩阵运算将自变量数据转换为自变量矩阵；
S32、将自变量矩阵中的数据输入神经网络模型的各个神经元中，对各个神经元进行权重赋值后，使用非线性函数对自变量矩阵进行前向传播计算，得到输出结果；
S33、将输出结果与因变量数据进行差值计算得到结果误差值，根据各个神经元的权重值，对结果误差值进行反向传播计算；
S34、根据反向传播计算得到的各个神经元的单元误差值，修正相应神经元的权重值；
S35、重复S31至S34直到输出结果的交叉熵损失满足模型精度需要。
进一步的，步骤S32中进行权重赋值的过程如下：
计算每个神经元内的自变量数据与相应的因变量数据之间的卡方统计量和p值，根据卡方统计量的大小和p值的显著性，评估自变量数据与相应的因变量数据之间的相关性，根据相关性进行权重赋值。
进一步的，步骤S33、S34的过程如下：
计算输出结果与实际的因变量数据的差值，得到结果误差值，将结果误差值通过权重矩阵反向传播，计算神经元的单元误差值，根据神经元的单元误差值和神经元的输入值，计算权重的调整量，通过将权重调整量加到原始权重值上，更新神经元的权重值。
进一步的，在步骤S35计算交叉熵的过程中增加正则化计算，并在后续的反向传播计算中使用正则化计算调整权重更新过程中的权重梯度。
本发明第二方面提出了，一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述第一方面任一所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
本发明第三方面提出了，一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如第一方面任一所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
本发明第四方面提出了，一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现第一方面任一项所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
相对于现有技术，本发明所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法具有以下有益效果：
（1）本发明所述的一种基于神经网络的混凝土预应力空心桩干燥时间预测方法，通过建立干燥时长预测模型，可以提高生产计划的准确性，节约能源和成本，提高混凝土预应力空心桩的质量和可靠性，从而带来更高的生产效率和经济效益。
（2）本发明所述的一种基于神经网络的混凝土预应力空心桩干燥时间预测方法，通过计算周期平均温度t2和周期平均相对湿度p2不仅可以缩短模型的训练和预测时长，且通过数据平均计算保证了数据稳定性，防止数据突然波动造成的数据误差，进而确保了训练模型的准确性。
（3）本发明所述的一种基于神经网络的混凝土预应力空心桩干燥时间预测方法，根据每个神经元内的自变量数据与相应的因变量数据之间的卡方统计量和p值，评估自变量数据与相应的因变量数据之间的相关性，根据相关性进行权重赋值，提高了模型的权重赋值效率。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，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”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
实施例一：
基于神经网络的混凝土预应力空心桩干燥时间预测方法，包括以下步骤：
S1、采集混凝土预应力空心桩历史干燥数据，历史干燥数据包括混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据、历史干燥时长数据；
S2、搭建神经网络模型；
S3、将混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据作为自变量数据，将历史干燥时长数据作为因变量数据，使用自变量数据和因变量数据训练神经网络模型形成干燥时长预测模型；
S4、采集混凝土预应力空心桩实时制造数据输入干燥时长预测模型生成预测干燥时长。
步骤S1中，温度为混凝土预应力空心桩干燥的环境温度；
温度的采集过程包括以下步骤：
S11、环境温度采集间隔为1分钟，计算1小时内的小时平均温度t1，计算周期为1-6小时内的周期平均温度t2；
S12、如果周期平均温度t2×110%＜周期内最大小时平均温度t1，且周期平均温度t2×90%＞周期内最小小时平均温度t1；
则周期平均温度t2作为周期内的温度；
如果周期平均温度t2×110%＞周期内最大小时平均温度t1，或周期平均温度t2×90%小于周期内最小小时平均温度t1；
则缩短周期时长直至周期平均温度t2满足满足t2×110%＜周期内最大小时平均温度t1，且周期平均温度t2×90%＞周期内最小小时平均温度t1的条件；
S13、多个周期内的温度按照时间排序生成温度数据。
步骤S1中，湿度为混凝土预应力空心桩干燥的环境湿度；
湿度为相对湿度的采集过程包括以下步骤：
A11、相对湿度采集间隔为1小时，计算4小时内的小时平均相对湿度p1，计算周期为24小时内的周期平均相对湿度p2；
A12、如果周期平均相对湿度p2×130%＜周期内最大小时平均相对湿度p1，且周期平均相对湿度p2×80%＞周期内最小小时平均相对湿度p1；
则周期平均相对湿度p2作为周期内的相对湿度；
如果周期平均相对湿度p2×120%＞周期内最大小时平均相对湿度p1，或周期平均相对湿度p2×80%小于周期内最小小时平均相对湿度p1；
则缩短周期时长直至周期平均相对湿度p2满足周期平均相对湿度p2×130%＜周期内最大小时平均相对湿度p1，且周期平均相对湿度p2×80%＞周期内最小小时平均相对湿度p1的条件；
A13、多个周期内的相对湿度按照时间排序生成湿度数据。
步骤S1中的历史干燥数据中的历史温度数据、历史湿度数据可以采用上述方法计算。
步骤S4中的实时温度数据、实时湿度数据可以采用上述方法计算。
通过计算周期平均温度t2和周期平均相对湿度p2不仅可以缩短模型的训练和预测时长，且通过数据平均计算保证了数据稳定性，防止数据突然波动造成的数据误差，进而确保了训练模型的准确性。
步骤S4中，实时制造数据包括混凝土预应力空心桩类型数据、实时温度数据、实时湿度数据、实时风速数据、实时养护水量数据。
步骤S3中，使用自变量数据和因变量数据训练神经网络模型的过程如下：
S31、将自变量数据输入神经网络模型中，通过矩阵运算将自变量数据转换为自变量矩阵；
自变量矩阵为包含五个自变量数据（混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据）的矩阵。
S32、将自变量矩阵中的数据输入神经网络模型的各个神经元中，对各个神经元进行权重赋值后，使用非线性函数对自变量矩阵进行前向传播计算，得到输出结果；
将输入神经元内的自变量矩阵中的数据作为输入值，将赋予神经元的权重系数作为权重值；对输入值与权重值的和进行非线性函数计算（非线性函数具体为：S(x)=1/(1+e-x),其中x为输入值与权重值的和），将计算结果作为下一层传播计算过程中，输入神经元内的值；重复上述过程迭代计算得到最终的输出结果。
S33、将输出结果与因变量数据进行差值计算得到结果误差值(输出结果与因变量数据差的平方除以二)，根据各个神经元的权重值，对结果误差值进行反向传播计算；
使用当前神经元的误差值乘以前序神经元的权重值，得到前序神经元的误差值，重复误差值计算直至得到第一层神经元的误差值。
S34、根据反向传播计算得到的各个神经元的单元误差值，修正相应神经元的权重值；
当前神经元的权重值的修正结果为：（原有权重值）+（相应层神经元的误差值）*（相应的非线性函数计算结果与原有权重值的偏导数）*（前序神经元的输出值）。
S35、重复S31至S34直到输出结果的交叉熵损失满足模型精度需要；
交叉熵的计算过程为：
以e为底对所有输出结果求指数幂，将所有指数幂求和；分别将指数幂与所有指数幂的和做商，得到输出结果的分布概率值，求分布概率值的对数的负数，若计算结果值越接近于0，说明结果越准确。
步骤S32中进行权重赋值的过程如下：
计算每个神经元内的自变量数据与相应的因变量数据之间的卡方统计量和p值，根据卡方统计量的大小和p值的显著性，评估自变量数据与相应的因变量数据之间的相关性，根据相关性进行权重赋值。
根据相关性进行权重赋值的过程如下：
创建一个用于存储每个特征与目标输出之间的相关性系数数组，将相关性系数数组初始化为全零数组，将自变量矩阵输入相关性系数数组中，根据自变量矩阵的列数设置数组的长度；
循环遍历自变量矩阵的每一列，在每次循环中，计算自变量矩阵中当前列的自变量数据与相应的因变量数据之间的相关性系数，得到自变量数据与相应的因变量数据之间的线性关系的强度和方向，并将其作为权重值赋予神经元。
计算相关性系数的方法如下：
将自变量数据与相应的因变量数据组成为数组(x,y)，其中x为自变量数据数组，y为相应的因变量数据数组；
例：假设x=[1,2,3,4,5]，y=[0.1,0.2,0.3,0.4,0.5]；
计算x和y的均值: x的平均值=3，y的平均值=0.3；
计算差值:x差值=x-x的平均值=[-2,-1,0,1,2]，y差值=y-y的平均值=[-0.2,-0.1,0,0.1,0.2]；
计算差值的乘积然后求和:
sum_xy=sum(x差值*y差值)=-2*-0.2+-1*-0.1+0+1*0.1+2*0.2=1；
计算差值的平方和:sq_x差值=sum(x差值**2)=4+1+0+1+4=10；
sq_y差值=sum(y差值**2)=0.04+0.01+0+0.01+0.04=0.1；
计算相关系数:corr=sum_xy/sqrt(sq_x差值*sq_y差值)=1/sqrt(10*0.1)=0.99726027397；
计算显著水平系数：t=corr*sqrt(n-2)/sqrt(1-corr**2)，p=2*(1-t.cdf(abs(t)))；
其中：n是样本数量，corr是计算得到的相关系数，t.cdf是t分布的累积分布函数
具体过程是:根据样本量n和相关系数corr,计算t值，计算t值对应的双侧p值，使用abs(t)获得t的绝对值，从t分布查表可以得到该t值对应的双侧概率，最后乘以2得到双侧p值；
n=5，corr=0.99726027397，t=0.99726027397*sqrt(5-2)/sqrt(1-0.99726027397**2)=19.4973745485，p=2*(1-t.cdf(19.4973745485))=2*(1-1)=0。
评估自变量数据与相应的因变量数据之间的相关性的过程如下：
a)构建观察频数表：
构建二维的观察频数表（实际频数表）；表的行代表一个分类变量的不同取值，列代表另一个分类变量的不同取值；根据每个神经元内的自变量数据，填入相应的频数。
b)计算期望频数：
根据独立性假设，计算期望频数，期望频数是基于无关联情况下的预期频数，即假设两个变量之间没有关系时的预测值，期望频数通过行和列的边际频数以及总体频数计算得出。
c)计算卡方统计量：
使用观察频数表和期望频数表计算卡方统计量，卡方统计量的计算公式为：χ²=Σ((O-E)²/E)，其中Σ表示对所有单元格进行求和，O表示观察频数，E表示期望频数。
d)计算自由度：
计算自由度，自由度的计算公式为(行数-1)*(列数-1)。
e)设定显著性水平：
设定显著性水平（通常为0.05或0.01），显著性水平是用来判断卡方统计量是否达到统计显著的临界值。
f)比较卡方统计量与临界值：
将计算得到的卡方统计量与临界值进行比较，如果卡方统计量大于临界值，则可以拒绝无关联的假设，即认为两个变量之间存在关联。
步骤S33、S34的过程如下：
计算输出结果与实际的因变量数据的差值，得到结果误差值，将结果误差值通过权重矩阵反向传播，计算神经元的单元误差值，根据神经元的单元误差值和神经元的输入值，计算权重的调整量，通过将权重调整量加到原始权重值上，更新神经元的权重值，具体为：
h)计算结果误差值：
将神经网络的输出结果与实际的因变量数据进行差值计算，得到结果误差值，这个结果误差值表示神经网络输出的预测结果与实际结果之间的差异。
i)传播误差到隐藏层：
将结果误差值通过权重矩阵反向传播到隐藏层，通过乘以输出层与隐藏层之间的权重矩阵的转置，计算隐藏层神经元的单元误差值。
j)计算权重调整量：
根据神经元的单元误差值和神经元的输入值，计算权重的调整量，将单元误差值与神经元的输入值相乘，得到权重的调整量，这个调整量表示该权重对误差的贡献程度。
k)更新权重值：
通过将权重调整量加到原始权重值上，更新神经元的权重值，使用学习率来控制权重调整的幅度，以避免过度调整。
l)重复以上步骤：
多次执行步骤h)至k)，通过反复调整权重值来减小神经网络的误差，每次迭代都会计算新的单元误差值，并使用它们来修正权重值。
步骤S35中交叉熵的计算过程为：
以e为底对所有输出结果求指数幂，将所有指数幂求和；分别将指数幂与所有指数幂的和做商，得到输出结果的分布概率值，求分布概率值的对数的负数，得到交叉熵后再次执行步骤(l)然后计算新的交叉熵，直至交叉熵的值趋于0。
在步骤S35计算交叉熵的过程中增加正则化计算，并在后续的反向传播计算中使用正则化计算调整权重更新过程中的权重梯度。
增加正则化计算的过程如下：
m)添加正则化项：
在交叉熵计算中添加正则化项，正则化项=权重的平方和乘以正则化参数，即Loss=a+λ*||W||2²，其中W表示权重，||W||2表示权重的范数，λ表示正则化参数，λ的大小由工作人员根据实际需要调整。
n)计算正则化项：
根据权重矩阵W，计算权重的范数，即||W||2。这表示为所有权重的平方和的开根号。
o)权重衰减：
在通过反向传播更新权重值的过程中，将正则化项的梯度加到权重的梯度上，即对于每个权重w，计算梯度∂L/∂w，并将λ*w加到梯度中，其中L为交叉熵。
本发明的有益效果：
1）干燥时长预测：通过建立神经网络模型，利用混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据作为自变量数据，将历史干燥时长数据作为因变量数据进行训练，可以建立一个干燥时长预测模型；这个模型可以在实际制造过程中，根据实时的制造数据来预测干燥时长，提供有关干燥时间的估计值；
2）优化生产计划：通过预测干燥时长，可以帮助优化制造过程的生产计划；生产计划可以根据预测的干燥时长进行调整，以确保在预定的时间内完成干燥过程，提高生产效率和资源利用率；
3）节约能源和成本：准确预测干燥时长可以帮助节约能源和成本；根据预测结果，可以提前安排干燥设备的启动和关闭时间，避免不必要的能源浪费和运行成本；
4）提高质量和可靠性：通过建立干燥时长预测模型，可以更好地控制干燥过程，从而提高混凝土预应力空心桩的质量和可靠性；预测模型可以帮助制造商更好地安排干燥时间，确保混凝土预应力空心桩在适当的时间内达到理想的干燥程度，减少质量问题和生产风险。
实施例二：
一种电子设备，包括处理器以及与处理器通信连接，且用于存储处理器可执行指令的存储器，处理器用于执行上述实施例一的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
实施例三：
一种服务器，包括至少一个处理器，以及与处理器通信连接的存储器，存储器存储有可被至少一个处理器执行的指令，指令被处理器执行，以使至少一个处理器执行如实施例一的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
实施例四：
一种计算机可读取存储介质，存储有计算机程序，计算机程序被处理器执行时实现实施例一的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本实用各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于，包括以下步骤：
S1、采集混凝土预应力空心桩历史干燥数据，历史干燥数据包括混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据、历史干燥时长数据；
S2、搭建神经网络模型；
S3、将混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据作为自变量数据，将历史干燥时长数据作为因变量数据，使用自变量数据和因变量数据训练神经网络模型形成干燥时长预测模型；
S4、采集混凝土预应力空心桩实时制造数据输入干燥时长预测模型生成预测干燥时长；
步骤S3中，使用自变量数据和因变量数据训练神经网络模型的过程如下：
S31、将自变量数据输入神经网络模型中，通过矩阵运算将自变量数据转换为自变量矩阵；
其中，自变量矩阵，包含混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据五个自变量数据；
S32、将自变量矩阵中的数据输入神经网络模型的各个神经元中，对各个神经元进行权重赋值后，使用非线性函数对自变量矩阵进行前向传播计算，得到输出结果；
将输入神经元内的自变量矩阵中的数据作为输入值，将赋予神经元的权重系数作为权重值；对输入值与权重值的和进行非线性函数计算：
S(x)=1/(1+e-x)；
其中，e-x中的x为输入值与权重值的和；
将计算结果作为下一层传播计算过程中，输入神经元内的值；重复上述过程迭代计算得到最终的输出结果；
S33、将输出结果与因变量数据进行差值计算得到结果误差值，结果误差值为输出结果与因变量数据差的平方除以二，根据各个神经元的权重值，对结果误差值进行反向传播计算；
使用当前神经元的误差值乘以前序神经元的权重值，得到前序神经元的误差值，重复误差值计算直至得到第一层神经元的误差值；
S34、根据反向传播计算得到的各个神经元的单元误差值，修正相应神经元的权重值；
当前神经元的权重值的修正结果为：原有权重值+相应层神经元的误差值*相应的非线性函数计算结果与原有权重值的偏导数*前序神经元的输出值；
S35、重复S31至S34直到输出结果的交叉熵损失满足模型精度需要；
交叉熵的计算过程为：
以e为底对所有输出结果求指数幂，将所有指数幂求和；分别将指数幂与所有指数幂的和做商，得到输出结果的分布概率值，求分布概率值的对数的负数，直至交叉熵趋于0；
所述步骤S1中，所述温度为混凝土预应力空心桩干燥的环境温度；
温度的采集过程包括以下步骤：
S11、环境温度采集间隔为1分钟，计算1小时内的小时平均温度t1，计算周期为1-6小时内的周期平均温度t2；
S12、如果周期平均温度t2×110%＜周期内最大小时平均温度t1，且周期平均温度t2×90%＞周期内最小小时平均温度t1；
则周期平均温度t2作为周期内的温度；
如果周期平均温度t2×110%＞周期内最大小时平均温度t1，或周期平均温度t2×90%小于周期内最小小时平均温度t1；
则缩短周期时长直至周期平均温度t2满足t2×110%＜周期内最大小时平均温度t1，且周期平均温度t2×90%＞周期内最小小时平均温度t1的条件；
S13、多个周期内的温度按照时间排序生成温度数据。
2.根据权利要求1所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于：
步骤S4中，实时制造数据包括混凝土预应力空心桩类型数据、实时温度数据、实时湿度数据、实时风速数据、实时养护水量数据。
3.根据权利要求1所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于：
步骤S32中进行权重赋值的过程如下：
计算每个神经元内的自变量数据与相应的因变量数据之间的卡方统计量和p值，根据卡方统计量的大小和p值的显著性，评估自变量数据与相应的因变量数据之间的相关性，根据相关性进行权重赋值。
4.根据权利要求1所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于：
步骤S33、S34的过程如下：
计算输出结果与实际的因变量数据的差值，得到结果误差值，将结果误差值通过权重矩阵反向传播，计算神经元的单元误差值，根据神经元的单元误差值和神经元的输入值，计算权重的调整量，通过将权重调整量加到原始权重值上，更新神经元的权重值。
5.根据权利要求1所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于：
在步骤S35计算交叉熵的过程中增加正则化计算，并在后续的反向传播计算中使用正则化计算调整权重更新过程中的权重梯度。
6.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-5任一所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
7.一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如权利要求1-5任一所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
8.一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-5任一项所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311063242.0A CN116757341B (zh) | 2023-08-23 | 2023-08-23 | 基于神经网络的混凝土预应力空心桩干燥时间预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311063242.0A CN116757341B (zh) | 2023-08-23 | 2023-08-23 | 基于神经网络的混凝土预应力空心桩干燥时间预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757341A CN116757341A (zh) | 2023-09-15 |
| CN116757341B true CN116757341B (zh) | 2023-10-31 |
Family
ID=87961382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311063242.0A Active CN116757341B (zh) | 2023-08-23 | 2023-08-23 | 基于神经网络的混凝土预应力空心桩干燥时间预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757341B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102852145A (zh) * | 2012-08-14 | 2013-01-02 | 清华大学 | 在建大坝混凝土智能温度控制方法及系统 |
| CN106855901A (zh) * | 2016-12-16 | 2017-06-16 | 天津大学 | 耦合温度场的高拱坝施工进度实时仿真方法 |
| CN111410554A (zh) * | 2019-08-01 | 2020-07-14 | 广东省源天工程有限公司 | 自然环境混凝土暴露面保湿养护过程实时控制方法 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| CN114841280A (zh) * | 2022-05-20 | 2022-08-02 | 北京安智因生物技术有限公司 | 一种复杂疾病的预测分类方法、系统、介质、设备及终端 |
| CN116523146A (zh) * | 2023-06-30 | 2023-08-01 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
| CN116572381A (zh) * | 2023-07-13 | 2023-08-11 | 四川公路桥梁建设集团有限公司 | 一种预制混凝土构件生产调控系统和方法 |
-
2023
- 2023-08-23 CN CN202311063242.0A patent/CN116757341B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102852145A (zh) * | 2012-08-14 | 2013-01-02 | 清华大学 | 在建大坝混凝土智能温度控制方法及系统 |
| CN106855901A (zh) * | 2016-12-16 | 2017-06-16 | 天津大学 | 耦合温度场的高拱坝施工进度实时仿真方法 |
| CN111410554A (zh) * | 2019-08-01 | 2020-07-14 | 广东省源天工程有限公司 | 自然环境混凝土暴露面保湿养护过程实时控制方法 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| CN114841280A (zh) * | 2022-05-20 | 2022-08-02 | 北京安智因生物技术有限公司 | 一种复杂疾病的预测分类方法、系统、介质、设备及终端 |
| CN116523146A (zh) * | 2023-06-30 | 2023-08-01 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
| CN116572381A (zh) * | 2023-07-13 | 2023-08-11 | 四川公路桥梁建设集团有限公司 | 一种预制混凝土构件生产调控系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于BP神经网络的高性能混凝土早龄期自干燥收缩预测";许利惟等;《福建工程学院学报》;第8-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757341A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738344B (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
| CN112434787B (zh) | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 | |
| CN113505534B (zh) | 一种考虑需求响应的负荷预测方法 | |
| CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
| CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
| CN116796631A (zh) | 一种计及约束条件的锂电池寿命预测方法 | |
| CN115471006A (zh) | 一种考虑风电出力不确定性的电源规划方法及系统 | |
| CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
| CN116663719A (zh) | 一种洪水风险预测方法、系统及电子设备 | |
| CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
| CN109871642B (zh) | 一种用于蒸汽发生器的内部结构的温度场建模方法 | |
| CN116757341B (zh) | 基于神经网络的混凝土预应力空心桩干燥时间预测方法 | |
| CN115345661A (zh) | 一种电力价格预测方法及系统 | |
| CN110826794A (zh) | 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN113093014A (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
| CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
| CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
| CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
| CN115409291A (zh) | 一种风速修正的风电功率预测方法及系统 | |
| CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
| CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 |
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 |