CN117236182A - 一种基于gwo-svr的钢筋混凝土粘结强度预测方法 - Google Patents
一种基于gwo-svr的钢筋混凝土粘结强度预测方法 Download PDFInfo
- Publication number
- CN117236182A CN117236182A CN202311242858.4A CN202311242858A CN117236182A CN 117236182 A CN117236182 A CN 117236182A CN 202311242858 A CN202311242858 A CN 202311242858A CN 117236182 A CN117236182 A CN 117236182A
- Authority
- CN
- China
- Prior art keywords
- svr
- gwo
- bonding strength
- reinforced concrete
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011150 reinforced concrete Substances 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 241000282461 Canis lupus Species 0.000 claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 241000282421 Canidae Species 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 239000004567 concrete Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及结构粘结滑移监测领域，涉及一种基于GWO‑SVR的钢筋混凝土粘结强度预测方法。首先建立一个包含钢筋混凝土结构粘结强度及影响参数的大型数据库，通过数据预处理剔除异常值并进行归一化处理。通过随机森林算法特征选择出对结构粘结强度影响较大的特征，并通过相关性分析验证模型的合理性。利用GWO对SVR的惩罚系数C和核参数g进行优化，建立了拟合效果更好的GWO‑SVR模型，并通过比较预测模型的结果验证了模型的准确性和泛化能力。本发明通过对结构参数进行选择，可对实际钢筋混凝土结构极限粘结强度进行有效评估，运用灰狼算法优化支持向量回归提升预测结果的准确性，为实际钢筋混凝土结构损伤评估的应用提供理论参考。
Description
技术领域
本发明涉及结构粘结滑移监测领域，具体地说，涉及一种基于GWO-SVR的钢筋混凝土粘结强度预测方法。
背景技术
钢筋与混凝土之间的粘结性能是两种材料协同作用的前提。粘结强度是影响钢筋混凝土结构承载能力等力学性能的关键因素。随着结构使用时间的增加，钢筋与混凝土之间的粘结滑移性能会受到各种外界环境以及自身特性的影响。因此，全面了解钢筋混凝土结构的界面粘结强度具有十分重要的意义。
目前针对极限粘结强度的预测多为基于理论分析和相关本构模型的修正。这些模型大多数都是通过一些基本假设或根据特定的经验数据进行构思和调整。同时，在试验中只是考虑了某些变量而忽略了其他参数的影响。在这种情况下研究的模型难以提供可靠的预测并用于实际工程。通过建立的数据预测模型能够捕捉到粘结强度与其影响变量之间高度非线性的关系，从而提高了预测精度。因此，将钢筋混凝土结构的各种因素作为特征指标，界面粘结强度作为输出指标，基于机器学习算法的预测模型的性能明显优于典型的经验模型。如何通过相关指标的选择以及运用高效精准的模型进行预测，是本领域技术人员尚待解决的问题。
发明内容
为克服上述相关技术中的缺陷，本发明提供一种基于GWO-SVR的钢筋混凝土粘结强度预测方法。在本发明中，通过灰狼算法改进后的支持向量回归模型GWO-SVR，相比其他模型具有更好地对粘结强度预测效果。
本发明采用的技术方案是：
一种基于GWO-SVR的钢筋混凝土粘结强度预测方法，其特征在于：包括以下步骤：
步骤一：建立包含钢筋混凝土结构粘结强度及影响参数的大型数据库，通过数据预处理剔除异常值并进行归一化处理；
步骤二：利用随机森林算法特征选择出对结构粘结强度影响大的特征，并通过相关性分析验证模型的合理性；
步骤三：将数据集划分训练集和测试集，通过训练集建立粘结强度的支持向量回归模型SVR，初始化SVR的惩罚系数C和核参数g；
步骤四：建立GWO-SVR模型，设置GWO算法的初始参数，根据灰狼猎食特征对SVR参数进行寻优，得到最优的参数C和g；
步骤五：使用最优的参数C和g训练SVR，通过测试集验证模型的准确性和泛化能力；最终输入实际结构数据进行GWO-SVR预测极限粘结强度。
作为优选，步骤一中，数据预处理的方法为：依据拉依达准则去除数据异常值；针对数据缺少值，采用线性差值的方式进行补充。
作为优选，步骤一中，归一化处理的方法为：
在[0,1]范围内采用如下公式：
其中xi表示输入或者输出数据，xmax表示变换特征数据的最大值，xmin表示变换特征数据的最小值。
作为优选，相关性分析为Pearson相关性分析，计算公式如下：
式中，cov表示协方差,σ为标准差，X、Y为变量。
作为优选，步骤三中，在训练集应用于训练时，考虑10折交叉验证。
作为优选，步骤四中，将预测值和真实值的均方根误差RMSE定义为适应度并作为目标函数，并通过灰狼算法找到最佳适应度值，其计算方法如下：
其中，n为训练样本个数；ytest和ypre分别为实际值和预测值。
作为优选，步骤五中，通过积分绝对误差IAE，均方误差MSE，均方根误差RMSE，平均绝对误差MAE和决定系数R2进一步量化模型的预测精度，通过测试集验证模型的精度。
本发明采用以上技术方案，立足于钢筋混凝土结构粘结滑移试验，以期应用于试验设计和实际工程结构粘结强度预测评估。首先建立一个包含钢筋混凝土结构粘结强度及影响参数的大型数据库，通过数据预处理剔除异常值并进行归一化处理。通过随机森林算法特征选择出对结构粘结强度影响较大的特征，并通过相关性分析验证模型的合理性。利用灰狼算法(GWO)对支持向量回归机(SVR)的惩罚系数C和核参数g进行优化，建立了拟合效果更好的GWO-SVR模型，并通过比较预测模型的结果验证了模型的准确性和泛化能力。在实验中可以作为预测技术设计及预估试验结果，在实际工程中可应用于钢筋混凝土结构粘结强度和承载能力等力学性能的评估。为极限粘结强度在结构预测评估及其他同类问题的应用提供理论参考。
附图说明
图1为本发明一种基于GWO-SVR的钢筋混凝土粘结强度预测方法的总体流程图；
图2(a)为本发明建立数据库的拉拔试验方法介绍图；
图2(b)为本发明建立数据库的梁式试验方法介绍图；
图3为本发明随机森林算法原理图；
图4为本发明灰狼算法原理图；
图5为本发明支持向量回归原理图；
图6为本发明提供的灰狼算法优化支持向量回归模型的流程图；
图7为本发明寻找最佳适应度值过程图；
图8(a)为本发明训练集的实际值与模型预测对比结果图；
图8(b)为本发明测试集的实际值与模型预测对比结果图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
以下是实施例结合附图进行详细阐述：
在本发明的实施例中，本发明提供一种基于GWO-SVR的钢筋混凝土粘结强度预测方法。如图1所示，所述基于GWO-SVR的钢筋混凝土粘结强度方法的步骤包括：
步骤一：建立一个包含钢筋混凝土结构粘结强度及影响参数的大型数据库，通过数据预处理剔除异常值并进行归一化处理。
步骤二：利用随机森林算法特征选择出对结构粘结强度影响较大的特征，并通过相关性分析验证模型的合理性。
步骤三：将数据集划分训练集和测试集。通过训练集建立粘结强度的支持向量回归模型SVR，初始化SVR的惩罚系数C和核参数g。
步骤四：建立拟合效果更好的GWO-SVR模型，设置GWO算法的初始参数，根据灰狼猎食特征对SVR参数进行寻优，得到最优参数C和g。
步骤五：使用最优参数C和g训练SVR，通过测试集验证模型的准确性和泛化能力。最终输入实际结构数据进行GWO-SVR预测极限粘结强度。
下面就本实施例的具体工作原理做详细说明：
针对步骤一，如图2(a)和图2(b)所示，在本发明的实施例中，所获取的粘结滑移数据库来源于拉拔试验和梁式试验。
进一步地，所建立的数据库考虑了钢筋和混凝土的几何性能，钢筋与混凝土的力学性能，以及试验条件和外界环境因素。具体特征指标见表1。
表1.粘结滑移数据库考虑的特征因素
进一步地，依据拉依达准则去除数据异常值。针对数据缺少值，采用线性差值的方式进行补充。
进一步地，为了避免不同特征间量纲的差异性影响，将原始数据进行归一化，在[0,1]范围内采用如下公式：
其中xi表示输入或者输出数据，xmax表示变换特征数据的最大值，xmin表示变换特征数据的最小值。
针对步骤二，如图3所示为随机森林算法原理。进一步地，本发明在树的模型中选择了基于不纯度平均减少量(MDI)的特征重要性度量方法。主要分析步骤如下：
假设有j个特征X1,X2,…,Xj；I棵决策树；C个类别。
那么在第i棵决策树中，节点q的Gini指数为：
式中，GI表示Gini指数；C表示特征节点q处有C个类别；表示节点q中类别c所占的比例。那么每个特征Xj的Gini指数得分(即第j个特征在所有决策树中节点分裂不纯度的平均改变量)计算公式如下。
式中，GIl和GIr分别表示分枝后两个新节点的Gini指数。
如果特征Xj在决策树i中出现的节点为集合Q，那么Xj在第i棵树的重要性为：
如果在整个随机森林中有n棵树，那么Xj在整体中的平均改变量为:
最后，将所有的重要性评分进行归一化处理，得到最终的得分值。
进一步地，针对普通试验环境下的试验数据库，将训练集和验证集分别按照70％和30％的比例进行随机分配。
进一步地，通过网格搜索，最终选择决策树的棵数和深度分别为100和30。将预处理好的数据库带入随机森林算法中，依据重要程度得到排名前3的特征指标依次为：水灰比，混凝土抗压强度，钢筋锚固长度。
进一步地，经过Pearson相关性分析，验证了进行SVR模型预测的可行性。同时，相关性关系的排序与随机森林的重要系数排序大致相同。因而在实际试验及工程中应重点考虑这些指标的情况。Pearson相关性计算公式如下：
式中，cov表示协方差,σ为标准差。
针对步骤三，灰狼算法原理图与支持向量回归原理图分别见图4和图5。图6为本发明提供的灰狼算法优化支持向量回归模型的流程图。
进一步地，将数据集划分训练集和测试集，分别按照80％和20％的比例随机分配。
针对步骤四：进一步地，考虑10折交叉验证可以有效避免过拟合和欠拟合状态的发生。
进一步地，灰狼算法参数设置为：种群规模N＝20；最大迭代次数为100次；c在[0.01,100]之间；g在[0.01,10]之间；
进一步地，利用GWO算法对SVR参数寻优，狼在其中9个子集上搜索最优超参数，并在剩余子集上计算适应度函数RMSE。计算公式如下：
其中:ytest和ypre分别为实际值和预测值；
进一步地，图7为寻找最佳适应度值过程，选取最小适应度值所对应的超参数作为本研究使用的最优超参数。整个种群朝着适应环境的方向发展。
针对步骤五，将最佳超参数代回SVR模型，通过测试集进行验证。
进一步地，采用积分绝对误差(IAE)，均方误差(MSE)，均方根误差(RMSE)，平均绝对误差(MAE)和决定系数(R2)等统计评价指标进一步量化了模型的预测精度。计算公式如下：
其中:ytest和ypre分别为实际值和预测值；为实际值的平均值；n为对应样本的样本容量。
进一步地，图8(a)、图8(b)分别是训练集、测试集的实际值与预测对比结果图。可以看到预测结果与实际值相近。说明该模型的预测效果好，鲁棒性强。
上述所述的五个步骤为本预测方法的实施过程。
同时其他预测模型进行对比。表2包括线性回归(LR)、多层感知机(MLP)以及集成算法(Adaboost和XGBT)。
进一步地，发现集成算法出现了过拟合现象。综合比较发现GWO-SVR模型的预测精度最高，在测试集上的R2值最高(0.9506)，MAE值最低(1.3278MPa)。
表2.不同预测模型结果对比
经过对比，本实施例的预测方法在各种回归预测模型的数据集上提高了粘结强度的预测准确率。首先能够对缺少数据或深故居异常的样本集进行补全，并实现了特征筛选，确定了影响结构粘结强度的主要因素；同时，本实施例提出的GWO-SVR预测模型相比于线性回归和多层感知机的准确率都要高。
本发明采用以上技术方案，利用灰狼算法(GWO)对支持向量回归机(SVR)的超参数进行优化，建立了拟合效果更好的GWO-SVR模型，并通过比较模型预测结果验证了模型的准确性和泛化能力。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和表示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
Claims (7)
1.一种基于GWO-SVR的钢筋混凝土粘结强度预测方法，其特征在于：包括以下步骤：
步骤一：建立包含钢筋混凝土结构粘结强度及影响参数的大型数据库，通过数据预处理剔除异常值并进行归一化处理；
步骤二：利用随机森林算法特征选择出对结构粘结强度影响大的特征，并通过相关性分析验证模型的合理性；
步骤三：将数据集划分训练集和测试集，通过训练集建立粘结强度的支持向量回归模型SVR，初始化SVR的惩罚系数C和核参数g；
步骤四：建立GWO-SVR模型，设置灰狼算法GWO的初始参数，根据灰狼猎食特征对SVR参数进行寻优，得到最优的参数C和g；
步骤五：使用最优的参数C和g训练SVR，通过测试集验证模型的准确性和泛化能力；最终输入实际结构数据进行GWO-SVR预测极限粘结强度。
2.根据权利要求1所述的一种基于GWO-SVR的钢筋混凝土粘结强度预测方法，其特征在于：步骤一中，数据预处理的方法为：依据拉依达准则去除数据异常值；针对数据缺少值，采用线性差值的方式进行补充。
3.根据权利要求1所述的一种基于GWO-SVR的钢筋混凝土粘结强度预测方法，其特征在于：步骤一中，归一化处理的方法为：
在[0,1]范围内采用如下公式：
其中xi表示输入或者输出数据，xmax表示变换特征数据的最大值，xmin表示变换特征数据的最小值。
4.根据权利要求1所述的一种基于GWO-SVR的钢筋混凝土粘结强度预测方法，其特征在于：相关性分析为Pearson相关性分析，计算公式如下：
式中，cov表示协方差,σ为标准差，X、Y为变量。
5.根据权利要求1所述的一种基于GWO-SVR的钢筋混凝土粘结强度预测方法，其特征在于：步骤三中，在训练集应用于训练时，考虑10折交叉验证。
6.根据权利要求1所述的一种基于GWO-SVR的钢筋混凝土粘结强度预测方法，其特征在于：步骤四中，将预测值和真实值的均方根误差RMSE定义为适应度并作为目标函数，并通过灰狼算法找到最佳适应度值，其计算方法如下：
其中，n为训练样本个数；ytest和ypre分别为实际值和预测值。
7.根据权利要求1所述的一种基于GWO-SVR的钢筋混凝土粘结强度预测方法，其特征在于：步骤五中，通过积分绝对误差IAE，均方误差MSE，均方根误差RMSE，平均绝对误差MAE和决定系数R2进一步量化模型的预测精度，通过测试集验证模型的精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311242858.4A CN117236182A (zh) | 2023-09-26 | 2023-09-26 | 一种基于gwo-svr的钢筋混凝土粘结强度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311242858.4A CN117236182A (zh) | 2023-09-26 | 2023-09-26 | 一种基于gwo-svr的钢筋混凝土粘结强度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117236182A true CN117236182A (zh) | 2023-12-15 |
Family
ID=89090821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311242858.4A Pending CN117236182A (zh) | 2023-09-26 | 2023-09-26 | 一种基于gwo-svr的钢筋混凝土粘结强度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236182A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763701A (zh) * | 2024-02-22 | 2024-03-26 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
-
2023
- 2023-09-26 CN CN202311242858.4A patent/CN117236182A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763701A (zh) * | 2024-02-22 | 2024-03-26 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
| CN117763701B (zh) * | 2024-02-22 | 2024-05-07 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651020B (zh) | 一种基于大数据简约的短期电力负荷预测方法 | |
| CN107451101B (zh) | 一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
| CN111680446B (zh) | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 | |
| Anastasakis et al. | The development of self-organization techniques in modelling: a review of the group method of data handling (GMDH) | |
| Valenzuela et al. | Hybridization of intelligent techniques and ARIMA models for time series prediction | |
| Cao et al. | Self-adaptive evolutionary extreme learning machine | |
| CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
| CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
| Panoutsos et al. | A neural-fuzzy modelling framework based on granular computing: Concepts and applications | |
| CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
| CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
| CN117236182A (zh) | 一种基于gwo-svr的钢筋混凝土粘结强度预测方法 | |
| CN110633846A (zh) | 燃气负荷预测方法和装置 | |
| CN111738477A (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
| CN112289391A (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
| CN111932024A (zh) | 一种能源负荷预测方法、装置、计算机设备及存储介质 | |
| CN113052271A (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| Przymus et al. | Improving multivariate time series forecasting with random walks with restarts on causality graphs | |
| CN115169740A (zh) | 基于压缩感知的池化回声状态网络的序列预测方法及系统 | |
| CN112015854B (zh) | 一种基于自组织映射神经网络的异构数据属性关联方法 | |
| CN115954050A (zh) | 基于蛋白质工程的集成序列与结构特征的深度学习模型及预测方法 | |
| CN114529040A (zh) | 一种机电产品装配误差在线预测方法 | |
| CN111310127B (zh) | 基于食品制品品质范围获取原料品质范围的方法及装置 | |
| CN107220483B (zh) | 一种土体温度模式预测方法 | |
| CN111382391A (zh) | 一种用于多目标回归的目标相关特征构建方法 |
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 |