CN117633994A - 一种基于大数据的混凝土外观性能预测与优化方法 - Google Patents
一种基于大数据的混凝土外观性能预测与优化方法 Download PDFInfo
- Publication number
- CN117633994A CN117633994A CN202311708058.7A CN202311708058A CN117633994A CN 117633994 A CN117633994 A CN 117633994A CN 202311708058 A CN202311708058 A CN 202311708058A CN 117633994 A CN117633994 A CN 117633994A
- Authority
- CN
- China
- Prior art keywords
- concrete
- color difference
- appearance performance
- appearance
- grade
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000004075 alteration Effects 0.000 claims abstract description 15
- 239000000203 mixture Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 239000004568 cement Substances 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000010881 fly ash Substances 0.000 claims description 9
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 8
- 239000011707 mineral Substances 0.000 claims description 8
- 239000000843 powder Substances 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 6
- 230000004048 modification Effects 0.000 abstract description 4
- 238000012986 modification Methods 0.000 abstract description 4
- 230000008439 repair process Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000013138 pruning Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- -1 proportions Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的混凝土外观性能预测与优化方法,包括以下步骤:S1、统计历史工程项目的混凝土配合比数据,建立混凝土综合信息数据库;S2、基于混凝土综合信息数据库中的混凝土外观性能,建立混凝土表观色差等级表;S3、采用多元自适应回归样条算法对影响混凝土外观性能的因素进行机器学习训练,建立色差等级与影响因素的映射模型;S4、根据拟采用的混凝土配比信息和映射模型,预测混凝土色差等级;S5、将预测的混凝土色差等级与色差等级表进行对比,对影响因素进行调整,得到外观性能符合工程验收要求的混凝土配合比。本发明对混凝土外观色差进行预测和优化,可减少后期因为外观色差不满足设计要求的修饰修补问题,节约成本。
Description
技术领域
本发明涉及工程建设技术领域。更具体地说,本发明涉及一种基于大数据的混凝土外观性能预测与优化方法。
背景技术
工程建筑施工过程中,对于有外观要求的建筑物、构筑物,在混凝土浇筑完成之后,还需要根据混凝土外观质量验收标准在混凝土表面补刷一层调色漆,对混凝土的外观色差进行修饰,以满足验收要求,但这样容易造成施工成本的增加。
发明内容
本发明还有一个目的是提供一种基于大数据的混凝土外观性能预测与优化方法,其可减少建筑物、构筑物混凝土因为外观色差不满足设计要求的修饰修补问题,为减少工程的使用增值。
为了实现根据本发明的这些目的和其它优点,提供了一种基于大数据的混凝土外观性能预测与优化方法,包括以下步骤:
S1、统计历史工程项目的混凝土配合比数据,建立混凝土综合信息数据库;
S2、基于混凝土综合信息数据库中的混凝土外观性能,建立混凝土表观色差等级表;
S3、采用多元自适应回归样条算法对影响混凝土外观性能的因素进行机器学习训练,建立色差等级与影响因素的映射模型;
S4、根据拟采用的混凝土配比信息和映射模型,预测混凝土色差等级;
S5、将预测的混凝土色差等级与色差等级表进行对比,对影响因素进行调整,得到外观性能符合工程验收要求的混凝土配合比。
优选的是,所述步骤S1中的混凝土综合信息数据库包括不同强度等级、不同工作性能、不同应用领域、不同外观性能的混凝土配合比数据;所述步骤S3中的影响因素包括粉煤灰掺量、矿粉掺量、水胶比、胶凝材料总量。
优选的是,所述步骤S2具体包括:
S21、选取混凝土综合信息数据库中多组混凝土配合比数据,获取多组混凝土配合比数据对应的混凝土外观性能检测的图像数据,并对混凝土表面RGB图像进行灰度转换和标准差计算;
S22、获取多组混凝土配合比数据制备的混凝土样品,采用人工色差分析方法对多组混凝土样品的外观性能进行评价,并对比步骤S21中计算得到的标准差,建立混凝土表观色差等级评价表。
优选的是,所述混凝土表观色差等级评价表为:标准差0-5为无色差、5-10为轻度色差、10-15为中度色差、>15为明显色差。
优选的是,所述映射模型的表达式
CA=0.13+0.176×B1(x)-0.118×B2(x)+0.12×B3(x)+0.078×B4(x);
其中,B1(x)为粉煤灰掺量百分比,B2(x)为矿粉掺量百分比,B3(x)为水胶比,B4(x)为胶凝材料总量。
本发明至少包括以下有益效果:本发明采用多元自适应回归样条算法对已统计的大量实际工程用混凝土外观性能数据进行机器学习训练,建立配合比中影响因素与色差等级的映射模型,实现对混凝土外观色差的精准预测,对于有较高外观品质的混凝土工程,采用该方法在混凝土施工前进行外观色差的预测和优化,有利于减少后期因为外观色差不满足设计要求的修饰修补问题,为减少工程的使用增值。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明基于大数据的混凝土外观性能预测与优化方法的流程示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是,在本发明的描述中,术语“横向”、“纵向”、“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,并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。
如图1所示,本发明提供一种基于大数据的混凝土外观性能预测与优化方法,其特征在于,包括以下步骤:
S1、统计历史工程项目的混凝土配合比数据,建立混凝土综合信息数据库;
统计大量实际工程项目上不同强度等级、不同工作性能、不同应用领域、不同外观性能的混凝土配合比数据,利用大数据算法建立原材料、配比、混凝土强度性能、混凝土工作性能、混凝土构件外观性能的混凝土综合信息数据库;本发明统计了100组工程混凝土实际配合比数据,如表1所示:
表1混凝土配合比数据库
S2、基于混凝土综合信息数据库中的混凝土外观性能,建立混凝土表观色差等级表,具体包括以下步骤:
S21、将每组配合比对应的标准差定义为Pi(i=1,2,3,…100),选取表1中20组混凝土配比数据,获取对应的混凝土表观质量检测图像数据,对混凝土表面RGB图像进行灰度转换和标准差计算,计算公式如下,计算结果如表2所示:
Gray=R*0.299+G*0.587+B*0.114;
式中:P为图像灰度等级标准差;M为图像总行数,N为图像总列数;Gray(i,j)为各像素点灰度等级;
表2混凝土表面灰度标准差数据
图像编号 | 灰度标准差P值 | 图像编号 | 灰度标准差P值 |
1 | 4.9 | a1 | 21.3 |
2 | 3.8 | a2 | 19.2 |
3 | 4.8 | a3 | 18.6 |
4 | 5.7 | a4 | 21.5 |
5 | 4.8 | a5 | 22.2 |
6 | 5.0 | a6 | 20.3 |
7 | 5.1 | a7 | 19.6 |
8 | 4.6 | a8 | 18.8 |
9 | 5.2 | a9 | 22.1 |
10 | 4.5 | a10 | 19.2 |
S22、采集选取的20组混凝土配合比制备的混凝土样品进行人工色差分析,对20组混凝土样品的外观性能进行评价,并将评价的结果与表2的数据进行对比,根据对比分析得到:无明显视觉色差混凝土表面灰度标准差P值的计算平均值取值范围在5以下,有轻度视觉色差混凝土表面灰度标准差P值的计算平均值取值范围在5-10之间,有中度视觉色差混凝土表面灰度标准差P值的计算平均值取值范围在10-15之间,有明显视觉色差混凝土表面灰度标准差P值的计算平均值取值范围在15以上,因此,色差等级评价表的分级标准如表3所示:
表3色差等级评价表
色差等级 | 无色差S0 | 轻度色差S1 | 中度色差S2 | 明显色差S3 |
P值 | 5 | 10 | 15 | >15 |
S3、采用多元自适应回归样条算法对影响混凝土外观性能的因素进行机器学习训练,建立色差等级与影响因素的映射模型;
具体地:多元自适应回归样条算法模型进行混凝土外观性能预测的一般表达式如下:
式中f(x)是期望求解的混凝土外观性能值,β0和βm是计算出的参数,用于拟合最优数据,m是模型中基函数的数量。
在多元自适应回归样条算法模型中,基函数可以是单个单变量样条函数,也可以是对应各种预测输入值的多个样条函数的组合。模型中的输入变量,即样条基函数值,λm(x)可以表示为:
式中:tkm为节点位置;Skm表示相应阶跃函数的左右区域,取1或-1;V(k,m)表示预测变量的标签;km为节点数。多元自适应回归样条算法模型采用覆盖整个搜索域的分步方法生成基函数。采用多元自适应回归方法来确定节点的位置。采用两阶段前向和后向技术创建最优多元自适应回归样条算法模型。
在多元自适应回归样条算法,需要调整"度"和"剪枝"两个参数。"度"参数表示最大程度的相互作用,而"剪枝"参数表示允许的最多项。"度"参数默认设置为1,表明多元自适应回归样条算法模型是在不考虑交互项的情况下建立的。本发明采用的degree"度"值分别为3、2、1。对于"剪枝"这个参数,其取值应小于'nk'且大于等于2,其中'nk'为'剪枝前(nk=min(200,max(20,2*ncol(x)))+1的最大模型项数,ncol(x)为输入变量的数量。本发明一共有4个输入变量(煤灰掺量、矿粉掺量、水胶比、胶凝材料总量),nprune"剪枝"的最大可能值为20(nprune=2,3,...,20)。经过模型调整获取最优超参数为degree=2,nprune=13;
获取最优超参数(degree=2,nprune=15)后,使用完整的训练数据集对模型进行训练,并用测试集数据来评估最终的模型的色差特性;
基于多元自适应回归样条算法建立的混凝土色差等级与粉煤灰掺量、矿粉掺量、水胶比、胶凝材料总量的映射模型的映射方程:
CA=0.13+0.176×B1(x)-0.118×B2(x)+0.12×B3(x)+0.078×B4(x);
式中:B1(x)为粉煤灰掺量百分比,B2(x)为矿粉掺量百分比,B3(x)为水胶比,B4(x)为胶凝材料总量;
S4、根据拟采用的混凝土配比信息和映射模型,预测混凝土色差等级;
在训练好的映射模型中输入项目上拟采用的混凝土配比信息,该映射模型即可输出该配比混凝土的色差等级;
S5、将预测的混凝土色差等级与色差等级表进行对比,对影响因素进行调整,得到外观性能符合工程验收要求的混凝土配合比。
实施例1
采用本发明建立的映射模型对以下混凝土配比进行外观性能预测及优化,混凝土配比信息如表4所示:
表4拟预测混凝土外观性能的混凝土配合比信息
计算得到粉煤灰掺量占比24.7%,矿粉掺量占比17.58%,水胶比为0.38,胶材总量为364,代入CA(Color Aberration)值的映射方程中,求解得到该配合比混凝土色差预测值为6.05,和色差等级评价表对比,该配合比混凝土色差等级为轻度色差S1,由于设计要求为无色差,因此需要调整配比,采用降低粉煤灰掺量和调高矿粉掺量的方式对混凝土配比进行调整,调整后混凝土配比如表5所示:
表5混凝土配合比信息
计算得到粉煤灰掺量占比15%,矿粉掺量占比32.69%,水胶比为0.38,胶材总量为364,代入CA(Color Aberration)值的映射方程中,求解得到该配合比混凝土色差预测值为2.09,和色差等级评价表对比,该配合比混凝土色差等级为无色差S0,满足设计要求。由此可见,采用该方法在混凝土施工前进行外观色差的预测和优化,可使混凝土外观达到设计要求,避免后期因为外观色差不满足设计要求的修饰修补问题,节约施工成本。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (5)
1.一种基于大数据的混凝土外观性能预测与优化方法,其特征在于,包括以下步骤:
S1、统计历史工程项目的混凝土配合比数据,建立混凝土综合信息数据库;
S2、基于混凝土综合信息数据库中的混凝土外观性能,建立混凝土表观色差等级表;
S3、采用多元自适应回归样条算法对影响混凝土外观性能的因素进行机器学习训练,建立色差等级与影响因素的映射模型;
S4、根据拟采用的混凝土配比信息和映射模型,预测混凝土色差等级;
S5、将预测的混凝土色差等级与色差等级表进行对比,对影响因素进行调整,得到外观性能符合工程验收要求的混凝土配合比。
2.如权利要求1所述的基于大数据的混凝土外观性能预测与优化方法,其特征在于,所述步骤S1中的混凝土综合信息数据库包括不同强度等级、不同工作性能、不同应用领域、不同外观性能的混凝土配合比数据;所述步骤S3中的影响因素包括粉煤灰掺量、矿粉掺量、水胶比、胶凝材料总量。
3.如权利要求1所述的基于大数据的混凝土外观性能预测与优化方法,其特征在于,所述步骤S2具体包括:
S21、选取混凝土综合信息数据库中多组混凝土配合比数据,获取多组混凝土配合比数据对应的混凝土外观性能检测的图像数据,并对混凝土表面RGB图像进行灰度转换和标准差计算;
S22、获取多组混凝土配合比数据制备的混凝土样品,采用人工色差分析方法对多组混凝土样品的外观性能进行评价,并对比步骤S21中计算得到的标准差,建立混凝土表观色差等级评价表。
4.如权利要求3所述的基于大数据的混凝土外观性能预测与优化方法,其特征在于,所述混凝土表观色差等级评价表为:标准差0-5为无色差、5-10为轻度色差、10-15为中度色差、>15为明显色差。
5.如权利要求2所述的基于大数据的混凝土外观性能预测与优化方法,其特征在于,所述映射模型的表达式CA=0.13+0.176×B1(x)-0.118×B2(x)+0.12×B3(x)+0.078×B4(x);
其中,B1(x)为粉煤灰掺量百分比,B2(x)为矿粉掺量百分比,B3(x)为水胶比,B4(x)为胶凝材料总量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311708058.7A CN117633994B (zh) | 2023-12-13 | 2023-12-13 | 一种基于大数据的混凝土外观性能预测与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311708058.7A CN117633994B (zh) | 2023-12-13 | 2023-12-13 | 一种基于大数据的混凝土外观性能预测与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117633994A true CN117633994A (zh) | 2024-03-01 |
CN117633994B CN117633994B (zh) | 2024-06-21 |
Family
ID=90033916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311708058.7A Active CN117633994B (zh) | 2023-12-13 | 2023-12-13 | 一种基于大数据的混凝土外观性能预测与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633994B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017087716A (ja) * | 2015-09-30 | 2017-05-25 | 太平洋セメント株式会社 | コンクリートの品質またはコンクリートの配合条件の予測方法 |
CN110847593A (zh) * | 2019-11-14 | 2020-02-28 | 南通大学 | 一种基于bim技术的渐变曲面清水混凝土墙体的施工工艺 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN111986737A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于rf-nsga-ii耐久性混凝土配合比优化方法 |
US20210035036A1 (en) * | 2019-08-01 | 2021-02-04 | Gcp Applied Technologies Inc. | Coordinating Concrete Delivery and Placement |
CN112582033A (zh) * | 2020-12-14 | 2021-03-30 | 中交第二航务工程局有限公司 | 一种基于大数据的混凝土原材料及配合比推荐方法 |
CN113378400A (zh) * | 2021-06-25 | 2021-09-10 | 浙江交工集团股份有限公司 | 一种水泥混凝土配合比设计方法及系统 |
-
2023
- 2023-12-13 CN CN202311708058.7A patent/CN117633994B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017087716A (ja) * | 2015-09-30 | 2017-05-25 | 太平洋セメント株式会社 | コンクリートの品質またはコンクリートの配合条件の予測方法 |
US20210035036A1 (en) * | 2019-08-01 | 2021-02-04 | Gcp Applied Technologies Inc. | Coordinating Concrete Delivery and Placement |
CN110847593A (zh) * | 2019-11-14 | 2020-02-28 | 南通大学 | 一种基于bim技术的渐变曲面清水混凝土墙体的施工工艺 |
CN111986737A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于rf-nsga-ii耐久性混凝土配合比优化方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN112582033A (zh) * | 2020-12-14 | 2021-03-30 | 中交第二航务工程局有限公司 | 一种基于大数据的混凝土原材料及配合比推荐方法 |
CN113378400A (zh) * | 2021-06-25 | 2021-09-10 | 浙江交工集团股份有限公司 | 一种水泥混凝土配合比设计方法及系统 |
Non-Patent Citations (2)
Title |
---|
姜涛;赵景锋;李明明;裘泳;黄孝;徐亦冬;: "再生骨料自密实清水混凝土配合比优化及表观性能试验研究", 硅酸盐通报, no. 08, 15 August 2020 (2020-08-15), pages 226 - 231 * |
屠海峰: "基于数字图像分析法的机制砂清水混凝土外观质量评价", 《铁道建筑》, 30 June 2023 (2023-06-30), pages 140 - 144 * |
Also Published As
Publication number | Publication date |
---|---|
CN117633994B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792982A (zh) | 基于组合赋权与模糊灰色聚类的科技服务质量评估方法和装置 | |
CN109765788B (zh) | 一种多目标原油调合在线优化方法 | |
CN109243523B (zh) | 一种基于乳腺癌疾病的调控网络构建及分析方法 | |
CN114388069A (zh) | 一种多性能控制的混凝土配合比优化方法 | |
JPWO2020152993A1 (ja) | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 | |
CN112860407A (zh) | 一种云边协作的序列依赖流水车间任务调度执行优化方法 | |
CN107464017A (zh) | 基于带时间差分贝叶斯网络的自适应软测量预测方法 | |
CN112819322A (zh) | 基于改进模糊层次分析法的输电线路路径方案评估方法 | |
CN117633994B (zh) | 一种基于大数据的混凝土外观性能预测与优化方法 | |
CN116595758A (zh) | 一种机器人研发应用的参数化设计系统及方法 | |
CN109994160B (zh) | 一种原油调合的调合效应参数的计算方法 | |
CN110852808A (zh) | 基于深度神经网络的电子产品异步自适应价值评估方法 | |
CN106022496A (zh) | 原料烧结的配料优化方法和系统 | |
LU501336B1 (en) | Method for predicting acrylamide in fried dough based on an optimized bp neural network | |
CN110837967A (zh) | 一种建筑施工模板系统的多属性评价方法 | |
CN112818254B (zh) | 基于中智逻辑协同过滤的农民工个性化就业推荐方法及系统 | |
JP2003058579A (ja) | 設計・配合の最適化方法 | |
CN111582567B (zh) | 一种基于递阶集成的风电功率概率预测方法 | |
CN110766343A (zh) | 一种基于信息化管控数据合格率及稳定性的沥青路面施工质量评价方法 | |
CN110728467A (zh) | 一种水资源与国民经济匹配能力评价方法 | |
CN112488438A (zh) | 一种结合信用信息的工业企业综合效益评价方法及系统 | |
CN115099715B (zh) | 一种基于大数据的国土空间规划三线划定的分析处理系统 | |
CN111191929A (zh) | 一种水利摄影创作基地评价方法 | |
CN117634705A (zh) | 一种基于大数据的新拌混凝土工作性能预测方法 | |
Malen et al. | Engineering for the customer: combining preference and physical system models. Part I—theory |
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 |