CN117763701B - 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 - Google Patents
一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 Download PDFInfo
- Publication number
- CN117763701B CN117763701B CN202410194415.0A CN202410194415A CN117763701B CN 117763701 B CN117763701 B CN 117763701B CN 202410194415 A CN202410194415 A CN 202410194415A CN 117763701 B CN117763701 B CN 117763701B
- Authority
- CN
- China
- Prior art keywords
- concrete
- steel
- strength
- transition surface
- prediction 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.)
- Active
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 176
- 230000007704 transition Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 55
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 39
- 239000010959 steel Substances 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 41
- 239000000203 mixture Substances 0.000 claims abstract description 15
- 239000011150 reinforced concrete Substances 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 17
- 108090000623 proteins and genes Proteins 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000010187 selection method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005266 casting Methods 0.000 abstract description 2
- 239000000470 constituent Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000000126 substance Substances 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
本发明涉及桥梁建筑分析技术领域,具体涉及一种钢拱桥钢混连接过渡面的强度预测方法及相关产品,制备多个混凝土样本构建第一训练样本集,获得训练后的混凝土强度预测模型;制备多个钢混连接过渡面样本构建第二训练样本集;获得训练后的钢混强度预测模型;将待预测的混凝土组成成分数据输入至混凝土强度预测模型,获得预测的混凝土强度;将待预测的浇筑过程参数、钢筋强度以及预测的混凝土强度输入至钢混强度预测模型,获得预测的钢混连接过渡面强度;本发明首先构建基于混凝土样本的混凝土强度预测模型,然后以钢混连接过渡面样本为基础,构建钢混强度预测模型,并通过各自的训练样本集进行精确训练,最终实现了钢混连接连接过渡面的强度预测。
Description
技术领域
本发明涉及桥梁建筑分析技术领域,具体涉及一种钢拱桥钢混连接过渡面的强度预测方法及相关产品。
背景技术
在现代桥梁工程建设中,钢拱桥由于其良好的力学性能、美观的外观以及适应性强等优点,被广泛应用。钢拱桥中的钢混连接过渡面是桥梁结构中的关键部分,其强度和稳定性直接关系到桥梁的安全与耐久性。然而,钢混连接过渡面的强度受多种因素影响,如混凝土的组成成分、浇筑过程参数、钢筋的强度等。传统的强度预测方法往往依赖于经验公式或有限的实验数据,这限制了预测的准确性和适用范围。
发明内容
本发明为了解决上述技术问题,目的在于提供一种钢拱桥钢混连接过渡面的强度预测方法及相关产品,实现了利用先进的数据分析技术,结合混凝土和钢筋的物理特性,预测钢拱桥在不同条件下的强度表现,从而在钢结构和混凝土工程领域发挥重要作用。
本发明通过下述技术方案实现:
一种钢拱桥钢混连接过渡面的强度预测方法,包括:
制备多个混凝土样本,并获取混凝土样本的组成成分数据和混凝土强度,构建第一训练样本集;
构建基于遗传算法和BP神经网络的混凝土强度预测模型,并通过第一训练样本集对混凝土强度预测模型进行训练;
获得训练后的混凝土强度预测模型;
制备多个钢混连接过渡面样本,并获取制备过程中的浇筑过程参数、钢筋强度、混凝土强度和钢混连接过渡面强度,构建第二训练样本集;
构建基于梯度提升决策树算法的钢混强度预测模型,并通过第二训练样本集对钢混强度预测模型进行训练;
获得训练后的钢混强度预测模型;
将待预测的钢混连接过渡面的混凝土组成成分数据输入至混凝土强度预测模型,获得预测的混凝土强度;
将待预测的钢混连接过渡面的浇筑过程参数、钢筋强度以及预测的混凝土强度输入至钢混强度预测模型,获得预测的钢混连接过渡面强度。
具体地,构建第一训练样本集时,将组成成分数据作为输入数据,将混凝土强度作为输出数据;
构建第二训练样本集时,将浇筑过程参数、钢筋强度和混凝土强度作为输入数据,将钢混连接过渡面强度作为输出数据。
具体地,获得训练后的混凝土强度预测模型的方法包括:
建立神经模型,其中,/>为激活函数,/>为控制/>作用的偏置系数/>的输入加权和,/>,/>为第/>个组成成分,/>为组成成分数据的数量,为/>的权值;
确定BP神经网络的拓扑结构,包括输入层、隐藏层和输出层;并初始化BP神经网络的阈值与权值;
随机生成遗传算法的初始种群,种群中的每个个体代表BP神经网络的一组阈值和权值;
使用种群中每个个体表示的权值和阈值在BP神经网络中向前传播,并计算预测输出值;并计算获得网络训练误差;
将BP神经网络的网络训练误差作为适应度,建立第个个体适应度函数,,其中,/>为适应度系数,/>为目标输出值,/>为预测输出值;
利用轮盘赌选择法从种群中选择两个个体,并按照设定交叉概率进行交叉;
利用随机选择法从种群中选择一个个体,并按照设定变异概率变异;
计算新生成的个体的适应度,并判断是否满足终止条件,若不满足责重新进行交叉和变异;若满足获取最优的权值与阈值,获得混凝土强度预测模型。
可选地,交叉算法为:,其中,/>和/>为参与交叉的基因位点的值,/>为父代基因对子代基因的贡献系数;
变异算法为:,/>,其中,/>为0~1之间的随机数,/>为当前迭代,/>为最大进化代数,/>为变异基因位点的值,/>和/>为基因值的最大可能值和最小可能值,/>为当前代数的变异强度。
具体地,终止条件包括迭代次数达到最大迭代次数、误差达到预定阈值或适应度的改变值小于设定值三者中的一个。
具体地,获得训练后的钢混强度预测模型的方法包括:
初始化基学习器,其中,/>为损失函数,/>为损失函数最小化常数,/>为输入特征集,/>为样本总数,/>为第/>个样本的真实值;
建立CART回归树,利用梯度提升方法拟合残差,获得第个样本第/>次迭代的残差估计值/>,其中,/>为迭代次数,/>为第/>次迭代后的模型的预测值;
利用CART回归树进行拟合,得到第棵树的叶节点区域/>;
确定使对应叶节点区域的平方损失函数最小化的最佳拟合值,/>为针对叶节点区域/>的调整值,/>为第/>次迭代中CART树的叶节点区域/>的样本点;
更新第次迭代后的模型的学习器/>,其中,/>为学习率,/>为第/>次迭代中CART树的输出,/>;/>为指示函数,当样本/>在叶节点区域/>时为1,否则为0;
重复次迭代,获得最终的强学习器/>;
获得钢混强度预测模型。
进一步,在获得训练后的混凝土强度预测模型和钢混强度预测模型后,通过测试集对模型进行评价,计算模型的相关系数,其中,/>为实际值,/>为预测值,/>为实际平均值,/>为测试集样本数;
若相关系数小于设定值,则修正混凝土强度预测模型/钢混强度预测模型的超参数后,对模型重新进行训练。
一种钢拱桥钢混连接过渡面的强度预测终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的钢拱桥钢混连接过渡面的强度预测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的钢拱桥钢混连接过渡面的强度预测方法。
一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上所述的钢拱桥钢混连接过渡面的强度预测方法。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过集成遗传算法和BP神经网络以及梯度提升决策树算法,实现对混凝土和钢混连接过渡面的强度进行预测,首先构建基于混凝土样本的混凝土强度预测模型,然后以钢混连接过渡面样本为基础,构建钢混强度预测模型,并通过各自的训练样本集进行精确训练,最终实现了钢混连接连接过渡面的强度预测;
本发明结合遗传算法和BP神经网络,以及梯度提升决策树算法的应用,使得预测模型能更准确地模拟和分析钢混连接过渡面的强度行为,能够有效处理复杂的数据特征,提供比传统方法更精确的预测结果。
本发明方法适用于各种不同类型和规模的钢拱桥项目。通过调整模型参数,可以灵活应对各种不同的工程需求和环境条件,提高了其普遍适用性。
附图说明
附图示出了本发明的示例性实施方式,并与其说明一起用于解释本发明的原理,其中包括了这些附图以提供对本发明的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分,并不构成对本发明实施例的限定。
图1是根据本发明所述的一种钢拱桥钢混连接过渡面的强度预测方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分。
在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
实施例一
如图1所示,提供一种钢拱桥钢混连接过渡面的强度预测方法,包括:
制备多个混凝土样本,并获取混凝土样本的组成成分数据和混凝土强度,构建第一训练样本集;收集混凝土样本的组成成分数据和混凝土强度信息,为混凝土强度预测模型的训练提供基础数据。在实际中通过实验室测试或现场采集获得混凝土样本,记录其组成成分(如水泥、砂、石、水、添加剂等比例)和通过标准试验得到的混凝土强度数据。
构建基于遗传算法和BP神经网络的混凝土强度预测模型,并通过第一训练样本集对混凝土强度预测模型进行训练;获得训练后的混凝土强度预测模型;遗传算法用于优化BP神经网络的初始权值和阈值,BP神经网络则负责模拟混凝土强度与其组成成分之间的非线性关系,选择合适的网络结构和参数,确保模型可以捕捉到混凝土强度与组成成分之间的复杂关系。
制备多个钢混连接过渡面样本,并获取制备过程中的浇筑过程参数、钢筋强度、混凝土强度和钢混连接过渡面强度,构建第二训练样本集;制备包括不同浇筑过程参数、钢筋强度和混凝土强度的钢混连接过渡面样本,并记录其强度特性,获取钢混连接过渡面的强度及相关参数,为钢混强度预测模型的训练提供必要数据。
构建基于梯度提升决策树算法的钢混强度预测模型,并通过第二训练样本集对钢混强度预测模型进行训练;获得训练后的钢混强度预测模型;梯度提升决策树是一种高效的机器学习算法,通过迭代方式优化决策树的集成,以减少预测误差,选择合适的迭代次数和树的深度,平衡模型的预测准确性和计算效率,建立能够准确预测钢混连接过渡面强度的高效模型。
将待预测的钢混连接过渡面的混凝土组成成分数据输入至混凝土强度预测模型,获得预测的混凝土强度;
将待预测的钢混连接过渡面的浇筑过程参数、钢筋强度以及预测的混凝土强度输入至钢混强度预测模型,获得预测的钢混连接过渡面强度。
首先利用混凝土强度预测模型预测混凝土强度,然后将此强度值连同钢混连接过渡面的其他参数输入至钢混强度预测模型,获得最终的强度预测。
另外,在获得训练后的混凝土强度预测模型和钢混强度预测模型后,通过测试集对模型进行评价,计算模型的相关系数,其中,/>为实际值,/>为预测值,/>为实际平均值,/>为测试集样本数;
若相关系数小于设定值,则修正混凝土强度预测模型/钢混强度预测模型的超参数后,对模型重新进行训练。
为有效评价优化后的模型预测性能,引入相关系数,当相关系数越接近1,则表明模型预测越准确。在实际中设定一个阈值,例如0.95、0.9、0.85等,若相关系数小于设定值,则证明模型准确度不够,需要进行重新训练。
实施例二
单独预测混凝土强度在钢拱桥钢混连接过渡面强度预测方法中是一个关键步骤。其原因是,混凝土强度是决定钢混连接过渡面强度的重要因素,钢混连接过渡面的整体强度不仅受到钢材本身特性的影响,还在很大程度上取决于混凝土的强度。因此,准确预测混凝土的强度对于评估整个连接过渡面的强度至关重要。
同时,混凝土的强度受多种因素影响,包括其组成成分、制备工艺、固化条件等。这些因素的复杂性和变异性要求对混凝土强度进行单独且精确的预测分析,以确保钢混连接过渡面强度预测的准确性和可靠性。
在本实施例中通过单独预测混凝土强度,可以为混凝土的配方设计和施工过程提供指导,预测混凝土强度不仅有助于直接评估混凝土本身的质量,还为钢混连接过渡面强度的整体预测提供了基础数据支持。
获得训练后的混凝土强度预测模型的方法包括:
构建第一训练样本集时,将组成成分数据作为输入数据,将混凝土强度作为输出数据;收集和整理混凝土的组成成分数据及其对应的强度值,作为训练神经网络模型的基础数据,混凝土的各种组成成分(如水泥、砂、石子、水和其他添加剂的比例等)作为输入数据(特征变量),而相应的混凝土强度作为输出数据(目标变量)。
通过构建神经网络模型,学习混凝土的组成成分与其强度之间的复杂关系,即建立代表预测的混凝土强度的神经模型,其中,/>为激活函数,用于引入非线性,使模型能够捕捉复杂的数据关系。/>为控制/>作用的偏置系数/>的输入加权和,,/>为第/>个组成成分,/>为组成成分数据的数量,/>为/>的权值;
确定BP神经网络的拓扑结构,包括输入层、隐藏层和输出层;并初始化BP神经网络的阈值与权值;BP神经网络是一种反向传播的多层前馈网络,通过调整网络参数(权值和阈值)来最小化预测误差。网络的拓扑结构决定了其学习能力和复杂度。
随机生成遗传算法的初始种群,种群中的每个个体代表BP神经网络的一组阈值和权值;遗传算法是一种基于自然选择和遗传学原理的优化算法。在这一步骤中,随机生成的初始种群代表不同的网络参数(权值和阈值)。通过模拟自然选择过程(例如选择、交叉和变异),逐渐优化这些参数,以降低预测误差。即使用遗传算法来优化BP神经网络的初始参数,提高模型训练的效率和准确性。
使用种群中每个个体表示的权值和阈值在BP神经网络中向前传播,并计算预测输出值;并计算获得网络训练误差;
将BP神经网络的网络训练误差作为适应度,建立第个个体适应度函数,,其中,/>为适应度系数,/>为目标输出值,/>为预测输出值;
利用轮盘赌选择法从种群中选择两个个体,并按照设定交叉概率进行交叉;交叉算法为:,其中,/>和/>为参与交叉的基因位点的值,/>为父代基因对子代基因的贡献系数。轮盘赌选择法是一种概率选择方法,每个个体被选中的概率与其适应度成正比。适应度越高的个体被选中的概率也越大,有助于保留较优秀的特征。交叉算法按照设定的交叉概率选取两个个体的某些基因位点的值进行组合,产生新的个体。通过交叉操作产生新个体,以探索解空间,增强种群的多样性。合理设定交叉概率和基因位点,以确保有效的遗传信息交换。
利用随机选择法从种群中选择一个个体,并按照设定变异概率变异;变异算法为:,/>,其中,/>为0~1之间的随机数,/>为当前迭代,/>为最大进化代数,/>为变异基因位点的值,/>和为基因值的最大可能值和最小可能值,/>为当前代数的变异强度。变异算法按照设定的变异概率随机改变某个个体的基因位点的值,通过变异操作引入新的遗传信息,增加种群的遗传多样性。适当设置变异概率和变异强度,以避免过度变异导致解的质量下降。
计算新生成的个体的适应度,并判断是否满足终止条件,若不满足责重新进行交叉和变异;若满足获取最优的权值与阈值,获得混凝土强度预测模型。终止条件包括迭代次数达到最大迭代次数、误差达到预定阈值或适应度的改变值小于设定值三者中的一个。评估新个体的性能,并根据终止条件决定是否结束算法运行。
实施例三
获得训练后的钢混强度预测模型的方法包括:
构建第二训练样本集时,将浇筑过程参数、钢筋强度和混凝土强度作为输入数据,将钢混连接过渡面强度作为输出数据;收集和整理影响钢混连接过渡面强度的相关参数,作为训练梯度提升决策树模型的基础数据。涉及钢混连接过渡面的浇筑过程参数、钢筋强度和混凝土强度等作为输入数据,而钢混连接过渡面的强度作为输出数据。
建立初始的预测模型,作为梯度提升算法的起点,初始化基学习器,其中,/>为损失函数(表示模型预测值与实际值之间的误差),/>为损失函数最小化常数,/>为输入特征集,/>为样本总数,/>为第/>个样本的真实值;
通过迭代过程逐步优化模型,减少预测误差,建立CART回归树(用于在每次迭代中拟合残差),利用梯度提升方法拟合残差,获得第个样本第/>次迭代的残差估计值,其中,/>为迭代次数,/>为第/>次迭代后的模型的预测值;
利用CART回归树进行拟合,得到第棵树的叶节点区域/>;每一棵CART树都是在特定的叶节点区域上进行拟合。CART树通过构建决策规则来将数据划分到不同的叶节点,并在每个叶节点上给出一个预测值。
确定使对应叶节点区域的平方损失函数最小化的最佳拟合值,/>为针对叶节点区域/>的调整值,/>为第/>次迭代中CART树的叶节点区域/>的样本点;即在每个叶节点区域找到最适合的调整值,以最小化该区域的平方损失函数,确保每个叶节点区域的最佳拟合值能够有效地减少该区域的预测误差。
更新第次迭代后的模型的学习器/>,其中,/>为控制着每次更新的幅度的学习率,/>为第/>次迭代中CART树的输出,;/>为指示函数,当样本/>在叶节点区域/>时为1,否则为0;
重复上述的迭代过程,每次迭代都在前一次的基础上进一步优化模型。这个过程持续进行,直到达到预设的迭代次数,获得最终的强学习器/>;强学习器综合了所有迭代学习成果,是初始学习器所有迭代中的学习器增量的总和。
获得钢混强度预测模型。完成了上述迭代过程,就得到了最终的GBDT模型,此模型是所有迭代过程中构建的树的加权集成,能够对输入数据进行有效的预测。
一种钢拱桥钢混连接过渡面的强度预测终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上的钢拱桥钢混连接过渡面的强度预测方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。
存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。
一种计算机可读存储介质,计算机可读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如上的钢拱桥钢混连接过渡面的强度预测方法。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上的钢拱桥钢混连接过渡面的强度预测方法。
计算机程序产品包括用于执行特定任务或实现特定功能的计算机程序或指令集。这些程序或指令被设计为能够由处理器执行,从而实现一系列预定义的步骤或操作。该程序产品可能被存储在各种形式的计算机存储介质中,如内存、硬盘、固态驱动器、光盘或其他形式的数字存储设备。可能以编译后的二进制代码形式存在,也可能以可由解释器执行的脚本或字节码形式存在。程序产品通过精心设计的算法和逻辑指令,使得处理器能够按照特定的顺序和方式处理数据,完成如数据分析、用户交互、设备控制等多种功能。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,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至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本发明,而并非是对本发明的范围进行限定。对于所属领域的技术人员而言,在上述发明的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本发明的范围内。
Claims (8)
1.一种钢拱桥钢混连接过渡面的强度预测方法,其特征在于,包括:
制备多个混凝土样本,并获取混凝土样本的组成成分数据和混凝土强度,构建第一训练样本集;
构建基于遗传算法和BP神经网络的混凝土强度预测模型,并通过第一训练样本集对混凝土强度预测模型进行训练;
获得训练后的混凝土强度预测模型;
制备多个钢混连接过渡面样本,并获取制备过程中的浇筑过程参数、钢筋强度、混凝土强度和钢混连接过渡面强度,构建第二训练样本集;
构建基于梯度提升决策树算法的钢混强度预测模型,并通过第二训练样本集对钢混强度预测模型进行训练;
获得训练后的钢混强度预测模型;
将待预测的钢混连接过渡面的混凝土组成成分数据输入至混凝土强度预测模型,获得预测的混凝土强度;
将待预测的钢混连接过渡面的浇筑过程参数、钢筋强度以及预测的混凝土强度输入至钢混强度预测模型,获得预测的钢混连接过渡面强度;
其中,获得训练后的混凝土强度预测模型的方法包括:
建立神经模型其中,f为激活函数,H为控制f作用的偏置系数c的输入加权和,/>xi为第i个组成成分,n为组成成分数据的数量,wi为xi的权值;
确定BP神经网络的拓扑结构,包括输入层、隐藏层和输出层;并初始化BP神经网络的阈值与权值;
随机生成遗传算法的初始种群,种群中的每个个体代表BP神经网络的一组阈值和权值;
使用种群中每个个体表示的权值和阈值在BP神经网络中向前传播,并计算预测输出值;并计算获得网络训练误差;
将BP神经网络的网络训练误差作为适应度,建立第j个个体适应度函数,Fj=k[abs(Oj-oj)],其中,k为适应度系数,Oj为目标输出值,oj为预测输出值;
利用轮盘赌选择法从种群中选择两个个体,并按照设定交叉概率进行交叉;
利用随机选择法从种群中选择一个个体,并按照设定变异概率变异;
计算新生成的个体的适应度,并判断是否满足终止条件,若不满足责重新进行交叉和变异;若满足获取最优的权值与阈值,获得混凝土强度预测模型;
其中,获得训练后的钢混强度预测模型的方法包括:
初始化基学习器其中,L(tj,α)为损失函数,α为损失函数最小化常数,X为输入特征集,P为样本总数,tp为第p个样本的真实值;
建立CART回归树,利用梯度提升方法拟合残差,获得第p个样本第k次迭代的残差估计值Rpk=tp-fk-1(X),其中,k为迭代次数,fk(X)为第k-1次迭代后的模型的预测值;
利用CART回归树进行拟合,得到第k棵树的叶节点区域cpk;
确定使对应叶节点区域的平方损失函数最小化的最佳拟合值 β为针对叶节点区域cpk的调整值,xp为第k次迭代中CART树的叶节点区域cpk的样本点;
更新第k次迭代后的模型的学习器fk(X)=fk-1(X)+Hk(X)·η,其中,η为学习率,Hk(X)为第k次迭代中CART树的输出,1(x∈cpk)为指示函数,当样本x在叶节点区域cpk时为1,否则为0;
重复K次迭代,获得最终的强学习器
获得钢混强度预测模型。
2.根据权利要求1所述的一种钢拱桥钢混连接过渡面的强度预测方法,其特征在于,构建第一训练样本集时,将组成成分数据作为输入数据,将混凝土强度作为输出数据;
构建第二训练样本集时,将浇筑过程参数、钢筋强度和混凝土强度作为输入数据,将钢混连接过渡面强度作为输出数据。
3.根据权利要求1所述的一种钢拱桥钢混连接过渡面的强度预测方法,其特征在于,交叉算法为:其中,akj和alj为参与交叉的基因位点的值,b为父代基因对子代基因的贡献系数;
变异算法为:f(g)=r(1-g/Gmax)2,其中,r为0~1之间的随机数,g为当前迭代,Gmax为最大进化代数,aij为变异基因位点的值,amax和amin为基因值的最大可能值和最小可能值,f(g)为当前代数的变异强度。
4.根据权利要求1所述的一种钢拱桥钢混连接过渡面的强度预测方法,其特征在于,终止条件包括迭代次数达到最大迭代次数、误差达到预定阈值或适应度的改变值小于设定值三者中的一个。
5.根据权利要求1所述的一种钢拱桥钢混连接过渡面的强度预测方法,其特征在于,在获得训练后的混凝土强度预测模型和钢混强度预测模型后,通过测试集对模型进行评价,计算模型的相关系数其中,Si为实际值,/>为预测值,/>为实际平均值,r为测试集样本数;
若相关系数小于设定值,则修正混凝土强度预测模型/钢混强度预测模型的超参数后,对模型重新进行训练。
6.一种钢拱桥钢混连接过渡面的强度预测终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的钢拱桥钢混连接过渡面的强度预测方法。
7.一种计算机可读存储介质,所述计算机可读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如权利要求1-5中任一项所述的钢拱桥钢混连接过渡面的强度预测方法。
8.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1-5中任一项所述的钢拱桥钢混连接过渡面的强度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194415.0A CN117763701B (zh) | 2024-02-22 | 2024-02-22 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194415.0A CN117763701B (zh) | 2024-02-22 | 2024-02-22 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117763701A CN117763701A (zh) | 2024-03-26 |
CN117763701B true CN117763701B (zh) | 2024-05-07 |
Family
ID=90322360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410194415.0A Active CN117763701B (zh) | 2024-02-22 | 2024-02-22 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117763701B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013043233A1 (en) * | 2011-09-21 | 2013-03-28 | Lehigh University | Ductile chord connectors for use in concrete rods in structures |
CN104730222A (zh) * | 2015-03-27 | 2015-06-24 | 交通运输部公路科学研究所 | 一种钢筋混凝土构件锈蚀开裂后钢筋锈蚀度无损检测方法 |
CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
CN109885964A (zh) * | 2019-03-08 | 2019-06-14 | 浙江大学建筑设计研究院有限公司 | 高温下钢筋与混凝土粘结强度的可靠度建模方法和预测方法 |
CN111709185A (zh) * | 2020-06-16 | 2020-09-25 | 金陵科技学院 | 一种基于随机森林的建筑混凝土强度预测方法 |
CN111985796A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于随机森林和智能算法预测混凝土结构耐久性的方法 |
CN112376395A (zh) * | 2020-09-30 | 2021-02-19 | 郝苏 | 用于混凝土构件的连接结构 |
CN112684156A (zh) * | 2021-01-06 | 2021-04-20 | 汉谷云智(武汉)科技有限公司 | 一种基于深度学习的混凝土强度预测方法 |
CN113094999A (zh) * | 2021-04-29 | 2021-07-09 | 中山大学 | 一种基于神经网络的钢管混凝土纯弯构件承载力预测方法 |
CN113403943A (zh) * | 2021-07-16 | 2021-09-17 | 马鞍山钢铁股份有限公司 | 桥梁用护栏路基组合结构 |
CN113850024A (zh) * | 2021-10-09 | 2021-12-28 | 长安大学 | 一种基于机器学习的钢筋混凝土构件抗撞性能预测方法 |
CN114677353A (zh) * | 2022-03-28 | 2022-06-28 | 中国能源建设集团安徽省电力设计院有限公司 | 一种基于深度学习和bp神经网络的柱承载力预测方法 |
CN115114844A (zh) * | 2022-05-09 | 2022-09-27 | 东南大学 | 一种钢筋混凝土粘结滑移曲线的元学习预测模型 |
CN115345227A (zh) * | 2022-08-04 | 2022-11-15 | 同济大学 | 基于pca融合机器学习的剪力墙震损破坏模式预测方法 |
CN115497574A (zh) * | 2022-09-05 | 2022-12-20 | 中交第二航务工程局有限公司 | 一种基于模型融合的hpc抗压强度预测方法和系统 |
CN115952575A (zh) * | 2022-11-08 | 2023-04-11 | 广西大学 | 基于参数映射学习算法的钢管混凝土拱桥线形预测方法 |
CN116312887A (zh) * | 2023-03-20 | 2023-06-23 | 上海交通大学 | 一种高温后钢筋-混凝土粘结强度的确定方法 |
CN116359003A (zh) * | 2023-02-22 | 2023-06-30 | 江苏苏博特新材料股份有限公司 | 一种神经网络和超声检测的玻璃混凝土抗压强度检测方法 |
CN116415486A (zh) * | 2023-02-15 | 2023-07-11 | 中铁第一勘察设计院集团有限公司 | 一种基于深度神经网络的钢筋混凝土矩形柱破坏模式预测方法 |
CN116629080A (zh) * | 2023-07-24 | 2023-08-22 | 福建农林大学 | 钢管混凝土叠合构件撞击位移时程图卷积预测方法 |
CN117153297A (zh) * | 2023-03-17 | 2023-12-01 | 中国计量大学 | 一种水泥混凝土抗压强度检测方法、系统及电子设备 |
CN117172116A (zh) * | 2023-09-07 | 2023-12-05 | 重庆茂侨科技有限公司 | 基于pso-bp组合模型的混凝土抗压强度预测方法 |
CN117236182A (zh) * | 2023-09-26 | 2023-12-15 | 郑州大学 | 一种基于gwo-svr的钢筋混凝土粘结强度预测方法 |
-
2024
- 2024-02-22 CN CN202410194415.0A patent/CN117763701B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013043233A1 (en) * | 2011-09-21 | 2013-03-28 | Lehigh University | Ductile chord connectors for use in concrete rods in structures |
CN104730222A (zh) * | 2015-03-27 | 2015-06-24 | 交通运输部公路科学研究所 | 一种钢筋混凝土构件锈蚀开裂后钢筋锈蚀度无损检测方法 |
CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
CN109885964A (zh) * | 2019-03-08 | 2019-06-14 | 浙江大学建筑设计研究院有限公司 | 高温下钢筋与混凝土粘结强度的可靠度建模方法和预测方法 |
CN111709185A (zh) * | 2020-06-16 | 2020-09-25 | 金陵科技学院 | 一种基于随机森林的建筑混凝土强度预测方法 |
CN111985796A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于随机森林和智能算法预测混凝土结构耐久性的方法 |
CN112376395A (zh) * | 2020-09-30 | 2021-02-19 | 郝苏 | 用于混凝土构件的连接结构 |
CN112684156A (zh) * | 2021-01-06 | 2021-04-20 | 汉谷云智(武汉)科技有限公司 | 一种基于深度学习的混凝土强度预测方法 |
CN113094999A (zh) * | 2021-04-29 | 2021-07-09 | 中山大学 | 一种基于神经网络的钢管混凝土纯弯构件承载力预测方法 |
CN113403943A (zh) * | 2021-07-16 | 2021-09-17 | 马鞍山钢铁股份有限公司 | 桥梁用护栏路基组合结构 |
CN113850024A (zh) * | 2021-10-09 | 2021-12-28 | 长安大学 | 一种基于机器学习的钢筋混凝土构件抗撞性能预测方法 |
CN114677353A (zh) * | 2022-03-28 | 2022-06-28 | 中国能源建设集团安徽省电力设计院有限公司 | 一种基于深度学习和bp神经网络的柱承载力预测方法 |
CN115114844A (zh) * | 2022-05-09 | 2022-09-27 | 东南大学 | 一种钢筋混凝土粘结滑移曲线的元学习预测模型 |
CN115345227A (zh) * | 2022-08-04 | 2022-11-15 | 同济大学 | 基于pca融合机器学习的剪力墙震损破坏模式预测方法 |
CN115497574A (zh) * | 2022-09-05 | 2022-12-20 | 中交第二航务工程局有限公司 | 一种基于模型融合的hpc抗压强度预测方法和系统 |
CN115952575A (zh) * | 2022-11-08 | 2023-04-11 | 广西大学 | 基于参数映射学习算法的钢管混凝土拱桥线形预测方法 |
CN116415486A (zh) * | 2023-02-15 | 2023-07-11 | 中铁第一勘察设计院集团有限公司 | 一种基于深度神经网络的钢筋混凝土矩形柱破坏模式预测方法 |
CN116359003A (zh) * | 2023-02-22 | 2023-06-30 | 江苏苏博特新材料股份有限公司 | 一种神经网络和超声检测的玻璃混凝土抗压强度检测方法 |
CN117153297A (zh) * | 2023-03-17 | 2023-12-01 | 中国计量大学 | 一种水泥混凝土抗压强度检测方法、系统及电子设备 |
CN116312887A (zh) * | 2023-03-20 | 2023-06-23 | 上海交通大学 | 一种高温后钢筋-混凝土粘结强度的确定方法 |
CN116629080A (zh) * | 2023-07-24 | 2023-08-22 | 福建农林大学 | 钢管混凝土叠合构件撞击位移时程图卷积预测方法 |
CN117172116A (zh) * | 2023-09-07 | 2023-12-05 | 重庆茂侨科技有限公司 | 基于pso-bp组合模型的混凝土抗压强度预测方法 |
CN117236182A (zh) * | 2023-09-26 | 2023-12-15 | 郑州大学 | 一种基于gwo-svr的钢筋混凝土粘结强度预测方法 |
Non-Patent Citations (2)
Title |
---|
新旧混凝土结合面剪切强度参数分析和计算研究;张望喜等;湖南大学学报( 自然科学版);20240131;第51卷(第1期);112-125 * |
钢-混凝土组合连续梁桥面板分析研究;漆小军等;公路;20141231(第12期);108-111 * |
Also Published As
Publication number | Publication date |
---|---|
CN117763701A (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gandomi et al. | Genetic programming for experimental big data mining: A case study on concrete creep formulation | |
Savic et al. | A genetic programming approach to rainfall-runoff modelling | |
He et al. | Damage detection by an adaptive real-parameter simulated annealing genetic algorithm | |
Searson et al. | Co‐evolution of non‐linear PLS model components | |
Excoffier et al. | Robust demographic inference from genomic and SNP data | |
JP3404532B2 (ja) | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム | |
US20060212279A1 (en) | Methods for efficient solution set optimization | |
CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
CN108287808A (zh) | 一种面向结构可靠性分析的通用动态追踪序列采样方法 | |
CN115238850B (zh) | 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN113821983B (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
CN113033786B (zh) | 基于时间卷积网络的故障诊断模型构建方法及装置 | |
CN115952575A (zh) | 基于参数映射学习算法的钢管混凝土拱桥线形预测方法 | |
CN117763701B (zh) | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 | |
Bedriñana et al. | Design-oriented machine-learning models for predicting the shear strength of prestressed concrete beams | |
Wan et al. | SWMM calibration using genetic algorithms | |
CN115081067B (zh) | 一种淤泥固化土的强度预测方法及系统 | |
CN113378276B (zh) | 一种基于遗传算法及基因表达式编程的复合地基智能设计方法 | |
CN114329702B (zh) | 基于改进的差分进化算法标定设计反应谱的高稳定性方法和设备 | |
Ismail | Estimating moment capacity of ferrocement members using self-evolving network | |
Reddy | Genetic programming for modelling of soil–structure interactions | |
Yakushin et al. | Neural network model for forecasting statistics of communities of social networks | |
JP3443039B2 (ja) | ネットワーク推定方法および装置 | |
Mansouri et al. | A novel formulation for estimating compressive strength of high performance concrete using gene expression programming |
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 |