基于深度学习的混凝土智能配合比设计与应用研究

发布时间：2021-06-22 06:17

　　在建筑行业,混凝土各材料用量的配合比设计往往需要通过实验室人工试配得到正式的施工配合比。这种耗时的工序不仅增加了材料的浪费,还增加了混凝土生产的成本。同时,设计快速精准的混凝土28d抗压强度预测模型在混凝土的智能配合比设计中也发挥着重要作用。因此,针对混凝土智能配合比设计问题,论文基于集成学习、深度学习以及蒙特卡罗等方法进行了研究。针对建筑行业中的混凝土的关键性能指标28d抗压强度的预测精度问题,提出了一种基于集成学习的回归预测模型。首先,对存在缺失值、有误测量值和无标签的数据集进行了填充和删除操作,并通过分析属性间的皮尔逊相关系数进行特征选择。其次,考虑集成多个模型相比单个模型的精度更高,通过Adaboost框架对基预测器随机森林进行集成,设计了基于集成学习的回归预测模型。最后,将所提方法在两个真实的混凝土数据集上与其他七种的回归预测模型进行对比实验,结果表明,所提集成学习模型能够有效的提高混凝土28d抗压强度预测精度。针对混凝土配合比的智能设计问题,提出了一种基于深度学习的混凝土智能配合比设计模型。首先,根据用户的需求,在数据库中进行模糊匹配,输出一系列满足用户要求的配合比。其次,... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

混凝土配合比各材料用量箱型图

重庆邮电大学硕士学位论文 第 3 章 基于集成学习的混凝土 28d 抗压强度预测模型 其中ix 和 yi代表两个变量的样本值， x 和 y 是两个变量的平均值，x 和y 是两个变量的标准差。在原始数据中，所有 24 个属性间的皮尔逊相关系数矩阵热力图如图 3.3 所示。

重庆邮电大学硕士学位论文第4章基于深度学习的混凝土智能配合比设计模型26们运用第3.2.3节中特征工程的方法计算特征与特征、特征与标签间的皮尔逊相关系数并进行分析，同时咨询混凝土设计专家，最终确定模型的输入特征单元有13个分别是小石用量，大石用量，石灰石粉用量，减水剂用量，细砂用量，中砂用量，粗砂用量，粉煤灰用量，水泥用量，水用量，膨胀剂用量，矿渣粉用量，3d强度。图4.2混凝土数据不同特征的缺失率为了方便模型的部署以及考虑预测模型的稳定性，这里选择Keras开源深度学习框架搭建预测模型，首先使用Sequential()定义模型，然后使用add()函数添加全连接网络层，add()函数内的input_dim参数为输入的特征维度，通过网格搜索的方法，将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成神经网络结构，最终确定BP神经网结构为13-20-10-10-1，除了最后的输出层激活函数采用linear，其他层的激活函数均采用relu，模型的学习率为0.01，训练迭代轮数为100，优化器选用Adam，最终模型结构如图4.3所示。选用RMSE和MAPE作为模型的性能评价指标，在测试集上RMSE和MAPE分别为4.325和6.682%。从模型的评价指标可以看出，Keras搭建的BP神经网络在预测性能上表现良好。同时测试集上混凝土的实际抗压强度与模型预测的抗压强度如图4.4所示，红色代表实际强

【参考文献】：
期刊论文
[1]关于深度学习的综述与讨论[J]. 胡越,罗东阳,花奎,路海明,张学工.  智能系统学报. 2019(01)
[2]基于TensorFlow进行股票预测的深度学习模型的设计与实现[J]. 韩山杰,谈世哲.  计算机应用与软件. 2018(06)
[3]混凝土配比过程的专家系统设计[J]. 张忠武,周宇,孟祥华.  佳木斯大学学报(自然科学版). 2018(02)
[4]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉.  交通运输系统工程与信息. 2018(01)
[5]基于灰色关联分析的极限学习机在混凝土抗压强度预测分析中的应用[J]. 王江荣.  水泥工程. 2017(03)
[6]基于深度学习的用户投诉预测模型研究[J]. 周文杰,严建峰,杨璐.  计算机应用研究. 2017(05)
[7]论混凝土配合比设计发展思路[J]. 刘勇.  科技创新与应用. 2016(19)
[8]基于深度学习的交通拥堵预测模型研究[J]. 谭娟,王胜春.  计算机应用研究. 2015(10)
[9]混凝土配合比设计及强度预测[J]. 曹兴龙,王起才,鲍学英.  硅酸盐通报. 2015(03)
[10]基于人工智能的混凝土配合比优化设计[J]. 徐毅慧.  漳州职业技术学院学报. 2011(04)

硕士论文
[1]基于深度学习的气象温度预测研究[D]. 刘鑫达.宁夏大学 2016



本文编号：3242303