基于PSO-GBDT模型的再生混凝土抗压强度预测.pdf

2023 年 30 期实验报告科技创新与应用Technology Innovation and Application基于 PSO-GBDT 模型的再生混凝土抗压强度预测郭园园1，原慧敏2，冯飞3，田青青4，5，李泽宣4（1.河南水投舆源水生态实业有限公司，河南 驻马店 463400；2.河南欣峰信息科技有限公司，郑州 450003；3.河南水利投资集团有限公司，郑州 450000；4.华北水利水电大学 水利学院，郑州 450046；5.河南省水环境模拟与治理重点实验室，郑州 450002）随着全球经济的不断发展和人口的不断增加，建筑业发展迅速，对建筑材料的需求也越来越大。然而，传统的混凝土材料在生产和使用过程中会产生大量的废弃物和污染，给环境带来了极大的压力。因此，再生混凝土作为一种环保型建筑材料，已经成为当前建筑材料领域的研究热点之一。再生混凝土在生产和使用过程中，其性质和强度等方面都受到影响，这给其在实际工程中的应用带来了一定的难度。因此，预测再生混凝土的强度是实现其应用的关键之一。目前，国内外已有很多学者对再生混凝土的强度预测进行了研究。在国内研究中，如高蔚1使用深度学习方法对再生混凝土抗压强度进行预测，并取得精确的预测结果。廖小辉等2使用 BP 神经网络对再生混凝土抗压强度进行预测，并取得了较高的预测结果。白浩杰等3使用基于 GA 优化 BP 神经网络模型预测再生混凝土抗压强度，证实经过 GA 算法优化权阀值的 BP 神经网络精度更高，朱伟等4使用 GA 算法优化支持向量机模型对再生混凝土进行抗压强度预测，并与支持向量机模型进行对比，证实 GA 算法优化模型可以提升其精度。邹超英等5使用模拟退火原理构建模型预测混凝土徐变参数，并证实其预测结果与实际相吻合，具有较高的精度。黄炜等6使用 PSO-BP 模型和 GA-P 模型对再生混凝土抗压强度进行预测，并发现 PSO 算法参数优化能力好于 GA 算法。与此同时，国外学者对再生混凝土强度预测研究也在不断深入，如 Deng 等7使用 softmax 回归开发预测模型，对再生混凝土强度进行预测，并与传统神经网络相比，证实深度学习算法具有更高的精度。Marian 等8使用多元线性回归，对再生混凝土抗压强度进行预测，并通过预测结果得出为不影响其强度，骨料替代率不要超过 30%。Gregori 等9使用 SVM 算法和 GPR 模型对再生混凝土强度进行预测，都取得了精确的预测结果，并且GPR 模型精度高于 SVM 模型精度。Li 等10使摘要：该文针对再生混凝土抗压强度预测问题，提出一种基于粒子群优化（PSO）和梯度提升决策树（GBDT）的再生混凝土强度预测模型。以粉煤灰、细骨料、粗骨料、粗骨料取代率、减水剂和水胶比作为输入变量，28 d 抗压强度作为输出变量，以决定系数R2、均方根误差（RMSE）、平均绝对误差（MAE）作为评估指标，进行评估。实验结果表明，该文提出的 PSO-GBDT 模型在再生混凝土强度预测方面具有一定的应用价值且 PSO 算法优化对模型预测性能具有一定程度的提升。关键词：再生混凝土；强度预测；PSO；GBDT；模型优化中图分类号院TU528文献标志码院A文章编号院2095-2945渊2023冤30-0064-04Abstract:Aiming at the prediction of compressive strength of recycled concrete,a strength prediction model of recycledconcrete based on particle swarm optimization(PSO)and gradient boosting decision tree(GBDT)is proposed.Fly ash,fine aggregate,coarse aggregate,substitution ratio of coarse aggregate,superplasticizer and water-binder ratio were taken as input variables,28 dcompressive strength as output variables,and determination coefficient R2,root mean square error(RMSE)and mean absolute error(MAE)as evaluation indexes.The experimental results show that the PSO-GBDT model proposed in this paper has a certainapplication value in the strength prediction of recycled concrete and the optimization of PSO algorithm can improve the predictionperformance of the model to a certain extent.Keywords:recycled concrete;strength prediction;PSO;GBDT;model optimization第一作者简介：郭园园（1987-），男，工程师，总经理助理。研究方向为水利工程。DOI：10.19981/j.CN23-1581/G3.2023.30.01564-实验报告科技创新与应用Technology Innovation and Application2023 年 30 期用稻壳灰提到水泥制备再生混凝土，并使用堆叠集成学习的方法对其抗压强度进行预测，并取得了精确的预测结果。Mai 等11使用随机森林模型对含油棕壳的再生混凝土抗压强度进行预测，并取得较为精确的预测结果。基于上述已有研究，在再生混凝土强度预测中，基于参数优化机器学习模型研究甚少，故本文提出了一种基于粒子群优化（PSO）和梯度提升决策树（GBDT）的再生混凝土强度预测模型，通过优化 GBDT 模型的超参数，提高了模型的预测精度和稳定性，对再生混凝土相关领域的实际工程具有指导作用。1数据来源1.1数据分析本研究数据来自文献12，根据实际情况，选取其中再生粗骨料数据集 118 组，为研究所用数据分布情况，采用 SPSS 软件对其 28 d 抗压强度进行正态 Q-Q图分析，如图 1 所示，可以看出，抗压强度数据点紧密围绕理论直线，且除两端点部分，其余大量数据均基本以理论直线重合。图 1抗压强度正态 Q-Q 图为进一步验证其是否符合正态分布，采用单样本K-S 检验，以设定 95%置信区间，进行检验，证实其显著性 P=0.099，所得显著性大于 0.05，故保留原假设，数据符合正态分布。1.2数据预处理所用数据配合比中，不同成分所带自身量纲不同，直接将数据代入模型，可能会对最终结果造成影响，故此处采用最大值最小值方法进行归一化，归一化公式见公式（1）X=x1-xminxmax-xmin，（1）式中：X 表示归一化之后的数值，x1表示试验值，xmax表示数据列中最大的值，xmin表示数据列中最小的值。2评价指标模型建立并进行数据预测之后，为了检验模型的泛化能力和预测准确性，故需设定模型评价指标从而更加直观地了解模型性能。因此，选用决定系数 R2、均方根误差（RMSE）和平均绝对误差（MAE）为模型评价指标，其中决定系数 R2表示试验值和预测值之间的拟合程度，其越接近于 1，表明其预测结果越接近试验值，RMSE 表示试验值和预测值之间差异的样本标准差，MAE 表示试验值和预测值之间绝对误差的平均值，二者大小越接近 0 越好，以上评估指标计算原理见公式（2）（3）（4）。式中：N 为数据库中数据总数；Q軍为试验值数据的平均值，MPa；Qi为试验值，MPa；Q赞i为模型预测值，MPa。3模型概述3.1PSO 算法粒子群算法（PSO）是目前众多寻优算法之一，其设计原理是通过模拟鸟类捕食，主要是通过在给定区域定义一块食物（即寻优目标最优解），让鸟类进行寻找，通过信息交流等报送自己位置，从而确定是否找到最优解，最后所有鸟类都到达最优解处，即寻优完成。理论解释主要分为以下几步。1）初始化所有粒子，即给其速度和位置赋值，并将个体的历史最优 Best1 设为当前位置，群体中的最优个体作为当前的 Best2。2）在每一代的进化中，计算各个粒子的适应度函数值。3）如果当前适应度函数值优于历史最优值，则更新 Best1。4）如果当前适应度函数值优于全局历史最优值，2222()()1()1iiNiiNiiQQRQQRMSEQQNMAEQQN，（2），（3），（4）实测值/MPa807060504030202030405060708065-2023 年 30 期实验报告科技创新与应用Technology Innovation and Application则更新 Best2。5）对每个粒子 i 的第 d 维的速度和位置分别按照公式（5）和公式（6）进行更新式中：Vdi表示第 i 个粒子的第 d 维速度；w 表示惯量权重；c1，c2表示加速系数；randd1和 randd2表示0，1的随机数；xdi表示第 i个粒子的第 d 维位置。3.2GBDT 算法梯度提升决策树（GBDT）是一种利用残差拟合弱学习器的集成算法，通过将多个弱学习器串联起来，每个学习器学习的都是前一个学习器输出的结果，最终逼近最终预测值，其计算流程如下。1）初始化学习器。式中：Ni=1移L（yi，姿）表示损失函数；姿表示最小化损失的常数。2）计算残差。将所得 rt，i作为预测值，计算当 i=1，2，i 时拟合得到第 t 棵回归树。3）遍历节点，计算回归树 Tt的每个叶子节点 Rt，j的输出值 ct，j4）更新学习器。式中：I 表示学习率；J为叶子节点个数。5）最终学习器。4结果分析本次研究所使用数据共 118 组，为了增加模型泛化能力，采用随机打乱的方式，将数据集按照 7颐3 的比例进行训练集和测试集的划分，以粉煤灰、细骨料、粗骨料、粗骨料取代率、减水剂和水胶比作为模型输入变量，以 28 d 抗压强度为输出变量并将其代入所提出的PSO-GBDT 模型中，如图 2 所示，表示模型训练集和测试集中试验值和预测值的拟合情况。渊a冤PSO-GBDT 模型训练集拟合图渊b冤PSO-GBDT 模型测试集拟合图图 2PSO-GBDT 模型训练集和测试集拟合图由图 2 可知，PSO-GBDT 模型训练集决定系数R2=0.962 4，测试集决定系数 R2=0.976 8，由图 2 可以发现经过 PSO 算法优化的 GBDT 模型拥有较为精确的预测精度。为了更加全面地分析预测结果，如图 3 所示，绘制PSO-GBDT 模型试验值和预测值的折线对比图，并计算其误差。通过图 3 可知，PSO-GBDT 模型训练集绝对误差在0.01，4.57之间，测试集绝对误差在0.26，3.75之间，经过 PSO 算法优化之后，模型的训练集和测试集误差减少，模型预测性能提升。因模型未出现过拟合情况，测试集为反映模型训1221Best1)(Best2)(ddidddiidddidddiiiixcVwvc rarndxa dxxnv，（5），（6）1()argmin(,)Nciif xL y l，（7）1()()(,()()iiit,if xfxiyf xrf x。（8）,1argmin(,()it jNt,jcitixRcL yfxc。（9）1.1()()Jttit jjf xfxc I，（10）1,11()()TJt jtjf xf xc I。（11）试验值/MPa试验值/MPa66-实验报告科技创新与应用Technology Innovation and Application2023 年 30 期练情况，所有通过计算测试集评估指标可知，PSO-GB原DT 模型测试集决定系数 R2=0.976 8，RMSE 为 1.75，MAE 为 1.50。渊a冤PSO-GBDT 模型训练集折线误差图渊b冤PSO-GBDT 模型测试集折线误差图图 3PSO-GBDT 模型折线误差图5结束语本研究首先通过数据分析，得出再生混凝土抗压强度数据符合正态分布规律，然后使用 PSO 算法优化GBDT 模型，从而使得模型具有较高的精度和较小的预测误差，可以较大程度上缩短工程中获取抗压强度结果，减少试验材料消耗，降低工程成本，对工程实际具有指导作用。参考文献院1 高蔚.基于深度学习的再生混凝土抗压强度预测J.混凝土，2018（11）：58-61，70.2 廖小辉，黄新，施俊玲，等.基于 BP 网络的再生混凝土抗压强度的预测模型J.南京林业大学学报（自然科学版），2010，34（5）：105-108.3 白浩杰，刘元珍，郭耀东，等.基于 GA-BP 神经网络的再生保温混凝土强度预测J.混凝土，2020，373（11）：16-19，25.4 朱伟，石超峰，李楠.基于遗传算法优化支持向量机的再生混凝土抗压强度预测模型J.中外公路，2014，34（1）：311-314.5 邹超英，王勇，胡琼.再生混凝土徐变度试验研究及模型预测J.武汉理工大学学报，2009，31（12）：94-98.6 黄炜，周烺，葛培，等.基于 PSO-BP 和 GA-BP 神经网络再生砖骨料混凝土强度模型的对比研究J.材料导报，2021，35（15）：15026-15030.7 DENG F，HE Y，ZHOU S，et al.Compressive strengthprediction of recycled concrete based on deep learningJ.Construction and Building Materials，2018（175）：562-569.8 MARIAN S，JESUS R D.Prediction of compressive strengthof general-use concrete mixes with recycled concrete aggre原gateJ.International Journal of Pavement Research and Tech原nology，2021（17）.9 GAEGORI A，CASTORO C，VENKITEELA G.Predicting thecompressive strength of rubberized concrete using artificialintelligence methodsJ.Sustainability，2021，13（14）：7729.10 LI Q，SONG Z.Prediction of compressive strength of ricehusk ash concrete based on stacking ensemble learningmodelJ.Journal of Cleaner Production，2023（382）：135279.11 MAI H V T，NGUYEN T A，LY H B，et al.Predictioncompressive strength of concrete containing GGBFS usingrandom forest model J.Advances in Civil Engineering，2021：1-12.12 孟红.基于 BP 神经网络的再生混凝土强度预测D.青岛：青岛理工大学，2012.编号编号67-