高强混凝土强度预测的支持向量机模型及应用.pdf

2 0 1 0年 第 5期 (总 第 2 4 7期 ) Nu mb e r 5 i n 20 1 0( To t a l No 2 47) 混 凝 土 Co n c r e t e 理论研究 THEORETI CAL RES EARCH d o i ： 1 0 3 9 6 9 i s s n 1 0 0 2 3 5 5 0 2 0 1 0 0 5 0 1 6 高强混凝土强度预测的支持向量机模型及应用 崔海霞 ( 廊坊师范学院 建筑工程 学院 ，河北 廊坊 0 6 5 0 0 0 ) 摘要： 高强混凝土的强度受多种因素的影响， 其强度的预测是一个动态性的系统工程。采用支持向量机理论， 建立了高强混凝土的强 度预测的支持向量机预测模型。 并将该模型计算结果与实测混凝土 2 8 d 抗压强度、 B P网络计算的强度 、 R B F 径向基函数神经网络计算的 强度、 线性回归模型计算的强度、 非线性回归模型计算的强度进行比较。 研究表明： 预测结果与实测结果吻合较好， 较线性回归和神经网络 预测精 度高， 为高强混凝土 的强度预测提供了一条新途 径。 关键词 ： 高强混凝土 ；支持 向量机 ；强度预测 中图分 类号： T U5 2 8 0 1 文献标 志码 ： A 文章编号 ： 1 0 0 2 3 5 5 0 ( 2 0 1 0 ) 0 5 0 0 4 9 0 3 St r en gt h pr edi c t i on o f hi gh s t r e ng t h c on c r e t e us i ng SVM a nd i t s a ppl i c a t i on C U=r Ha i - x i a ( I n s t i t u t e o f A r c h i t e c t u r a l E n g i n e e r i n g ， L a n g f a n g T e a c h e r s T r a i n i n g Co l l e g e ， L a n g f a n g 0 6 5 0 0 0 ， C h i n a ) Abs t r a c t ： T o ma ke t h e s t r e n g t h f o r e c a s t o f h i g h s t r e n gth c on c r e t e u n d e r i n fl ue n c e of s e v e r a l f a c t o r s e x a c t ， t h e mo d e l o f S VM a n d i t s l e a r n i n g a l g o r i t h ms a r e r e c o mme n d e d T h e n t h e a p p r o a c h b a s e d o n S VM i s a p p l i e d t O p r e d i c t t h e s t r e n gth o f h i g h s t r e n g t h c o n c r e t e F u r t h e r mo r e ， we c o n - t r a s t i t t o r e s u l t s o f a c t u a l me a s u r e d ， t h e r e g r e s s i o n ， B P n e t wo r k ， a n d R BF n e tw o r k I t i s f o u n d t h a t S VM c a n p r e d i c t t h e s t r e n g t h o f h i g h s tr e n gth c o n c r e t e mo r e a c c u r a t e l y t h a n t h e a p p r o a c h o f r e g r e s s i o n d o e s Th e r e s u l t s ug g e s t s t h a t n e u tra l n e t wo r k i s a q u a n t it a t i v e a n d c o n v e n i e n t an a l y z i n g a p p r o a c h wi 出h j 曲 a c c u r a c y I t i s f e a s i b l e i n p r e d i c t i n g t h e s tr e n g t h o f h i g h s tr e n g t h c o n c r e t e ， K e y wo r d s ： h i g h s t r e n g t h c o n c r e t e ； S VM ； s t r e n gth f o r e c a s t 0引言 1 S V M 模 型 混凝土设计规程 认为， 粉煤灰混凝土的2 8 d 抗压强度与 水胶 比、 水泥种类及强度等级 、 粉煤灰与胶凝材料用量比以及 石子的类型等有关。目前确定混凝土抗压强度的方法一般是在 基准混凝土配合比的基础上 ， 保持水胶比或砂率不变 ， 然后不 断调整胶料和骨料。这种方法不仅耗费大量原材料 ， 而且也浪 费大量的人力和时间。随着混凝土系统的复杂性和动态性不断 加强， 研究规模不断加大 ， 影响因素逐渐增多 ， 如粉煤灰混凝 土、 高性能混凝土等新型混凝土， 由于其影响因素更为复杂， 甚 至存在诸多因素的交互作用， 线性函数已不再适用， 往往表现 为特定的非线性规律， 尤其在探索混凝土强度影响因素与强度 值之间的因果规律时， 建立解析数学模型是一件极其困难甚至 难以实现的事。近年来 ， 随着计算机和生命科学的进步， 人工神 经网络理论和模型得 到了迅速发展 ， 在工程界得到 了广泛应用 ， 为混凝土强度预测和耐久性设计提供了有力的支持 。 最近 ， 基于机器学习的突水预测方法 日益受到关注 ， 支持 向量机( S u p p o r t V e c t o r Ma c h i n e ， S V M) 更适合于小样本 的模式 识别问题 ， 在预测精度上被证实一般要优于神经网络阚 。 本研究 提出了更适合于高强? 昆凝土的强度预测的支持向量机预测模 型， 并将该模型应用工程实际， 研究表明， 该模型预测结果与实 测结果吻合较好， 较神经网络等方法有较高的预测精度 ， 为高 强混凝 土的强度预测提供了一条新途径 。 收稿 日期 ：2 0 1 0 - 叭一 1 1 支持向量机S ( s u p p o rt v e c t o r ma c h i n e s ， S V M) 是 Va p n i k等 人根据统计学习理论提出的小样本学习方法。基本思想是通过 一 个非线性映射把样本空间映射到一个高维特征空间中， 将寻 找最优线性回归超平面的算法归结为求解一个凸约束特性下 的凸规划问题 ， 并得到全局最优解。同时支持向量机通过定义 核函数( Ke r n e l F u n c t i o n ) ， 将高维空间中的内积运算转化为原 空间中的核函数运算。 假定训练样本集为( Y ) ， 为输入向量， Y l 为输出向量， n为样本个数。支持向量机采用线性回归函数拟合样本集 y ( x ) = ( 西( ) ) + 6 ( 1 ) 式 中： 权向量 ； 6 偏 置项 ； 西( ) 输入空间到输出空间的非线性 映射 。 设所有训练样本在精度 s下无误差地用线性函数拟合， 考 虑到允许拟合误差存在， 引入非负松弛变量 矗和毒 ， 约束条件为： f y i- - w c k ( x ) - b s 咖 ( z ) 啪 ( 2 ) I 【 i = 1 ，2， ， n 优化 目标函数变为最小化式( 3 ) ： n 咖 ( ，喜 ， 宣 ) = ( W W T ) + c ( 毒 十 毒 ) ( 3 ) 49 学兔兔 w w w .x u e t u t u .c o m 式中： 常数 c O为惩罚因子 ， 它控制着对超出误差 的样本惩 罚程度。 采用对偶理论将上述优化问题转化为下述优化问题： m ax 一 1 ( - - a ) ( q ( ) ( ) + 奸 ) i =1 i =1 i = l 1 J ( 4) t ( )= 0 ( O e o ， c 】 ) ( 5 ) 式中： K( 暂 ) = 咖 ( 兢) 咖 ( 巧 ) 为核函数， 常用的核函数有多项式核 函数， R B F核函数以及 S i g mo i d 核函数。 利用 S MO( s e q u e n t i a l mi n i ma l o p t i mi z a t i o n ) 算法求解式( 4 ) 、 式( 5 ) 得到 d ， b ， 于是支持 向量机 的函数预测模型为 ： ) = ( ( ) + 6 ( 6 ) 2 工程 实例应用 核函数。 为了检验 S V M模型应用于高强混凝土强度预测中的正 确性， 引用文献 7 1 中的 5 6个高强粉煤灰混凝土数据作为样本， 其中 5 O 个为训练样本( 见表 1 ) ， 另外 6个为预测样本( 见表 2 ) 。 表中 列为粉煤灰在胶凝材料中所占的比例， ： 列为胶凝材 料用量( k g m ) ， X 列为胶水比。另外， 为进一步说明本文模型 的可行性与正确性 ， 表 1 、 2同时列出了实测混凝土 2 8 d抗压强 度( MP a ) 、 B P网络计算的强度( MP a ) 、 R B F径向基函数神经网 络计算的强度( MP a ) 、 线性回归模型计算的强度( MP a ) 、 非线性 回归模型计算的强度( MP a ) 。 实测混凝土2 8 d 抗压强度( MP a ) 、 B P网络计算的强度( MP a ) 、 R B F径向基函数神经网络网络计算的强度( MP a ) 、 线性回归模 型计算的强度( MP a ) 、 非线性回归模型计算的强度( MP a ) 的比 较情况见图 1 。从图 1 可见 S V M 预测精度高， 与实测结果吻合 良好， 且 S V M方法预测的精度比非线性回归模型预测的要高得 多。说明 S V M方法对非线性问题的分析与预测比回归分析方 法有更大的优势。同时在一定程度上其计算精度亦高于 B P 、 高强粉煤灰混凝土强度的分析计算中， 通过比较发现 S VM R B F神经网络的计算精度。可见将 S VM应用于高强混凝土的 模型中函数为R B F核的计算精度最高， 故本文采用 R B F核作为 强度预测是完全可行且可靠的。 表 1 训练样本数据及计算结果 5 0 学兔兔 w w w .x u e t u t u .c o m 表 2 测试样本及预测结果 70 68 66 64 善6 2 6 O 理 5 8 56 54 2 3 4 5 样 本序号 各种方法计算结果比较 本研究尝试将 S V M应用于高强混凝土的强度预测 ， 建立 了以粉煤灰在胶凝材料中所占的比例、 胶凝材料用量、 胶水比 混凝土渗透性为影响因素的高强混凝土的强度预测的 S VM模 型。并将该模型计算结果与实测混凝土 2 8 d抗压强度( MP a ) 、 B P网络计算的强度( MP a ) 、 R B F径向基函数神经网络网络计 算的强度( MP a ) 、 线性回归模型计算的强度( MP a ) 、 非线性回归 模型计算的强度( MP a ) 进行比较。研究表明， 预测结果与实测 结果吻合较好 ， 较神经网络等有较高的预测精度 ， 很好地预测 了混凝土强度随各种因素的变化。需要指出的是 ， 模型是根据 较少的样本训练出的， 但所建立的神经网络模型是动态的， 随 着实测数据的不断积累， 可以不断加强网络的学习能力， 即它 可以在新取得的样本基础上进行 自学习， 形成更完善 、 更完整 的评估预测系统 ， 使网络的输出值更加接近实测值 ， 从而进一 步提高预测的精度和模型的应用范围， 并应用于混凝土配合比 虚拟设计， 节约大量的时间和财力。 参考文献 ： 1 G B J l 4 6 9 0 ， 粉煤灰混凝土应用技术规程 s 】 - E 京 ： 中国标准出版 社 ， 1 9 9 0 2 】 J G J 5 5 2 O o o ， 普通混凝土配合比设计规程 s 】 【 京： 中国建筑工业 出版社 。 2 0 0 1 3 】 赵胜利 ， 刘燕 基于 R B F 网络的商品混凝土强度预测分析 J 】 计算机 工程 ， 2 0 0 5， 3 1 ( 1 8 ) ： 3 6 3 7 S e u n g - C h a n g L P r e d i e t i o n 0 f c o n c r e t e s t r e n g t h u s i n g a r t i fi c i a l n e u r a l n e t w o r k s J E n g i n e e r i n g S t r u c t u r e s ， 2 0 0 3 ( 2 5 ) ： 8 4 7 - 8 4 9 5 】 胡立黎， 郑宏 基于遗传一 神经网络无黏结部分预应力高强混凝土梁 的延性fJ 1 江南大学学报： 自然科学版 ， 2 0 0 8 ， 7 ( 4 ) ： 4 7 9 4 8 3 6 】 胡明玉， 唐明述 神经网络在高强粉煤灰混凝土强度预测及优化设 计中的应用 J 混凝土， 2 0 0 1 ( 1 ) ： 1 3 1 7 7 】 李荣， 孟云芳， 韩永波 高强混凝土强度的人工神经网络预N U J 宁夏 工程技术， 2 0 0 9 ， 8 ( 3 ) ： 2 5 6 2 5 9 【 8 V A P N I K V， L A D I MI R N T h e n a t u r e o f s t a t i s t i c a l l e a r n i n g t h e o r y M S p rin g e r Ve r l a g， Ne w Yo r k， I n c， 2 0 0 0 作者简 介： 单位地址 ： 联 系电话 ： 崔海霞 ( 1 9 7 7 一 ) ， 女 ， 教师 ， 讲师 。 河北省廊坊市爱民西道 1 0 0号 廊坊师范学院建筑工 程学院( 0 6 5 0 0 0 ) 1 3 7 2 2 61 5 4 0 6 三一重工为上海中心底板浇筑提供特级服务 2 0 1 0年 3月 2 8日深夜 ， 被誉为“ 中国泵王” 的三一泵以高配置、 高可靠性 、 强抗腐蚀性等混凝土施工技术， 以6 0 h一次浇筑 6 1 0 0 0 1T I ， 高强度等级混凝土( 目前世界最大的民用建筑混凝土基础底板方量 ) 的纪录圆满完成“ 中国第一高楼” 上海中心大厦底板 的浇筑 。在这奇 迹的背后 ， 一群被 称为工地 “ 守护神 ” 的三一服务工程师功不可没 。 2 0 1 0年 3月 2 6日上午 9点， 上海中心底板浇筑拉开帷幕。 此次上海中心底板混凝土浇筑是罕见的超大面积、 超深厚度、 超大用 量和超高强度( 混凝土) “ 四超” 工程， 泵送的C 5 0 混凝土内加了超强添加剂， 3 0 mi n无动作便会在管道内形成初凝 ， 这意味着整套管 道报废， 将给施工方造成极大的损失。 面对挑战， 三一泵送事业部上海分公司特级服务小组周密部署， 其服务经理张斌把服务小组分为拖泵组与泵车组， 全程 6 0 h对 所有设备进行巡查监控， 并时刻记录设备的运行数据。 同时， 特级服务小组安排装备齐全的6台服务车， 以高度警觉的状态准备随时投入抢修。除此之外 ， 小组成员与客户操作手建 立了良好的沟通渠道， 及时与他们沟通设备工作情况 ， 保证操作手高质量完成浇筑。 在施工中， 设备持续运行时间长， 出现任何异常现象都有可能最终导致设备无运行。为了把隐患消灭在萌芽状态， 特级服务小 组专人守候 ， 快捷反应。工地上， 经常可见到特服工程师们爬上爬下， 甚至爬在车底下进行细致检查 ， 随时记录运行数据 ， 不放过任 何可疑隐患。 时间一分一秒过去， 在上海分公司全体特级服务小组成员的 6 0h悉心呵护下， 所有施工设备没有出现一起故障。3月2 9日凌 晨 3 点左右 ， 随着最后一台 5 6 1 T I 泵车撤出工地， 此次 6 1 0 0 0 m 昆 凝土的泵送任务圆满收官。 “ 我们建工集团特别要感谢三一重工的服务工程师们 ， 他们的敬业执着、 吃苦耐劳和追求完美的精神让我们感动， 为了这神圣 的 6 0 h的出色表现和万无一失， 他们前期做了大量准备工作 ， 风雨无阻， 主动巡检， 随叫随到， 在配件 、 抢修等方面， 和我们配合得非 常好。应该说， 无论是产品还是服务， 三一做得都很出色!” 上海建工集团一负责人一再肯定了三一售后服务的优质与可靠。 在上海中心底板历时三天三夜的连续浇筑过程中， 特级服务小组成员通过对设备“ 一对一” 全方位的跟踪服务和精心维护， 确 保了设备的顺利施工。在上海中心 ， 他们被客户亲切誉为是一支素质过硬、 技术精湛、 吃苦耐劳的“ 钢铁之师” 。 51 学兔兔 w w w .x u e t u t u .c o m