基于PSO-BP组合模型的混凝土抗压强度预测方法

技术领域

本发明涉及一种混凝土技术领域，具体涉及一种基于PSO-BP组合模型的混凝土抗压强度预测方法。

背景技术

混凝土作为现代建筑建材的重要材料是以水泥为主要凝胶材料，与骨料、水，必要时可掺入化学外加剂(减水剂、膨胀剂等)和矿物掺合料(粉煤灰、矿渣粉等)，按适当的比例配合，经过均匀搅拌、振实及养护硬化形成的人造石材。混凝土的强度是随时间的增加而增强，达到一定时间后抗压强度趋于稳定，因而行业内通常采用混凝土第28天的抗压强度来评判混凝土的质量。在目前混凝土工程中，混凝土强度的测定方法所需的时间较长，原材料组成及性能的改变对混凝土强度的影响无法得到及时反馈，因此通常采用混凝土抗压强度预测的方式进行推测，这种方法可以在短时间内推测出混凝土第28天的抗压强度，为混凝土的质量和控制提供参考。

随着对人工神经网络深入的研究，许多网络模型及算法已广泛的应用于混凝土研究中。而其中BP(Back Propagation，BP)神经网络和RBF(Radial Basis Function,RBF)神经网络是应用于混凝土领域中最主要常用的算法。神经网络得益于其具有较高的自组织性、自适应性、自学能力、联想能力以及推理能力，每个类型的神经网络都具有其独特的数据特征提取、处理以及进行预测的能力，但是神经网络也有其自身的弊端：BP算法通过误差的反向学习来修正连接权值，容易导致模型陷入局部最优解，稳定性较差，以及模型收敛速度慢和局部极小等情况；RBF精度较BP高，但是在训练样本增多时，RBF网络的隐层神经元数远远高于前者，使得RBF网络的复杂度大增加，结构过于庞大，从而运算量也有所增加。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种推算过程所需时间少，预测精度、稳定性以及适应性高的混凝土抗压强度预测方法。

为了解决上述技术问题，本发明采用了的技术方案：

一种基于PSO-BP组合模型的混凝土抗压强度预测方法，包括以下步骤：基于PSO-BP组合模型的混凝土抗压强度预测方法，其特征在于：包括以下步骤：

(1)获取多份混凝土原材料的水胶比、砂率、浆骨比的参数，以及胶凝材料强度28d胶砂抗压强度参数和混凝土28d实测抗压强度参数作为样本数据；

(2)对样本数据进行归一化处理；

(3)构建基于PSO-BP组合模型的混凝土抗压强度预测模型，混凝土抗压强度预测模型嵌入有BP、RBF、RBF-BP和MEA-BP神经网络结构；

(4)将归一化处理后的样本数据输入至基于PSO-BP组合模型的混凝土抗压强度预测模型中进行训练；

(5)将待测混凝土原材料的水胶比、砂率、浆骨比的参数，以及胶凝材料强度28d胶砂抗压强度参数输入至基于PSO-BP组合模型的混凝土抗压强度预测模型中，得到混凝土28d抗压强度预测值。

作为优化，所述基于PSO-BP组合模型的混凝土抗压强度预测模型中的PSO算法参数设置包括个体学习因子c1＝(0.5～2)，社会学习因子c2＝(0.5～2)，惯性权重w＝(0.1～1)，进化次数maxgen＝(10～1000)，种群规模sizepop＝(10～100)，粒子速度Vmax＝(0～5)，Vmin＝(﹣5，0)，粒子位置popmax＝(0～10)，popmin＝(﹣10～0)，维数dim＝(1～4)。

作为优化，将所述样本数据分为训练样本数据和测试样本数据，训练样本数据和测试样本数据的比例为(60～90)∶(10～40)。

本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于PSO-BP组合模型的混凝土抗压强度预测方法。

相比现有技术，本发明具有以下优点：

(1)通过本发明可以快速预测出设计的配合比下对应的混凝土28d抗压强度，以及能够及时预测得到原材料变化对混凝土强度变化的影响，进而能够及时对混凝土配合比的调整；

(2)本发明嵌入了多个神经网络预测模型，因此本发明具有较高的预测精度、稳定性以及适应性，能应对复杂的数据分析处理及预测；

(3)本发明不仅结合了多个预测模型的有效预测信息，同时避免了各个模型在调用过程中反复调试以及转换，具有较高的可操作性。

附图说明

图1为本发明的流程图；

图2为本发明中最优个体适应度的迭代过程图；

图3为本发明中计算机程序在被执行时显示的应用程序面板图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本具体实施方式中的基于PSO-BP组合模型的混凝土抗压强度预测方法，包括以下步骤：

(1)获取多份混凝土原材料的水胶比、砂率、浆骨比的参数，以及胶凝材料强度28d胶砂抗压强度参数和混凝土28d实测抗压强度参数作为样本数据；

(2)对样本数据进行归一化处理；

(3)构建基于PSO-BP组合模型的混凝土抗压强度预测模型，混凝土抗压强度预测模型嵌入有BP、RBF、RBF-BP和MEA-BP神经网络结构；

(4)将归一化处理后的样本数据输入至基于PSO-BP组合模型的混凝土抗压强度预测模型中进行训练；

(5)将待测混凝土原材料的水胶比、砂率、浆骨比的参数，以及胶凝材料强度28d胶砂抗压强度参数输入至基于PSO-BP组合模型的混凝土抗压强度预测模型中，得到混凝土28d抗压强度预测值。

本具体实施方式中，所述基于PSO-BP组合模型的混凝土抗压强度预测模型中的PSO算法参数设置包括个体学习因子c1＝1.49445，社会学习因子c2＝1.49445，惯性权重w＝0.9，进化次数maxgen＝100，种群规模sizepop＝25，粒子速度Vmax＝1，Vmin＝-1，粒子位置popmax＝5，popmin＝-5，维数dim＝1。

本具体实施方式中，将所述样本数据分为训练样本数据和测试样本数据，训练样本数据和测试样本数据的比例为85:15。

由于神经网络本身的局限性无法避免，因而在本发明中结合生物进化算法——粒子群算法(Particle Swarm Optimization,PSO)进行优化提升，以水胶比、砂率、浆骨比、胶凝材料28d强度作为组合模型的4个输入变量，以混凝土28d抗压强度作为输出变量，建立了基于PSO-BP优化的组合神经网络模型，该模型嵌入了有BP、RBF、RBF-BP、MEA-BP(思维进化算法：Mind evolutionary algorithm,MEA)等四个神经网络结构，以该组合模型作为混凝土28d抗压强度的预测方法。

开展11组混凝土实验进行混凝土强度测试与验证，混凝土原材料配合比如

表1所示：

表1

表1中的各原材料的单位均为Kg，另外本发明在具体实施的时候混凝土中不限于上述原材料，其中水泥标号为P.O42.5的普通硅酸盐水泥；粉煤灰为F类；石粉为石灰石粉；矿粉为S95粒化高炉矿渣；水采用的是自来水；细集料为Ⅱ区中砂机制砂，细度模数为2.7；粗集料包括粒径为4.75～9.5mm的石灰石碎石Ⅰ和粒径为9.5～19mm的石灰石碎石Ⅱ，石灰石碎石Ⅰ与石灰石碎石Ⅱ的碎石比例为3:7，另外粗集料还可以是石灰石碎石Ⅰ或石灰石碎石Ⅱ中任意一种。

结合设计的试验混凝土配合比开展混凝土试验，同时按照标准规范开展对应的胶凝材料28d抗压强度的胶砂实验，正常养护28d后记录对应的28d胶砂抗压强度以及对应的混凝土28d抗压强度，如表2所示：

表2

以水胶比、砂率、浆骨比、胶凝材料28d强度作为基于PSO-BP组合模型的混凝土抗压强度预测模型的四个输入样本，以混凝土28d抗压强度作为输出样本，模型开始进行迭代训练，通过反复迭代，图2是每代最优个体的适应度值的迭代过程，各单项模型得出的预测值如表3所示：

表3

将各模型的预测值作为PSO-BP组合模型的输入样本，输出样本为混凝土28d抗压强度，得到预测结果见下表4：

表4

在这11组中，模型预测值与混凝土强度实测值误差在2MPa以内，最小误差0.07MPa，最大误差1.77MPa，平均绝对误差为0.849MPa；其中Y

一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述所述的基于PSO-BP组合模型的混凝土抗压强度预测方法。计算机程序在被执行时将显示应用程序面板，如图3所示，应用程序面板包括参数输入窗口和参数输出窗口，通过参数输入窗口输入水泥、矿渣粉、粗集料、粉煤灰、用水量、粉体添加剂、石灰、细集料和胶砂强度的参数值后，参数输出窗口输出胶凝材料用量、混凝土容重、水胶比、砂率、浆骨比和胶凝材料强度的参数值，并且通过本发明的预测方法，参数输出窗口输出BP神经网络预测值、RBF神经网络预测值、RBF-BP神经网络预测值、MEA-BP神经网络预测值以及PSO优化非线性组合神经网络预测值，这样只需在一个界面即可完成繁杂的数据处理，并且能更直观、高效的进行预测分析。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。