一种基于GA-SVM的可控低强度材料性能预测方法

技术领域

本发明属于土体固化技术领域，具体涉及一种基于GA-SVM的可控低强度材料性能预测方法。

背景技术

可控低强度材料是一种具有高流动性，在自重作用下无需或少许振捣可自行填充，形成自密实结构的替代传统回填材料的胶凝回填材料。目前，该种材料已被广泛应用于结构回填、管道衬砌、空隙填筑、路面基层、桥梁道路等岩土工程中。近些年来，大量学者不断尝试应用一些新的材料来制备可控低强度材料，这些材料包括再生细骨料、新型钢渣、废牡蛎壳、高塑性土等。相关研究不但极大的丰富了制备可控低强度材料的材料来源，也深刻地阐释了可控低强度材料的性能形成机理。尽管针对可控低强度材料的研究取得了丰硕的成果，但由于缺少可靠的性能预测的方法，可控低强度材料还没有形成标准的配料方法。

目前可控低强度材料的研究大多通过正交试验或响应面法等确定固化剂最优配方及强度预测模型。正交试验法计算精度差，响应面法虽然精度高，但仍需要开展大量的旋转中心试验来确定自变量的系数，当自变量数目较多时，该方法试验成本将显著增加。支持向量机(support vector machines,SVM)是建立在统计学习理论基础上的一种机器学习算法，它凭借结构风险最小化原则，有效的解决了维数灾难、欠学习等研究难题，并在小样本、维度高、非线性等情况下取得了较大的研究进展，目前已经在包括土木工程的众多领域内得到了广泛应用。但其预测精度受惩罚参数C与核函数参数g影响很大，设置不同的C、g参数显示出不同的预测精度。

发明内容

本发明的目的在于提供一种基于GA-SVM的可控低强度材料性能预测方法，该方法可以简单、高效、准确地对可控低强度材料的性能指标进行预测。

一种基于GA-SVM的可控低强度材料性能预测方法，其特征在于，具体步骤如下：

S1：配制不同水泥掺入量、水灰比以及不同外掺剂掺入量的土基可控低强度材料，并对其不同龄期下的物理及力学性质进行测试；

S2：选取工程中较为关注的性能指标作为预测对象，选取影响其性能指标的因素作为变量，构建数据集，剔除数据集中的异常点，进行标准化处理；

S3：对标准化处理的数据进行分组，一部分作为训练集，另一部分作为验证集，采用GA算法对SVM模型优化时，为能找到模型最优的参数，引入交叉验证法，不断进行试算，找到最优的惩罚因子C和核函数γ参数进行优化，建立GA-SVM性能预测模型；

S4：将GA-SVM性能预测模型的预测结果与验证集数据进行比对，分析模型的预测精度。

更进一步而言，所述S1中，所述的外掺剂可以为早强剂、膨胀剂、减水剂、引气剂、缓凝剂等一种或者其组合，但不仅限于以上几种；也可以为复合外掺剂。

更进一步而言，所述S1中，所述不同龄期是指可控低强度材料在标准条件下养护时间为0天、3天、7天、14天或者28天等。

更进一步而言，所述S1中，所述物理及力学性质包括流动度、无侧限抗压强度、密度等。

更进一步而言，所述S2中，所述影响其性能指标的因素可以为水泥掺入量、水灰比、外掺剂掺入量等，但不仅限于以上几个。

更进一步而言，所述S1中，所述标准化处理是对数据集进行预处理，以加快模型的训练速度和收敛速度，提高预测精度，标准化处理方法为：

其中：

更进一步而言，所述S3中，所述交叉验证法的基本思想是设置参数遍历区间，对原始数据进行分组，一部分作为训练集，另一部分作为验证集，利用验证集来测试模型的优劣，不断进行试算，直至找到最优的参数。

此处选用k折交叉验证，其平均均方误差表示为：

其中，MSE

其中：y是第i次的真实观测值，f(x)是模型给出的第i次的观测的预测值，n是样本数量；

以CV

更进一步而言，所述S3中，所述SVM预测模型的基本思想使用结构风险按最小化原理在属性空间构建最优分类超平面，使得分类器得到全局最优，并在整个样本空间的期望风险以某个概率满足一定上界。其原理为：

假设n维空间训练样本集为{X

式中，ω为方向向量；

在求解ω和b的问题可转化为求目标函数的极值问题，将松弛变量引入模型，得到优化方程为：

对于离散非线性系统最优控制的代价函数g(x)为：

式中，C为惩罚因子；ξ

引入拉格朗日乘子α

求解上述问题，可得到SVM回归函数为：

式中：

考虑到径向基核函数(Radial Basis Function,RBF)可以将样本映射到一个更高维空间，当类标签与特征之间的关系为非线性的样例时，可以得到较好的处理效果，故在上述计算过程中采用的核函数为高斯径向核函数；

K(x

式中：g为核函数参数，g>0；

其中的惩罚因子C和核函数参数g在解决实际问题过程中对模型运算效率和预测精度有较大影响。

更进一步而言，所述S3中，利用GA算法将待优化参数编码生成染色体，通过选择、交叉、变异的方法，以新的种群取代现有种群；通过交换双亲染色体间的交换获得更好的后代，得到优化后的惩罚系数C和核函数参数g。

更进一步而言，所述S4中，可采用平均绝对误差、拟合优度、均方误差、均方根误差、误差平方和、平均绝对百分比误差等分析模型的预测精度。

本发明的有益效果：

本发明利用GA算法对可控低强度材料的性能指标SVM预测模型优化设计，能够更准确地完成对性能的预测，且效率高、误差小；

本发明提出的预测方法创新性的提供了一种新的思路，通过该预测方法，便于可控低强度材料形成标准的配料方法。

附图说明

图1是本发明方法的整体流程图；

图2是本发明实施例不同指标的预测结果对比图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

参见图1，本发明提供了一种基于GA-SVM的可控低强度材料性能预测方法，包括以下步骤：

S1：试验用粘性土取自中国吉林长春绿园区泰德公园小区的施工现场，加入水泥、早强剂、高效减水剂、生石灰以及水，配制成以粘性土为基础的可控低强度材料，对其物理及力学性质进行测试，测试结果见表1。

表1 不同配比的可控低强度材料的性能测试结果

/>

注：表中水泥掺入比是指水泥质量与土质量的比值；水灰比是指水的质量与水泥质量的比值；早强剂或减水剂的掺入比是指早强剂或减水剂质量与水泥质量的比值；生石灰采用内掺的方法加入，其掺入比是指生石灰质量与总的固化剂质量之比。

S2：选取的指标包括初始流动度、无侧限抗压强度(3d、7d、28d)以及28d的重度作为预测对象，选取水泥掺入比、水灰比、早强剂掺入比、减水剂掺入比及生石灰掺入比作为变量，构建数据集，剔除数据集中的异常点，采用公式(1)进行标准化处理。

S3：对标准化处理的数据进行分组，选取其中70％的数据作为训练集，其余部分作为验证集。

采用GA算法对SVM模型优化时，GA算法参数设置为：最大的进化代数为300次，种群最大数量为60，交叉概率为0.6，变异概率为0.01，交叉验证参数为3。

要预测的性能指标流动度、无侧限抗压强度(3d、7d、28d)以及28d的重度，5个SVM模型参数C及g结果见表2。

表2五个性能指标预测模型最优C、g值

将最优C及g输入支持向量机模型，分别建立流动度、无侧限抗压强度(3d、7d、28d)以及28d的重度的GA-SVM模型。

S4：将训练集输入上述所建立的模型中，完成对模型的训练。将GA-SVM性能预测模型的预测结果与验证集数据进行比对，结果如图2所示。模型预测性能参数如表3所示。

表3预测模型性能比较

/>