一种基于机器学习的低碳混凝土多性能设计方法

技术领域

本发明属于混凝土性能分析领域，涉及机器学习、混凝土以及运筹学技术，特别是涉及一种基于机器学习的低碳混凝土多性能设计方法。

背景技术

建筑行业常用的生产材料，不仅消耗了大量的不可再生资源，而且加剧了环境污染与全球变暖趋势。低碳混凝土是将建筑废弃物、工业废弃物经过破碎、分级等一系列处理以替代部分原材料的一种环保型混凝土，目前典型的做法有：(1)采用处理后的工业废弃物(粉煤灰、矿渣等)作为辅助胶凝材料替代水泥；(2)采用处理后建筑废弃物作为再生骨料替代天然骨料。低碳混凝土的应用不仅可以有效降低环境污染，还可以有效提高废弃物的高值化再利用与经济效益。

现有研究大多采用经验公式对低碳混凝土的性能进行设计。这种经验公式往往存在以下的不足：(1)通过少量试验样本进行回归得到的公式具有较低的可靠度；(2)有限的设计参数仅能反映骨料、水等部分参数对混凝土性能的影响；(3)只能设计抗压强度等单一材料性能，无法考虑低碳混凝土的碳排放、成本等性能。

机器学习具有较强的多变量分析与非线性系统处理能力，可以有效分析混凝土的各类材料性能。采用运筹学中多目标优化与逼近理想解法可以确定满足最优材料性能、最小碳排放和成本的低碳混凝土设计方案。

发明内容

本发明的目的在于提供一种基于机器学习的低碳混凝土多性能设计方法，以解决背景技术中提出的问题。

为实现上述目的，本发明提供技术方案如下：

一种基于机器学习的低碳混凝土多性能设计方法，包括以下步骤：

步骤1，确定关于低碳混凝土性能的第一表征参数、第二表征参数及关键影响参数；

步骤2，构建以关键影响参数为输入、以第一表征参数为输出的第一性能预测网络模型；

步骤3，基于关键影响参数构建关于第二表征参数的第二性能评估模型并确定其约束条件；

步骤4，构建包括第一表征参数、第二表征参数的多性能规划模型；

步骤5，基于多性能规划模型，并结合第一性能预测网络模型和第二性能评估模型，确定低碳混凝土各性能之间的帕累托最优解集；

步骤6，采用逼近理想解法确定帕累托最优解集中的最优解作为低碳混凝土的最优设计方案。

优选地，所述第一表征参数包括抗压强度、氯离子渗透系数；关键影响参数包括原材料参数、再生材料参数及养护条件。

优选地，所述第二表征参数包括碳排放量、成产成本。

优选地，所述步骤2包括以下步骤：

构建包括若干数据对的数据集，其中任一数据对包括对应的第一表征参数值与关键影响参数值，对数据集进行标准化处理；

设置BP神经网络模型为预训练模型，其输入层的神经元数量为关键影响参数数量，输出层的神经元数量为第一表征参数数量，输入层和输出层之间设置一隐藏层；

基于均方误差函数构建损失函数，初始化训练参数，结合数据集以最小化损失函数为目标对模型的结构参数进行优化。

优选地，所述第二性能评估模型表示为

其中，CO

优选地，所述约束条件包括材料的体积约束，体积约束表达式为

其中，N表示材料的总数。

优选地，所述约束条件还包括材料的比例约束，比例约束表达式为

优选地，所述多性能规划模型表示为

其中，f

优选地，所述步骤5包括以下步骤：

基于第一性能参数预测模型、第二性能评估模型获取符合约束条件的性能参数解集；

从性能参数解集中选择多性能规划模型的非凹最优解作为帕累托最优解集。

优选地，所述步骤6包括以下步骤：

利用多性能规划模型获取帕累托最优解集中每个性能的最优值，构建理想解；

计算帕累托最优解集中每个解与理想解的距离，将距离理想解最近的解作为低碳混凝土的最优设计方案。

本发明通过设置基于深度学习的第一性能预测网络模型，利用该网络模型获取高准确率的第一表征参数值，并结合第二性能评估模型获取第二表征参数值，利用符合约束条件的可行解来计算第一表征参数值和第二表征参数值，构建关于低碳混凝土多性能规划模型，采用逼近理想解法确定低碳混凝土性能最优对应的混凝土材料设计方案。

与现有技术相比，本发明的有益效果为：

通过设置不同的第一表征参数和第二表征参数，分别构建对应的性能评估模型，并构建含有第一表征参数和第二表征参数的多性能评估面模型，采用逼近理想解法确定低碳混凝土材料性能最优的设计方案，在保证低碳混凝土符合设计要求的同时满足不同的性能，通过设置基于机器学习的网络模型来预测高准确率的第一表征参数值，实现关键影响参数与第一表征参数之间的非线性映射关系。

附图说明

图1为发明方法的流程图。

图2为本发明中的网络模型结构示意图。

图3为本发明采用的帕累托最优解集说明图。

图4为使用本发明的低碳混凝土性能预测模型得到的预测结果图。

图5为低碳混凝土性能规划模型的性能参数解集与帕累托最优解集图。

具体实施方式

为方便理解，下面通过具体实施例，并结合附图，对本发明的技术方案和实施方式作进一步清楚、完整、详细地描述说明，需要知道的是，本发明所描述的实施例是在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但仅是本发明一部分实施例，而不是全部的实施例，所描述的具体实施方式仅限于说明和解释本发明，并不限制本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

参照图1所示，一种基于机器学习的低碳混凝土多性能设计方法，包括6个步骤：

步骤1，确定关于低碳混凝土性能的第一表征参数、第二表征参数及关键影响参数；该第一表征参数包括抗压强度、氯离子渗透系数，该第二表征参数包括碳排放量、成产成本，该关键影响参数包括原材料参数(水泥含量、水泥等级、水含量、天然细骨料含量、天然粗骨料含量、天然粗骨料吸水率)、再生材料参数(再生粗骨料含量、再生粗骨料吸水率、粉煤灰含量、矿渣含量)及养护条件(龄期)。

本发明所述方法将再生骨料的材料特性作为输入参数以考虑再生骨料的来源、品质等因素的影响，适用于不同类型建筑废弃物的再利用。

步骤2，构建以关键影响参数为输入、以第一表征参数为输出的第一性能预测网络模型并训练。

本发明步骤2中，将低碳混凝土性能的关键影响参数作为神经网络模型的输入变量、抗压强度与氯离子渗透系数作为神经网络模型的输出变量，评估低碳混凝土静力性能与耐久性能，具体流程如下：

步骤2.1，构建包括807组数据对的数据集，其中任一数据对包括对应的第一表征参数值与关键影响参数值。

步骤2.2，采用z-Score方法将数据集中的数据进行标准化处理。

步骤2.3，使用BP神经网络模型作为基础模型，并确定神经网络模型的网络结构，包括：将输入层的神经元数量设置为11个、输出层的神经元数量设置为2个，在输入层和输出层间设置1层隐藏层，采用tansig函数作为输入层-隐藏层的激活函数，采用purlin函数作为隐藏层-输出层的激活函数；最后得到的即为第一性能预测网络模型。

步骤2.4，将数据集划分为训练集和测试集，这里训练集和测试集中数据对的数量比为7∶3。

步骤2.5，基于均方误差函数构建损失函数；初始化训练参数，包括设置学习率为1e-03、迭代次数为10000、训练优化器为贝叶斯优化器；基于训练集和测试集，以最小化损失函数为目标对该低碳混凝土性能预测网络模型的结构参数进行优化直至模型收敛，即可得到训练后的第一性能预测网络模型。

与以往基于少数试验样本回归的经验公式不同，本发明所述方法基于大数据集建立了机器学习模型，采用贝叶斯优化算法确定了模型的最优超参数组合，建立的预测模型具有更高的精度。如图4所示，将数据样本代入BP神经网络预测模型分别在训练集和测试集上得到的预测值与试验值的对比情况，横坐标分别为抗压强度f

步骤3，基于关键影响参数构建关于第二表征参数的第二性能评估模型及其约束条件。

该第二性能评估模型如下式所示，

其中，CO

表1：

表2：

该第二性能评估模型的约束条件包括体积约束和比例约束，该体积约束为各材料用量/比重之和等于1，记为

本实施例中的约束条件具体如下式所示，

其中，A表示比重，这里，x＝0.3、y＝0.5、c＝0.3、d＝0.65、e＝0、f＝1、g＝0、h＝0.15、i＝0、j＝0.15。

这里，本发明考虑了水灰比、砂率、再生骨料取代率等约束条件，可以给出低碳混凝土满足材料性能最大化时，碳排放和成本最小化的最佳设计方案，为实际工程提供设计依据。

步骤5，构建包括第一表征参数、第二表征参数的多性能规划模型如下式所示，

其中，f

本发明所述方法同时考虑了低碳混凝土的静力性能、耐久性能、碳排放与成本等多个指标，可以在保证低碳混凝土设计要求的同时，充分发挥该类材料的经济与环保优势；

步骤6，基于多性能规划模型，并结合第一性能预测网络模型和第二性能评估模型，确定低碳混凝土各性能之间的帕累托最优解集。具体来说，包括以下步骤：

步骤6.1，基于第一性能参数预测模型、第二性能评估模型获取符合约束条件的性能参数解集。本实施例中，通过设定约束条件中的各变量的取值，采用遗传算法NSGA-II对各输入变量的可能取值进行搜索，得到符合约束条件的输入变量取值，计算各性能参数值，得到性能参数解集；其中，NSGA-II的种群数量设置为500，迭代次数设置为1000。

这里，可行解集中的任一可行解由水泥含量、水泥等级、水含量、天然细骨料含量、天然粗骨料含量、天然粗骨料吸水率、再生粗骨料含量、再生粗骨料吸水率、粉煤灰含量、矿渣含量、及龄期的具体数值组成。性能参数解集中的任一解均由抗压强度、氯离子渗透系数、碳排放及成本的具体数值构成。

步骤6.2，对性能参数解集，确定低碳混凝土各性能之间的非凹最优解作为帕累托最优解集，其中任一帕累托最优解由抗压强度、氯离子渗透系数、碳排放及成本的具体数值构成。

帕累托最优(ParetoOptimality)，也称为帕累托效率(Paretoefficiency)，是指资源分配的一种理想状态，假定固有的一群人和可分配的资源，从一种分配状态到另一种状态的变化中，在没有使任何人境况变坏的前提下，使得至少一个人变得更好，这就是帕累托改进或帕累托最优化，如图3所示，同样假设两个目标函数，对于解A而言，在变量空间中找不到其他的解能够优于解A，那么解A就是帕累托最优解，所有的帕累托最优解构成帕累托最优解集。

步骤7，采用逼近理想解法确定帕累托最优解集中的最优解作为低碳混凝土的最优设计方案。具体来说，首先利用多性能规划模型获取帕累托最优解集中每个性能的最优值构建理想解，计算帕累托最优解集中每个解与理想解的距离，距离理想解最近的解即为低碳混凝土的最优设计方案。

这里的“每个性能的最优值”分别为抗压强度最大值、氯离子渗透系数最小值、碳排放最小值、成本最小值。

图5各分图分别示出了抗压强度、氯离子抵抗性能、碳排放及成本之间的性能参数解集与帕累托最优解分布，其中蓝色数据点为可行解，红色数据点为帕累托最优解集，颜色的深度为帕累托最优解集中各解的得分，得分为1的方案为最优设计方案。

本实施例中，基于表1和表2得到的最优方案见下表，此时低碳混凝土的抗压强度f

表3：