一种混凝土抗压强度的预测方法、系统、设备与介质
本发明涉及建筑强度预测,特别涉及一种混凝土抗压强度的预测方法、系统、设备与介质。
背景技术:
1、超高性能混凝土(ultra-high performance concrete, uhpc)凭借其超高的抗压强度、优异的韧性和卓越的耐久性,已成为现代土木工程领域的前沿材料。随着钢纤维、碳酸钙晶须等多尺度纤维的引入,uhpc的力学性能得到了进一步提升,但与此同时,其材料组成日趋复杂,各组分间的非线性耦合作用给抗压强度的精准预测与配合比的高效优化带来了巨大挑战。
2、近年来,随着人工智能技术的发展,机器学习(machine learning, ml)已成为解决材料科学领域复杂非线性问题的有力工具。多项研究表明,ml方法能够从海量实验数据中自动学习输入参数(如材料配合比)与输出性能(如抗压强度)之间的高维非线性关系,在uhpc性能预测方面展现出巨大潜力。目前,已有多种机器学习模型被应用于uhpc抗压强度预测,包括支持向量回归(svr)、反向传播神经网络(bpnn)、随机森林(rf)、极限学习机(elm)、xgboost等。在模型优化方面,研究者进一步引入灰狼优化算法(gwo)等智能优化策略对模型超参数进行寻优,以提升预测精度。在集成学习领域,catboost模型因其在处理类别特征、防止过拟合及训练效率方面的优势,在uhpc强度预测中表现出色,多项研究报道其决定系数r²可达0.86以上。此外,部分研究开始将机器学习预测与配合比优化相结合,例如将ml预测模型与遗传算法(ga)结合以实现uhpc的多目标优化设计,或采用nsga-iii算法进行碳排放、经济成本与力学性能间的协调寻优。
3、然而,机器学习模型(尤其是集成学习模型和神经网络)通常被视为“黑箱”,其内部决策机制难以被理解,仅能建立输入特征与抗压强度之间的相关性关系,即回答什么特征与强度有关,而无法回答改变某个特征,强度会改变多少这一因果性问题,这使得预测结果不准确,甚至不可信。
技术实现思路
1、本发明的目的在于针对上述现有技术的不足,提供一种混凝土抗压强度的预测方法、系统、设备与介质,以解决现有技术中的问题。
2、本发明具体提供如下技术方案:
3、一种混凝土抗压强度的预测方法,包括:
4、获取待测多尺度纤维增强超高性能混凝土的配合比参数作为输入特征;
5、将所述输入特征输入至预先训练好的类别提升树回归模型,获取所述类别提升树回归模型输出的抗压强度初始预测值;获取每个初始输入特征相对于所述抗压强度初始预测值的shap值,根据所述shap值从初始输入特征中筛选出对抗压强度初始预测值具有因果驱动潜力的关键特征;估计所述关键特征对抗压强度初始预测值的因果效应,所述因果效应包括各关键特征取值变化时所述抗压强度初始预测值的边际变化方向及变化幅度;
6、根据所述边际变化方向及变化幅度对关键特征的配合比参数进行迭代调整,生成优化后的输入特征,并将优化后的输入特征输入类别提升树回归模型中,得到抗压强度优化预测值。
7、优选的,所述关键特征的获取过程具体为:
8、获取初始输入特征的平均绝对shap值,将平均绝对shap值大于全部特征平均绝对shap值均值的特征判定为所述关键特征。
9、优选的,估计所述关键特征对抗压强度初始预测值的因果效应,具体为:
10、采用加性噪声模型对所述关键特征与抗压强度之间进行因果方向识别;
11、基于识别出的因果方向,采用双重机器学习框架下的因果森林算法,估计各关键特征对抗压强度的平均处理效应和条件平均处理效应,所述边际变化方向及变化幅度根据所述平均处理效应和/或条件平均处理效应确定。
12、优选的,所述得到抗压强度优化预测值后,还包括:
13、比较所述抗压强度优化预测值与所述抗压强度初始预测值,若所述抗压强度优化预测值高于所述抗压强度初始预测值,则将所述抗压强度优化预测值作为最优预测结果输出,同时输出所述优化后的输入特征作为推荐配合比参数。
14、优选的,所述多尺度纤维包括毫米级钢纤维和微米级碳酸钙晶须。
15、优选的,所述输入特征包括:水泥、硅灰、粉煤灰、石英粉、骨料、水、钢纤维、碳酸钙晶须和减水剂的配合比参数。
16、优选的,所述类别提升树回归模型的训练过程具体为:
17、获取多尺度纤维增强超高性能混凝土的样本数据集;
18、对所述样本数据集进行z-score标准化预处理,并划分为训练集和测试集;
19、基于所述训练集构建并训练类别提升树回归模型;
20、采用网格搜索结合五折交叉验证策略对所述类别提升树回归模型进行超参数优化,以决定系数r²为主要优化目标,得到训练后的提升树回归模型。
21、本发明提供一种混凝土抗压强度的预测系统,包括:
22、数据获取模块,用于获取待测多尺度纤维增强超高性能混凝土的配合比参数作为输入特征;
23、特征处理模块,用于将所述输入特征输入至预先训练好的类别提升树回归模型,获取所述类别提升树回归模型输出的抗压强度初始预测值;获取每个初始输入特征相对于所述抗压强度初始预测值的shap值,根据所述shap值从初始输入特征中筛选出对抗压强度初始预测值具有因果驱动潜力的关键特征;估计所述关键特征对抗压强度初始预测值的因果效应,所述因果效应包括各关键特征取值变化时所述抗压强度初始预测值的边际变化方向及变化幅度;
24、优化预测模块,用于根据所述边际变化方向及变化幅度对关键特征的配合比参数进行迭代调整,生成优化后的输入特征,并将优化后的输入特征输入类别提升树回归模型中,得到抗压强度优化预测值。
25、本发明提供一种计算机设备,包括存储器及处理器,所述存储器中储存有程序,所述程序被所述处理器执行时,使得所述处理器执行上述一种混凝土抗压强度的预测方法的步骤。
26、本发明提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种混凝土抗压强度的预测方法的步骤。
27、与现有技术相比,本发明具有如下显著优点:
28、本发明将输入特征输入至预先训练好的类别提升树回归模型,输出抗压强度初始预测值,获取抗压强度初始预测值的shap值,并筛选具有因果驱动潜力的关键特征,估计关键特征对抗压强度初始预测值的因果效应;基于因果效应对关键特征的配合比参数进行迭代调整,生成优化后的输入特征;可见本发明通过将shap可解释性分析与因果推断方法嵌入预测流程内部,构建预测-解释-因果量化-优化的闭环反馈机制,使预测模型从被动输出静态数值的开环模式升级为主动输出最优解及实现路径的闭环寻优模式,从根本上解决了现有预测方法只给出结果、不告诉原因、更不指导如何改进的固有缺陷,使得预测结果既具有数学精度,又具备因果可解释性与工程可操作性,实现了多尺度纤维增强uhpc抗压强度预测从数值驱动到因果决策驱动的质变。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com