高寒阴湿区道路混凝土抗压强度预测模型构建与验证方法与流程

本发明属于混凝土性能预测，特别涉及一种高寒阴湿区道路混凝土抗压强度预测模型构建与验证方法。

背景技术：

1、随着混凝土工程对资源节约和低碳化发展的要求不断提高，粉煤灰、粒化高炉矿渣等矿物掺合料被广泛用于部分替代水泥，以降低水泥用量并提高工业固体废弃物的资源化利用程度。当矿物掺合料对胶凝材料的替代率达到30%以上时，通常称为大掺量矿物掺合料混凝土。

2、与普通水泥混凝土相比，大掺量矿物掺合料混凝土的抗压强度发展规律更为复杂。一方面，粉煤灰等矿物掺合料的活性发挥相对较晚，其对混凝土早期强度和后期强度的贡献与水泥存在差异；另一方面，在大掺量条件下，矿物掺合料与水泥、减水剂等组分之间存在较为复杂的耦合作用，使混凝土抗压强度与各配合比参数之间呈现复杂的非线性关系，传统线性或非线性回归方法难以准确反映其力学性能变化。

3、目前，大掺量矿物掺合料混凝土的配合比设计仍较多依赖实体试配试验，通常需要根据不同配合比制作试件，并经过7天、28天甚至更长时间的养护后进行抗压强度测试，再依据测试结果调整配合比，存在试验周期较长、配合比筛选效率较低的问题。同时，大掺量矿物掺合料混凝土的强度发展离散性较大，传统bolomey公式等经验预测方法在该类混凝土中的预测误差较高；abrams定律主要基于水胶比与混凝土强度之间的经验关系，直接应用于含有大掺量矿物掺合料的混凝土时，也难以充分反映矿物掺合料对强度发展的影响。

4、随着机器学习技术的发展，利用历史混凝土配合比参数及对应抗压强度数据建立预测模型，为缩短试配周期和提高抗压强度预测效率提供了一种新的技术途径。机器学习模型能够处理配合比参数与抗压强度之间较为复杂的非线性关系，但是现有机器学习预测方法多针对普通混凝土或矿物掺合料掺量较低的混凝土进行构建，对于矿物掺合料替代率不低于30%的大掺量矿物掺合料混凝土，其适用性仍有待提高，且缺少针对大掺量矿物掺合料混凝土强度发展特点的专门处理。

5、此外，现有机器学习预测模型通常主要依据样本数据中的统计关系进行训练，缺乏对混凝土材料基本物理规律的直接约束，因此可能出现预测结果与基本材料规律不一致的情况。例如，在其他条件相近的情况下，模型可能出现水胶比增大而预测抗压强度反而增大的异常变化趋势。此类预测结果虽然可能在整体统计评价指标上具有一定预测能力，但其变化规律缺乏物理合理性，从而影响预测结果在实际混凝土配合比设计中的可信程度。

6、同时，在将构建完成的预测模型应用于新的混凝土配合比时，不同待测样本的预测不确定性可能存在差异，因此除了对模型整体预测性能进行验证外，还需要对具体待测样本的预测结果进行可靠性评价，并在必要时结合实体抗压强度试验结果对预测模型进行修正，以提高模型在后续应用过程中的适应性和可靠性。

7、因此，如何针对大掺量矿物掺合料混凝土的材料特点，提高抗压强度预测的准确性和物理合理性，并对预测模型及其预测结果进行有效验证，以提高预测模型在实际应用中的可靠性，仍是需要解决的技术问题。

技术实现思路

1、本发明的一个目的在于提供一种高寒阴湿区道路混凝土抗压强度预测模型构建方法，包括以下步骤：

2、s1、获取大掺量矿物掺合料混凝土样本的配合比参数以及与所述配合比参数对应的抗压强度数据，所述配合比参数至少包括水用量、水泥用量、矿物掺合料用量以及矿物掺合料总替代率，所述矿物掺合料总替代率不低于30%；

3、s2、根据所述矿物掺合料的活性指数对矿物掺合料用量进行活性修正，构建表征矿物掺合料有效胶凝贡献的掺合料活性指数特征；根据水胶比和矿物掺合料总替代率构建水胶比-矿物掺合料替代率交互特征，将所述配合比参数、所述掺合料活性指数特征和水胶比-矿物掺合料替代率交互特征作为模型输入特征；

4、s3、构建用于预测所述大掺量矿物掺合料混凝土抗压强度的机器学习基础模型，并在所述机器学习基础模型的训练过程中设置表征水胶比与抗压强度变化关系的物理一致性约束，当模型预测的抗压强度随水胶比增大而呈增大趋势时，通过所述物理一致性约束对模型训练施加惩罚；

5、s4、以所述模型输入特征作为模型输入，以所述模型输入特征对应的抗压强度作为模型输出，对设置有所述物理一致性约束的机器学习基础模型进行训练，得到大掺量矿物掺合料混凝土抗压强度预测模型。

6、作为优选地，在所述s1中，所述矿物掺合料包括粉煤灰和粒化高炉矿渣中的至少一种；所述配合比参数还包括粗集料用量、细集料用量和减水剂用量；

7、所述矿物掺合料总替代率r按照下式确定：

8、r＝(fa＋ggbs)/(c＋fa＋ggbs)×100%；

9、其中，fa为粉煤灰用量，ggbs为粒化高炉矿渣用量，c为水泥用量，且30%≤r≤60%；所述抗压强度数据包括7天抗压强度和28天抗压强度；对获取的大掺量矿物掺合料混凝土样本采用箱形图法进行异常值识别和剔除，并对剔除异常值后的样本数据进行归一化处理。

10、作为优选地，在所述s2中，所述掺合料活性指数特征包括粉煤灰活性修正用量和/或粒化高炉矿渣活性修正用量；

11、所述粉煤灰活性修正用量为粉煤灰用量与粉煤灰活性指数系数的乘积，所述粉煤灰活性指数系数为0.7～0.9；

12、所述粒化高炉矿渣活性修正用量为粒化高炉矿渣用量与粒化高炉矿渣活性指数系数的乘积，所述粒化高炉矿渣活性指数系数为0.9～1.05；

13、所述粉煤灰活性指数系数和粒化高炉矿渣活性指数系数根据对应矿物掺合料的28天活性指数试验值确定。

14、作为优选地，在所述s2中，所述水胶比-矿物掺合料替代率交互特征按照下式确定：

15、x_interaction＝(w/b)×r；

16、其中，w/b为水胶比，r为矿物掺合料总替代率；所述水胶比-矿物掺合料替代率交互特征用于表征不同矿物掺合料替代率条件下水胶比与混凝土抗压强度之间的耦合关系；

17、所述模型输入特征还包括养护龄期，所述养护龄期包括7天和28天，并作为独立的分类输入特征。

18、作为优选地，在所述s3中，所述机器学习基础模型为xgboost模型；

19、在所述s4中，采用外层迭代方式设置所述物理一致性约束，通过数值差分确定模型预测抗压强度f相对于水胶比 (w/b) 的变化趋势：

20、当∂f/∂(w/b)＞0时，确定模型预测趋势不符合预设的水胶比增大时抗压强度降低的变化规律，并确定对应训练样本的物理约束惩罚值为

21、lphysics=[∂f/∂(w/b)]2；

22、当∂f/∂(w/b)≤0时，lphysics＝0；

23、根据各训练样本对应的物理约束惩罚值调整相应训练样本的样本权重，并将调整后的样本权重作为xgboost模型的样本权重输入下一轮训练，通过多轮外层迭代对模型预测中不符合所述变化规律的趋势进行约束。

24、作为优选地，在所述s3中，采用粒子群优化算法在预设搜索空间内对所述xgboost模型的超参数进行寻优，所述超参数包括循环数、gamma值、最大树深和学习率；

25、其中，所述循环数的搜索范围为20～120，gamma值的搜索范围为0.05～0.9，最大树深的搜索范围为3～11，学习率的搜索范围为0.01～0.3；

26、所述粒子群优化算法的种群规模为20，迭代次数为20。

27、本发明的另一个目的在于提供一种高寒阴湿区道路混凝土抗压强度预测模型的验证方法，所述验证方法用于验证采用上述构建方法构建得到的大掺量矿物掺合料混凝土抗压强度预测模型，包括以下步骤：

28、s5、获取待验证的大掺量矿物掺合料混凝土抗压强度预测模型以及未参与所述预测模型训练的测试样本，将所述测试样本输入所述预测模型，获得所述测试样本的抗压强度预测值，根据所述抗压强度预测值与对应测试样本的实测抗压强度确定模型预测性能评价指标，并根据所述模型预测性能评价指标判断所述预测模型是否满足预设预测性能要求；

29、s6、在所述预测模型满足预设预测性能要求时，获取待测大掺量矿物掺合料混凝土的配合比参数，按照所述预测模型训练时采用的数据处理方式和模型输入特征构建方式对所述配合比参数进行处理，得到待测样本的模型输入特征；将所述待测样本的模型输入特征输入所述预测模型，获得抗压强度预测值及对应的预测不确定性区间，并将所述预测不确定性区间的宽度与预设区间宽度阈值进行比较，以评价所述抗压强度预测值的预测可信度；

30、s7、当所述预测不确定性区间的宽度超过预设区间宽度阈值时，根据所述待测大掺量矿物掺合料混凝土的配合比制作标准试块，对所述标准试块进行抗压强度测试，获得实体抗压强度实测值，并根据所述抗压强度预测值与所述实体抗压强度实测值确定预测误差率；

31、s8、将步骤s7获得的预测误差率与预设误差率阈值进行比较，当所述预测误差率超过所述预设误差率阈值时，将所述待测大掺量矿物掺合料混凝土的配合比参数及对应的实体抗压强度实测值作为新增样本数据补充至用于训练所述预测模型的样本数据库，并基于补充后的样本数据库对所述预测模型进行更新。

32、作为优选地，所述预测不确定性区间根据所述预测模型在训练样本上的预测误差分布确定；计算各训练样本的预测误差并按照预测误差大小进行排序，根据所述预测误差分布的分位数确定待测大掺量矿物掺合料混凝土对应的预测不确定性区间；

33、以所述预测不确定性区间的宽度作为预测可信度评价参数，当所述预测不确定性区间的宽度超过预设区间宽度阈值时，触发对所述待测大掺量矿物掺合料混凝土的实体试验验证。

34、作为优选地，所述预设区间宽度阈值为8 mpa；

35、按照混凝土抗压强度试验方法对标准试块进行测试，得到实体抗压强度实测值；

36、所述预测误差采用预测误差率表示，所述预测误差率按照下式确定：

37、预测误差率= |抗压强度预测值-实体抗压强度实测值|/实体抗压强度实测值×100%

38、当所述预测误差率超过8%时，将对应待测大掺量矿物掺合料混凝土的配合比参数及实体抗压强度实测值作为新增样本数据补充至所述样本数据库。

39、作为优选地，根据补充至所述样本数据库的新增样本数据量n确定所述预测模型的更新方式；

40、当新增样本数据量n＜30组时，以当前预测模型的模型参数作为初始参数，在所述新增样本数据上进行有限轮次模型更新；

41、当新增样本数据量n≥30组时，利用包括所述新增样本数据在内的样本数据库对所述预测模型进行完整重新训练；

42、对更新后的预测模型进行预测性能验证。

43、本发明具有以下有益效果：

44、1.本发明在模型构建过程中，针对大掺量矿物掺合料混凝土中不同矿物掺合料活性存在差异以及水胶比与矿物掺合料替代率之间存在耦合作用的问题，根据矿物掺合料的活性指数对其用量进行修正，并构建水胶比与矿物掺合料总替代率的交互特征，使模型输入特征能够进一步表征不同矿物掺合料的活性差异以及水胶比与替代率共同变化对抗压强度的影响；同时，在模型训练过程中引入基于水胶比与抗压强度变化关系的物理一致性约束，当模型预测结果出现水胶比增大而预测抗压强度异常增大的趋势时，根据物理约束惩罚值调整训练样本权重，从而限制不符合混凝土基本材料规律的预测关系。由此，使模型输入端的材料特性表征与模型训练端的物理规律约束相互配合，有利于提高大掺量矿物掺合料混凝土抗压强度预测的准确性和物理合理性；消融实验表明，专用特征工程与物理一致性约束共同设置时，模型的预测精度和物理一致性优于未设置相应技术措施的模型。

45、2.本发明在模型验证过程中，根据预测模型在训练样本上的预测误差分布确定待测样本的预测不确定性区间，并以预测不确定性区间的宽度作为预测可信度评价依据，从而识别预测不确定性较大的待测样本，并为是否需要进一步进行实体抗压强度试验提供判断依据；对于经实体试验确定预测误差超过预设阈值的样本，将其配合比参数及实测抗压强度作为新增样本数据补充至数据库，并根据新增样本数据量选择有限轮次的梯度更新或完整重新训练，使预测模型能够利用新增实测数据进行修正。由此形成预测、可信度评价、实体试验、数据反馈及模型更新的验证反馈闭环，有利于提高模型在实际应用过程中的适应性和预测结果的可靠性，并降低在新增样本数据量较小时进行完整重新训练的必要性。