一种混凝土抗压强度预测方法及系统与流程

本发明涉及混凝土结构检测，特别涉及一种混凝土抗压强度预测方法及系统。

背景技术：

1、混凝土抗压强度是评价混凝土结构承载性能、耐久性能和安全状态的重要指标。现有工程检测中，常采用回弹法、超声法或超声-回弹综合法等无损检测方法对混凝土强度进行估计。上述方法具有操作方便、成本较低和适合现场检测等优点，但传统经验公式通常依赖固定形式的回归关系，对数据分布、材料差异、龄期变化和检测环境变化的适应性较弱。当混凝土样本来源复杂、参数之间存在非线性耦合关系时，传统经验公式难以准确描述各检测参数对抗压强度的综合影响。

2、随着机器学习方法的发展，随机森林、支持向量机、高斯过程回归和神经网络等模型逐渐用于混凝土抗压强度预测。这类方法能够在一定程度上提高预测精度，但仍存在以下问题：一是多数模型主要追求预测误差最小，难以直接反映不同检测参数对预测结果的独立贡献；二是模型内部结构较为复杂，预测结果缺少清晰的工程解释；三是不同工程现场能够获取的检测参数数量并不完全一致，部分样本可能仅具有平均回弹值和平均声速等基础检测参数，而部分样本还包含其他辅助参数和龄期信息，传统单一输入结构模型难以兼容不同参数数量的数据；四是纯数据驱动模型可能出现不符合工程规律的局部波动，使预测结果在样本边界或局部区间内缺乏稳定性。

3、kan模型通过在边或节点上引入可学习函数，能够以函数叠加的方式表达输入参数与输出结果之间的复杂非线性关系。样条函数具有平滑性好、局部可控和便于可视化的特点，将样条函数与kan思想结合，可使模型在保持非线性拟合能力的同时，提高对输入参数作用规律的表达能力。然而，若仅采用普通样条-kan模型进行混凝土抗压强度预测，仍可能存在输入模式不统一、物理趋势约束不足和交互贡献表达不明确等问题。

4、因此，有必要提出一种能够兼容基础检测模式和扩展检测模式、引入物理约束、具有可解释样条贡献函数和交互贡献函数的混凝土抗压强度预测方法及系统，使模型不仅能够给出预测强度，还能够输出特征贡献曲线、特征重要性和交互作用贡献图，从而提高模型的工程适用性、稳定性和可解释性。

技术实现思路

1、本发明实施例提供了一种混凝土抗压强度预测方法及系统，以解决现有技术中的上述技术的问题。

2、根据本发明实施例的第一方面，提供了一种混凝土抗压强度预测方法。

3、在一个实施例中，所述混凝土抗压强度预测方法，包括：

4、获取混凝土检测样本数据，形成训练样本与测试样本；所述检测样本数据包括无损检测数据、混凝土状态参数以及对应的实测抗压强度；

5、基于检测样本数据的完整程度，构建双模式输入数据；所述输入模式包括基础检测模式和扩展检测模式；

6、对双模式输入数据进行归一化处理，并对实测抗压强度进行标准化处理，得到标准化输入特征和标准化输出目标；

7、基于标准化输入特征和标准化输出目标，建立可解释样条-kan模型；

8、利用训练样本对可解释样条-kan模型进行训练，并在训练过程中引入多项物理约束，保存训练完成后可解释样条-kan模型的模型文件；

9、获取待预测混凝土样本的检测参数，确定对应的输入模式后将检测参数输入至可解释样条-kan模型，获得标准化预测值，并通过反标准化处理得到混凝土抗压强度预测值；

10、调取可解释样条-kan模型输出的特征贡献曲线、特征重要性图、交互作用贡献图以及真实值-预测值散点图，用于解释不同检测参数对混凝土抗压强度预测值的影响。

11、根据本发明实施例的第二方面，提供了一种混凝土抗压强度预测系统。

12、在一个实施例中，所述混凝土抗压强度预测系统，包括：

13、数据获取模块，用于获取混凝土检测样本数据，形成训练样本与测试样本；所述检测样本数据包括无损检测数据、混凝土状态参数及对应的实测抗压强度；

14、双模式构建模块，用于基于检测样本数据的完整程度，构建双模式输入数据；所述输入模式包括基础检测模式和扩展检测模式；

15、数据预处理模块，用于对双模式输入数据进行归一化处理，并对实测抗压强度进行标准化处理，得到标准化输入特征和标准化输出目标；

16、模型构建模块，用于基于标准化输入特征和标准化输出目标，建立可解释样条-kan模型；

17、模型训练与保存模块，用于利用训练样本对可解释样条-kan模型进行训练，并在训练过程中引入多项物理约束，保存训练完成后可解释样条-kan模型的模型文件；

18、模型预测模块，用于获取待预测混凝土样本的检测参数，确定对应的输入模式后将检测参数输入至可解释样条-kan模型，获得标准化预测值，并通过反标准化处理得到混凝土抗压强度预测值；

19、可解释输出模块，用于调取可解释样条-kan模型输出的特征贡献曲线、特征重要性图、交互作用贡献图以及真实值-预测值散点图，用于解释不同检测参数对混凝土抗压强度预测值的影响。

20、根据本发明实施例的第三方面，提供了一种计算机设备。

21、在一些实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述混凝土抗压强度预测方法的步骤。

22、根据本发明实施例的第四方面，提供了一种计算机可读存储介质。

23、在一个实施例中，所述计算机可读存储介质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混凝土抗压强度预测方法的步骤。

24、本发明实施例提供的技术方案可以包括以下有益效果：

25、1、本发明采用双模式输入结构，使同一模型能够兼容基础检测模式和扩展检测模式，解决了现场检测数据参数数量不一致时模型难以统一调用的问题。

26、2、本发明采用样条-kan结构，将混凝土抗压强度预测分解为多个可视化的一维样条贡献函数和关键双变量交互贡献函数，提高了模型的非线性表达能力和结果可解释性。

27、3、本发明在模型训练中引入物理趋势约束、样条平滑约束和交互项约束，使预测模型不仅依赖数据拟合，而且能够在一定程度上满足混凝土检测的工程规律，降低局部异常波动对预测结果的影响。

28、4、本发明能够输出特征贡献曲线、特征重要性图和交互作用贡献图，使检测人员不仅能够获得预测抗压强度，还能够分析不同检测参数对预测结果的影响机制。

29、5、本发明将训练完成的模型和数据变换参数共同保存为可调用模型文件，便于后续直接进行强度预测和专利附图绘制，提高了模型复用效率。

30、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

1.一种混凝土抗压强度预测方法，其特征在于，包括：

2.根据权利要求1所述的混凝土抗压强度预测方法，其特征在于，所述基于检测样本数据的完整程度，构建双模式输入数据包括：

3.根据权利要求2所述的混凝土抗压强度预测方法，其特征在于，所述初步标准化强度状态的表达式为：

4.根据权利要求2所述的混凝土抗压强度预测方法，其特征在于，所述基于贡献潜力值生成各输入参数的动态贡献权重，用于可解释样条-kan模型计算过程中的加权处理包括：

5.根据权利要求1所述的混凝土抗压强度预测方法，其特征在于，所述基于标准化输入特征和标准化输出目标，建立可解释样条-kan模型包括：

6.根据权利要求5所述的混凝土抗压强度预测方法，其特征在于，所述可解释样条-kan模型包括输入层、归一化层、一维样条贡献层、双变量交互贡献层、动态贡献权重门控层、模式控制层和输出层；

7.根据权利要求6所述的混凝土抗压强度预测方法，其特征在于，所述标准化预测输出表达式为：

8.根据权利要求1所述的混凝土抗压强度预测方法，其特征在于，所述利用训练样本对可解释样条-kan模型进行训练，并在训练过程中引入多项物理约束，保存训练完成后可解释样条-kan模型的模型文件包括：

9.根据权利要求1所述的混凝土抗压强度预测方法，其特征在于，所述获取待预测混凝土样本的检测参数，确定对应的输入模式后将检测参数输入至可解释样条-kan模型，获得标准化预测值，并通过反标准化处理得到混凝土抗压强度预测值包括：

10.一种混凝土抗压强度预测系统，其特征在于，包括：