一种路用固废基复合胶凝材料配合比智能优化设计方法
本发明涉及胶凝材料的力学性能预测领域,特别是一种面向小样本条件下碱激发矿渣-乳化沥青复合胶结体系的数据增强、多算法建模、可解释性分析与配合比区间优化方法。
背景技术:
1、以碱激发矿渣为代表的碱激发固废胶凝材料凭借低碳排放、高抗压强度与优异耐久性,被视作硅酸盐水泥的重要替代材料,但纯碱激发矿渣材料脆性大、抗折强度偏低、干缩开裂风险高,限制了其在路面基层等对材料柔韧性有明确要求的工程场景中的推广应用。已有研究表明,通过掺入乳化沥青构建有机-无机互穿网络结构,可有效改善材料变形能力与抗裂性能,然而过高的乳化沥青掺量会稀释无机胶凝组分、削弱基体承载能力,所以如何实现刚度与柔度的平衡是该体系工程化应用的核心难题。
2、传统配合比优化依赖大规模平行试验,周期长、成本高、效率低,难以在连续参数空间内刻画多因素耦合的性能演化规律。近年来,机器学习技术为胶凝材料性能预测提供了数据驱动的高效路径,随机森林、梯度提升树、支持向量回归等模型已被广泛应用于混凝土强度预测领域。但现有技术仍存在以下显著问题:
3、(1)小样本场景建模精度不足:新型复合胶凝材料的试验数据获取成本高、样本量少,直接训练机器学习模型易出现过拟合,泛化能力急剧衰减;现有表格数据生成方法对特征间非线性交互关系的捕捉能力有限,合成数据与真实数据的分布偏差较大,且缺乏系统的异常样本筛除机制,生成的离群样本会进一步干扰下游模型精度。
4、(2)可解释性单一,结论可信度不足:现有研究多采用单一解释方法分析特征重要性,结论高度依赖所选模型的数学框架,缺乏跨理论体系的交叉验证,难以区分数据本身的物理规律与特定模型的解释偏差,无法为工程配合比设计提供可靠的机制支撑。
技术实现思路
1、针对碱激发矿渣-乳化沥青复合胶凝材料试验样本稀缺、配合比-性能非线性耦合强、现有预测方法精度不足且解释性单一、工程指导性弱的痛点,构建一套“数据增强-多算法建模-可解释性分析-配合比优化”的全流程技术方案,在小样本条件下实现多力学性能指标的高精度预测,输出可直接指导工程应用的刚柔平衡配合比区间。在表格生成对抗网络中嵌入多头自注意力机制,强化生成器对配合比参数交互效应的学习能力,提升小样本下合成数据的分布保真度。建立博弈论(shap)与贝叶斯推断(ard)两种独立数学框架的可解释性交叉验证机制,消除单一模型的解释偏差。针对路面基层材料的刚柔平衡需求,建立基于折压比、模压比的多目标配合比区间优化方法,在连续参数空间中划定兼顾承载刚度与变形柔度的配比推荐范围。
2、为实现上述目的,本发明采取的技术方案如下:
3、一种路用固废基复合胶凝材料配合比智能优化设计方法,所述方法为:
4、s1:采集碱激发矿渣-乳化沥青复合胶凝材料的配合比参数与对应力学性能实验数据,包括28d动弹模量、抗压强度、抗折强度;按8:2比例随机划分独立测试集与训练集,训练集用于五折交叉验证;
5、s2:构建嵌入多头自注意力机制的att-tgan模型,使用该模型对步骤s1中的数据进行运算,输出注意力增强tgan扩充数据;
6、s3:采用dbscan-孤立森林联合对步骤s2的扩充数据进行异常样本筛除,管控合成数据质量;
7、s4:针对不同机器学习算法的数学特性,构建差异化特征工程适配的多算法预测建模;
8、s5:分别基于最优树模型与概率模型,开展shap与ard双框架可解释性交叉验证;
9、s6:以折压比、模压比作为刚柔平衡综合评价指标,综合两个指标的较优分布区域,划定兼顾承载刚度与变形柔度的工程化配合比推荐区间。
10、本发明的核心技术方案由五大模块构成:att-tgan数据增强模块(对应s2)与异常清洗模块(对应s3)、差异化特征工程多算法建模模块(对应s4)、双框架可解释性交叉验证模块(对应s5)、刚柔平衡导向的配合比区间优化模块(对应s6)。
11、进一步地,步骤s2中,所述嵌入多头自注意力机制的att-tgan模型,以条件表格生成对抗网络(ctgan)为基础架构,通过嵌入多头自注意力机制提升合成数据的分布保真度;在生成器网络的特征映射阶段嵌入多头自注意力模块与残差连接结构,使生成器能够在对抗训练过程中自适应学习乳化沥青掺量、碱激发剂模数与力学性能指标之间的非线性耦合关联;自注意力机制通过查询(q)、键(k)、值(v)三组线性变换计算特征间的关联权重;q、k、v均由输入特征矩阵通过可学习权重矩阵线性变换得到,权重参数在对抗训练过程中通过反向传播自动优化;多头注意力机制将上述计算重复多次,各注意力头采用独立参数学习不同视角的特征关联,各头输出沿特征维度拼接后,经输出线性变换融合为多尺度关联特征;结合残差连接结构缓解深层网络的梯度消失问题,嵌入dropout层抑制生成器对原始小样本数据的过拟合;判别器采用多层全连接网络结构,与生成器构成零和博弈关系:判别器以准确区分真实样本与合成样本为优化目标,生成器以生成高保真样本欺骗判别器为优化目标,二者交替迭代训练,驱动生成器逐步学习真实试验数据的联合概率分布。
12、进一步地,步骤s3中,所述dbscan-孤立森林联合进行异常样本筛除,第一级采用dbscan密度聚类算法对全量合成数据(所有测试集和训练集数据)进行全局聚类分析,以欧氏距离为度量,通过邻域半径与最小样本数minpts控制聚类密度;将无法归入任何聚类簇的样本标记为噪声点,统计噪声样本占总样本的比例,作为异常样本占比的先验估计值;第二级采用孤立森林算法对全量合成样本进行逐样本异常评分,基于dbscan得到的先验比例设置异常阈值,剔除评分高于阈值的离群样本,最终得到统计分布贴合真实数据、物理规律一致的高质量扩充数据集。
13、进一步地,步骤s4中,所述构建差异化特征工程,为集成树模型与支持向量回归构建5维特征集,包含乳化沥青掺量、碱激发剂模数,以及ea2、ms2、ea×ms三个二阶衍生特征,显式编码曲率效应与交互效应;为高斯过程回归构建6维特征集,包含乳化沥青掺量、碱激发剂模数,以及ea/ms、ea×ms、ea2+ms2、log(|ea-ms|+1)四个连续变换衍生特征。
14、进一步地,步骤s4中,所述多算法预测建模,为五类具有代表性的机器学习回归算法开展对比建模,涵盖集成树模型、核方法与概率非参数模型三类主流技术路线;具体包括:随机森林(rf),梯度提升决策树(gbdt),极端梯度提升(xgboost),支持向量回归(svr),高斯过程回归(gpr);采用决定系数(r2)、均方根误差(rmse)、平均绝对误差(mae)为主、平均绝对百分比误差(mape)、方差解释率(vaf)、均方根误差与标准差比(rsr)、加权平均绝对百分比误差(wmape)为辅共七项回归指标,从拟合精度、误差水平、稳定性等多个维度全面评估模型性能。
15、进一步地,步骤s5中,所述shap与ard双框架可解释性交叉验证,为交叉比对两种方法的特征重要性排序,若排序一致则确认结论不依赖特定模型框架,具备物理可靠性;若存在分歧则进一步分析特征在不同机制下的作用差异。
16、进一步地,步骤s6中,所述折压比,为抗折强度/抗压强度,表征材料抗裂储备;模压比为动弹模量/抗压强度,表征材料柔度。
17、本发明相对于现有技术的有益效果为:
18、(1)本发明在ctgan基础架构的生成器内嵌入多头自注意力模块与残差连接构建att-tgan,可自适应学习乳化沥青掺量、碱激发剂模数之间的非线性交互耦合关系;再采用dbscan密度聚类获取异常样本先验占比,结合孤立森林完成合成样本离群噪声剔除,实现合成数据质量两级管控。消融实验表明,多头自注意力组件能够降低合成数据与真实试验数据的分布偏差,提升高质量合成样本占比,有效解决有机-无机复合胶凝材料试验样本稀缺带来的建模过拟合、泛化能力差的问题。
19、(2)本发明采用分属博弈论的treeshap与贝叶斯推断的ard-gpr两套相互独立的可解释性工具,分别对树模型、高斯过程回归模型进行特征贡献解析,对特征重要性开展交叉校验。该交叉验证机制能够识别主导性能的关键配比参数与参数交互效应,为胶凝材料配比调整、改性机理分析提供可信的数据驱动依据。
20、(3)构建了从有限原始试验数据到工程化配合比推荐区间的完整技术链路,替代传统“试错式”多轮试验迭代,大幅缩短新型胶凝材料的研发周期、降低研发成本;输出的配合比区间直接面向路面基层刚柔平衡的工程需求,可直接指导后续试验与施工配比设计。
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