基于机器学习的镜面混凝土配合比智能优化方法与流程

本技术属于人工智能与材料大数据交叉，特别涉及基于机器学习的镜面混凝土配合比智能优化方法。

背景技术：

1、镜面混凝土作为一种表面平整、光滑且具备光反射特性的现浇混凝土，能够直接呈现建筑结构的原始质感并免除二次饰面工序。镜面混凝土的成型质量深度依赖于配合比，配合比中的各项原材料组分与用量直接决定混凝土的水化动力学特征与最终的表观形态。随着人工智能、材料信息学与材料大数据技术的发展，基于历史配合比、表观图像、温度场、力学性能等多源材料数据的机器学习方法，已被引入建筑材料领域，用于构建原材料组分与宏观性能之间的非线性映射模型，为镜面混凝土配合比的智能化设计提供数据驱动的技术路径。

2、当前该领域已有的配合比设计方法主要包括经验试配法与纯数据驱动的机器学习预测模型。在数据驱动预测方面，已有技术通过收集历史配合比参数、表观图像特征、温度场数据、力学性能指标等多源材料数据构建数据集，利用人工神经网络等机器学习算法训练回归评估模型以替代传统物理试配。例如，发明专利cn121393693b公开了一种基于物理引导深度学习与多目标优化的工程水泥基复合材料性能预测与配合比优化方法及系统，该方法通过构建基于物理引导的卷积神经网络模型phyresnet对工程水泥基复合材料的拉伸试验数据进行性能预测，并利用nsga-ⅱ多目标优化算法进行配合比优化。在寻优设计阶段，现有技术普遍将单一的材料成本或特定的力学强度参数设定为适应度函数，结合启发式优化算法在给定的参数边界内搜索理论层面的最优原材料掺量组合。

3、然而，上述现有技术仍存在一些不足：一方面，现有多源材料数据虽不断积累，但数据驱动模型主要聚焦于材料力学性能预测，未在预测架构中融合混凝土内部水化反应放热产生的时空温度场演化规律，缺乏热力学物理约束，导致预测出的配合比方案虽然在概率上满足强度与成本要求，但在实际物理环境中容易引发过大的水化热，造成结构产生微裂缝，破坏镜面混凝土的结构完整性与表观反射效果。另一方面，现有技术对镜面表观特征的刻画仍停留在定性描述或单一指标的层面，未能将总光反射率、表面气孔分布熵、色差均方根等多维表观特征转化为数值化的复合物理指标，导致模型优化目标单一，使得最终预测方案难以达到预期的镜面标准。因此，亟需一种能够融合人工智能、材料数据与水化放热物理规律，并实现表观质量与防裂协同优化的镜面混凝土配合比智能设计方法。

技术实现思路

1、为解决上述问题，本技术提供了基于机器学习的镜面混凝土配合比智能优化方法，通过建立融合水化放热规律与时空温度预测的解耦式物理信息神经网络，在多目标寻优过程中引入温度梯度协同防裂约束判定，输出符合热力学定律且最大化表观质量的施工配合比方案。

2、第一方面，本发明实施例提供了一种基于机器学习的镜面混凝土配合比智能优化方法，具体包括：

3、采集镜面混凝土历史试件的总光反射率、表面气孔分布熵和色差均方根构建表观质量指数，并将所述表观质量指数和实际抗压强度作为优化目标标签注入多源材料数据训练集；

4、构建包含材料映射子网络和时空温度预测子网络的解耦式物理信息神经网络，利用所述材料映射子网络将配合比参数映射为水化本征参数，根据所述配合比参数和所述水化本征参数构建水化热释放速率函数和物理残差函数，利用所述时空温度预测子网络基于所述水化热释放速率函数输出预测时空温度场，提取所述预测时空温度场的温度统计特征并与所述配合比参数拼接后再次输入所述材料映射子网络，输出标准化抗压强度预测值和表观质量指数预测值；

5、将所述多源材料数据训练集和时空配点数据输入所述解耦式物理信息神经网络，结合实测温度场数据、物理边界条件和所述物理残差函数构建多源复合损失函数，基于所述多源复合损失函数对所述解耦式物理信息神经网络进行联合训练，生成能够反映水化放热时空演化规律的代理评估模型；

6、对所述配合比参数进行降维重构并作为寻优变量嵌入多目标优化算法，以最大化表观质量指数预测值和最小化材料成本为目标函数进行寻优迭代，调用所述代理评估模型预测最大温度梯度，基于所述最大温度梯度建立温度协同防裂约束条件并生成非劣配合比解集，利用多属性决策算法从所述非劣配合比解集中遴选出满足防开裂临界温度梯度阈值且表观质量指数最高的目标配合比个体，输出镜面混凝土施工配合比方案。

7、作为本发明所述基于机器学习的镜面混凝土配合比智能优化方法的一种优选方案，其中，所述表观质量指数的构建，包括：

8、提取原始彩色图像像素点的独立像素点色差，计算整幅图像的色差均方根；

9、对所述原始彩色图像执行灰度化与二值化处理，提取网格区域内孔隙像素的面积比例计算表面气孔分布熵；

10、对提取的总光反射率和所述色差均方根注入均匀随机扰动生成初步扰动特征值，依据历史极值对所述初步扰动特征值应用物理边界截断算子，生成物理一致性增强特征值；

11、将所述物理一致性增强特征值、所述表面气孔分布熵、实际抗压强度、配合比参数以及实测温度场数据进行张量拼接，扩充生成多源材料数据训练集；

12、对所述多源材料数据训练集中的实际抗压强度和表观特征参数执行极差标准化处理，基于单项信息效用值求解特征权重系数，依据所述特征权重系数对标准化后的表观特征参数执行加权叠加，构建表观质量指数。

13、作为本发明所述基于机器学习的镜面混凝土配合比智能优化方法的一种优选方案，其中，利用所述材料映射子网络将输入的配合比参数映射为水化本征参数，包括：

14、将所述配合比参数输入至所述材料映射子网络中的动力学参数映射分支执行特征提取，利用激活函数输出正定属性的水化放热形状参数和水化特征时间参数作为所述水化本征参数；

15、基于所述配合比参数中的单项原材料用量，引入多相介质混合律建立混凝土热物性参数方程，提取质量比热容常量计算等效比热容，提取绝对表观密度计算骨料体积分数，结合单相热导系数计算混合导热系数常量，基于所述等效比热容与所述混合导热系数常量计算等效密度和热扩散系数。

16、作为本发明所述基于机器学习的镜面混凝土配合比智能优化方法的一种优选方案，其中，根据所述配合比参数和所述水化本征参数构建显式水化热释放速率函数和物理残差函数，包括：

17、提取预测时空温度场历史序列，构建积分映射计算获取空间节点的等效龄期；

18、提取所述配合比参数中的水泥用量、粉煤灰用量和矿渣粉用量，结合所述等效龄期与所述水化本征参数构建显式水化热释放速率函数；

19、对所述预测时空温度场分别关于时间和空间求取一阶偏导数和拉普拉斯算子，结合所述等效比热容、所述等效密度、所述热扩散系数和所述显式水化热释放速率函数，构建物理残差函数。

20、作为本发明所述基于机器学习的镜面混凝土配合比智能优化方法的一种优选方案，其中，输出所述标准化抗压强度预测值和表观质量指数预测值，包括：

21、在所述预测时空温度场中提取达到最高温升时刻的表面温度场数据，引入梯度截断算子获取静态表面温度序列；

22、将所述静态表面温度序列输入全局注意力池化层，提取表面温度标准差和全局最大表面温差，合并生成表面温度统计特征标量向量；

23、将所述配合比参数与所述表面温度统计特征标量向量进行张量拼接生成融合辅助特征张量；

24、将所述融合辅助特征张量输入所述材料映射子网络中的性能预测分支进行前向计算，利用激活函数输出所述标准化抗压强度预测值和所述表观质量指数预测值。

25、作为本发明所述基于机器学习的镜面混凝土配合比智能优化方法的一种优选方案，其中，所述多源复合损失函数的构建，包括：

26、提取内部物理时空配点集合、边界时空配点集合和初始空间配点集合；

27、计算所述多源材料数据训练集对应的表观质量标签值与网络预测值的均方误差，构建数据驱动损失；

28、提取所述内部物理时空配点集合对应的物理残差值构建物理约束损失；

29、计算预测温度与所述实测温度场数据的均方误差，构建温度实测补偿损失；

30、计算网络预测初始温度与入模浇筑初始温度偏差，构建初始条件损失；

31、在所述边界时空配点集合上基于热传导定律与冷却定律计算边界向外导热通量与对流散热通量的连续性残差，构建边界条件损失；

32、引入自适应梯度调节系数聚合所述数据驱动损失、所述物理约束损失、所述温度实测补偿损失、所述初始条件损失和所述边界条件损失，构建多源复合损失函数。

33、作为本发明所述基于机器学习的镜面混凝土配合比智能优化方法的一种优选方案，其中，所述解耦式物理信息神经网络的参数联合训练，包括：

34、独立计算各项子损失函数关于所述材料映射子网络中共享全连接隐藏层的偏导数矩阵，依据所述偏导数矩阵的梯度二范数比值计算瞬时梯度平衡系数；

35、应用极值截断算子生成截断瞬时系数，结合指数移动平均滤波机制更新自适应梯度调节系数；

36、提取所述多源材料数据训练集参数构建水化本征参数的物理经验估算模型，利用物理经验初值惩罚项构建预热损失函数，对所述材料映射子网络执行预热训练；

37、冻结所述材料映射子网络的可训练参数，利用所述温度实测补偿损失对应的目标对齐基准执行局部前向传播计算，提取收敛结束前的自适应梯度调节系数平均值，构建相对比例先验向量；

38、解冻所述材料映射子网络的可训练参数，利用所述相对比例先验向量初始化所述自适应梯度调节系数，启动所述解耦式物理信息神经网络的全局参数联合训练，输出所述代理评估模型。

39、作为本发明所述基于机器学习的镜面混凝土配合比智能优化方法的一种优选方案，其中，所述配合比参数的降维重构，包括：

40、应用绝对体积等式重构所述配合比参数，选取细骨料用量作为由所述绝对体积等式唯一确定的因变量，保留其余配合比参数作为独立寻优变量，共同构建降维控制变量集嵌入非支配排序遗传算法中；

41、施加质量上下限硬边界约束，基于历史数据分布施加因变量质量合理区间约束，结合水化条件施加水胶比不等式约束，建立物理寻优边界；

42、基于样本统计标准差推导目标抗压强度，施加强制性工程强度下限约束。

43、作为本发明所述基于机器学习的镜面混凝土配合比智能优化方法的一种优选方案，其中，所述镜面混凝土施工配合比方案的输出，包括：

44、组合试件的空间离散节点集与时间离散节点集生成稀疏化降阶梯度评估域矩阵；

45、基于预测时空温度场关于空间坐标变量的偏导数向量计算三维温度梯度二范数，提取所述稀疏化降阶梯度评估域矩阵内的全局最大三维温度梯度二范数；

46、依据本构方程计算防开裂临界温度梯度阈值，构建防开裂临界上限绝对约束，基于本底表观质量水平和温度梯度敏感系数构建预测表观质量指数与归一化温度梯度的指数型数学关系作为协同经验不等式约束方程；

47、计算寻优个体的总体约束违反度以优先保留可行解个体，并依据非支配排序和拥挤度距离生成静态帕累托前沿集合作为所述非劣配合比解集；

48、对所述非劣配合比解集中个体的目标函数值进行归一化处理，结合目标函数离散度生成客观权重参数以构建加权规范化决策矩阵；

49、依据所述加权规范化决策矩阵计算各可行解个体与绝对正负理想解的相对接近度系数，将排位第一的个体确定为所述目标配合比个体并输出所述镜面混凝土施工配合比方案。

50、第二方面，本发明实施例提供了一种基于机器学习的镜面混凝土配合比智能优化系统，包括：

51、标签构建模块，用于构建表观质量指数，并将表观质量指数和实际抗压强度作为优化目标标签注入多源材料数据训练集；

52、网络构建模块，用于构建解耦式物理信息神经网络，利用配合比参数映射水化本征参数以输出预测时空温度场并构建物理残差函数，提取温度统计特征与配合比参数融合，输出标准化抗压强度预测值和表观质量指数预测值；

53、联合训练模块，用于将多源材料数据训练集和时空配点数据输入解耦式物理信息神经网络，结合实测温度场数据、物理边界条件和物理残差函数构建多源复合损失函数，训练生成代理评估模型；

54、多目标寻优模块，用于将重构的配合比参数嵌入多目标优化算法进行寻优迭代，调用代理评估模型预测最大温度梯度建立温度协同防裂约束条件，生成非劣配合比解集并遴选输出镜面混凝土施工配合比方案。

55、与现有技术相比，本技术具有如下优点：

56、1、本发明基于多源材料数据，提取镜面混凝土历史试件的总光反射率、表面气孔分布熵和色差均方根，并通过均匀随机扰动、物理边界截断、极差标准化和信息熵权重计算等材料大数据处理手段，构建表观质量指数，将主观视觉的镜面效果转化为数值化物理指标，以此作为模型优化的目标标签，从而解决现有技术缺乏镜面表观特征量化数学表达、优化目标单一的问题，并为后续人工智能代理模型提供高质量、物理一致的多源训练数据。

57、2、本发明通过建立由材料映射子网络与时空温度预测子网络组成的解耦式物理信息神经网络，结合配合比参数构建热化学耦合的显式水化热释放速率函数，在预测架构中引入表征瞬态热传导物理定律偏离程度的物理残差函数，输出表观质量指数预测值和预测时空温度场，并在多目标寻优阶段提取稀疏化降阶梯度评估域矩阵内的全局最大三维温度梯度二范数，建立防开裂临界上限绝对约束以及表观质量与归一化温度梯度的协同经验不等式约束方程。通过在数据驱动模型中融合材料数据与热力学物理规律，将配合比预测转变为符合水化放热时空演化规律的物理约束寻优，避免预测出的配合比方案在实际物理环境中引发水化热过大而产生微裂缝，保证镜面混凝土的结构完整性与表观反射效果。

58、3、本发明将人工智能与材料数据深度融合，利用多源材料数据构建训练数据集，通过解耦式物理信息神经网络进行数据驱动与物理约束联合建模，并采用多目标优化算法实现镜面混凝土配合比的智能寻优。相比传统经验试配和纯数据驱动模型，本发明能够充分挖掘历史配合比、表观特征、温度场与力学性能之间的非线性关系，减少物理试配次数，缩短配合比设计周期，提高预测精度与工程适用性，实现数据驱动的镜面混凝土配合比智能化设计。

59、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。