一种水泥稳定碎石抗压强度的预测方法

1.本发明属于土木工程技术领域，是一种考虑多种因素的水泥稳定碎石抗压强度预测方法，尤其涉及一种以spsspro为模拟设计软件为基础并基于随机森林回归模型的水泥稳定碎石的抗压强度预测方法。


背景技术：

2.近年来，我国公路交通事业发展迅速。2022年，我国的公路总里程已增长至528万公里。其中水泥稳定碎石基层因具有承载能力强、耐久性好、稳定性能好等突出优点，一直是我国沥青路面最主要的基层类型，而在实际工程中，由于水泥稳定碎石基层在施工时受多种因素影响，漫长的养护时间和大量试验试件的制备导致了较高的工程成本，因此有必要通过多种影响因素对水泥稳定碎石路用性能进行预测研究。
3.蒋应军等通过研究表明水泥稳定碎石的水泥含量在5％以内时，水泥含量的提高对极限强度的影响效果显著，并且水泥稳定碎石材料强度随着龄期的增长而提高，龄期28d之前强度增长较为显著。王鹏飞、郭忠印采用正交法，分析研究水泥含量、集料含量等因素对7d无侧限抗压强度的影响，并通过分析表明了半刚性材料水泥稳定碎石具有良好的力学性能。长安大学崔先觉通过试验发现，半刚性基层材料强度与压实度呈正相关关系，且不同的振动方式对材料强度有一定的影响。
4.以往的研究主要着重于探究部分因素的改变对于水泥稳定碎石材料强度的影响，缺乏各个影响因素对水泥稳定碎石强度影响预测的研究。基于随机森林回归模型的水泥稳定碎石的抗压强度预测方法对水泥稳定碎石的水泥掺量、成型方式、级配类型、压实度和养生龄期等五种影响因素进行全面考量，在较短时间内预测出养护完成时水泥稳定碎石基层材料的抗压强度，从而更好地指导半刚性基层施工，提高工程质量，节约工程成本。


技术实现要素：

5.本文提出了一种算法简单、适用广泛的水泥稳定碎石的抗压强度预测方法，以水泥掺量、成型方式、级配类型、压实度和养生龄期五种影响因素为变量进行随机森林回归，最终得到抗压强度预测模型。
6.为实现上述目的，本发明的技术方案是：
7.一种水泥稳定碎石抗压强度的预测方法，该方法包括以下步骤：
8.步骤一、收集不同的水泥掺量、成型方式、级配类型、压实度和养生龄期及相应的水泥稳定碎石的抗压强度数据，为模型建立提供数据基础；
9.步骤二、将已收集的数据进行有放回采样，并将水泥掺量x1、密实度x2和养护龄期x3作为定量自变量，成型方式x4与级配类型x5作为定性自变量，抗压强度y作为定量因变量，再将训练集θk构建成决策树，在生成的每一个结点，随机不重复地选择d个特征，利用d个特征分别对训练集y进行划分，用基尼系数找到最佳的划分特征，重复上述步骤，直到得到随机森林模型，由于模型用于回归，因此采用最小均方差进行判断：
[0010][0011]
式中c1，c2分别为数据集θ1和θ2中的样本输出均值；
[0012]
步骤三、将建立的随机森林回归模型应用到训练、测试数据，并以均方误差、均方根误差、平均绝对误差和拟合优度为标准进行准确性评估，评估标准计算方法如下：
[0013][0014][0015][0016][0017]
式中，n为样本数量，yi为抗压强度预测值，yi为抗压强度预测值，为抗压强度平均值；
[0018]
步骤四、对随机森林模型参数进行优化，并重复步骤二和步骤三中的操作，直到找到最优的模型参数组合使得预测模型更近似于实际值。
[0019]
进一步地，在步骤一中，通过收集大量数据，将所得数据输入execl软件中，其中定性变量成型方式x4与级配类型x5用0和1表示，对于成型方式，0代表静压成型，1代表振动成型，对于级配类型，0代表骨架密实型，1代表悬浮密实型。
[0020]
进一步地，在步骤二中，确定随机森林预测模型的超参数：数据需要分隔的点个数、树的深度、树的个数、用于训练的数据、用于验证的数据，为后续模拟提供基础。
[0021]
进一步地，在步骤三中，根据预测值和评估方式，分别计算所构建的模型准确度，得到模型的评估结果。
[0022]
进一步地，在步骤四中，对森林预测模型的超参数进行优化，并多次进行模型的回归操作，选择最优预测模型，并进行抗压强度预测。
[0023]
本发明的有益效果在于：
[0024]
本发明收集大量水泥稳定碎石相关试验数据并进行处理，建立水泥掺量、成型方式、级配类型、压实度和养生龄期这五种因素与材料抗压强度的随机森林预测模型。通过输入以上五种因变量的具体数值便可在较短时间内准确预测出水泥稳定碎石的抗压强度，无需等待较长的养护时间与制备大量的试验试件，这样可以缩短工期并节约成本，适用于水泥稳定碎石抗压强度的预测领域。
附图说明
[0025]
图1是本发明的流程图。
具体实施方式
[0026]
下面以基于随机森林回归模型的水泥稳定碎石的抗压强度预测方法为例，对本发明作进一步说明。
[0027]
首先，收集相关水泥稳定碎石抗压强度的相关实验数据，并将文献中的实验数据整理好，为后期模型建立提供数据基础。通过数据收集，总共收集了268组数据，其中约63.2％的实验数据(169组数据)用于模型的建立，而剩余的数据(99组数据)用于模型的验证。
[0028]
其次，随机森林回归来确定数据间的相关性并预测材料的抗压强度，将机器学习模型预测数据库本身的输出值定义为模型预测值，命名为模型预测数据。其中模型预选择决策树数量25，树的最大深度为10，叶子节点最大数量60，9折交叉验证，90％训练比例等参数进行构建。初次随机森林模型评估结果见表1。
[0029]
表1初次随机森林模型评估结果
[0030] msermsemaer2训练集0.1180.3430.2600.995交叉验证集0.4350.6490.4706.259测试集0.3700.6090.4810.986
[0031]
其中mse、rmse和mae取值越小，模型准确度越高。r2越接近1时，模型准确度越高。
[0032]
之后对参数进行50次优化，选择其中准确度最高的测试集模型作为最优随机森林预测模型，具体参数如下：决策树数量100，树的最大深度为20，叶子节点最大数量50，8折交叉验证，90％训练比例。最优随机森林模型评估结果见表2。
[0033]
表2最优随机森林模型评估结果
[0034] msermsemaer2训练集0.1140.3370.2580.996交叉验证集0.5050.6940.5006.787测试集0.2500.5000.3950.990
[0035]
对比表1与表2可以发现，测试集的评价结果有了明显优化。r2≥0.99可以认为，该模型对于水泥稳定碎石抗压强度的预测较为准确。应用该随机森林模型对未参与构建模型的数据(随机选取了27组数据)进行模拟预测，并与进行对比，如表3所示。
[0036]
表3随机森林模型预测结果
[0037]
[0038][0039]
注：成型方式与级配类型用0和1表示。对于成型方式，0代表静压成型而1代表振动成型。对于级配类型，0代表骨架密实型而1代表悬浮密实型。
[0040]
将相同数据进行线形回归预测和xgboost回归模型预测，并与随机森林预测进行对比，其误差均值结果与变异系数如表4所示。
[0041]
表4几种预测模型的准确度对比
[0042]
预测模型误差均值(％)变异系数(％)线形回归模型44.02148.04随机森林模型5.1944.89xgboost模型1.31298.514
[0043]
由表3和表4可知，随机森林模型的变异系数最小，说明其预测值变异程度越小，预测值的变异性越小。xgboost模型的预测误差均值虽然小于随机森林模型，但其变异系数过大，这是因为在预测中会有部分预测值远远偏离于真实值，对于实际工程中会有较大隐患。因此认为随机森林模型的预测精准程度高于其他两种模型。
[0044]
综上所述，运用本发明可以通过水泥掺量、成型方式、级配类型、压实度和养生龄期等五种影响因素，在较短时间内准确预测水泥稳定碎石的抗压强度，能在一定程度上指导工程中的施工，节约施工时间，节省施工成本。
[0045]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。