CN110435009B - 一种混凝土生产配合比的智能设计方法 - Google Patents

一种混凝土生产配合比的智能设计方法 Download PDF

Info

Publication number
CN110435009B
CN110435009B CN201910664792.5A CN201910664792A CN110435009B CN 110435009 B CN110435009 B CN 110435009B CN 201910664792 A CN201910664792 A CN 201910664792A CN 110435009 B CN110435009 B CN 110435009B
Authority
CN
China
Prior art keywords
mix proportion
concrete
production mix
concrete production
proportion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910664792.5A
Other languages
English (en)
Other versions
CN110435009A (zh
Inventor
史晓雨
尚明生
吕元鑫
冉龙玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Institute of Green and Intelligent Technology of CAS
Original Assignee
Chongqing Institute of Green and Intelligent Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Institute of Green and Intelligent Technology of CAS filed Critical Chongqing Institute of Green and Intelligent Technology of CAS
Priority to CN201910664792.5A priority Critical patent/CN110435009B/zh
Publication of CN110435009A publication Critical patent/CN110435009A/zh
Application granted granted Critical
Publication of CN110435009B publication Critical patent/CN110435009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B28—WORKING CEMENT, CLAY, OR STONE
    • B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
    • B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
    • B28C7/04—Supplying or proportioning the ingredients
    • B28C7/0404—Proportioning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B28—WORKING CEMENT, CLAY, OR STONE
    • B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
    • B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
    • B28C7/04—Supplying or proportioning the ingredients
    • B28C7/0404—Proportioning
    • B28C7/0418—Proportioning control systems therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)

Abstract

本发明为一种混凝土生产配合比的智能设计方法，属于大数据人工智能领域。该方法包含以下步骤：S1：建立混凝土生产配合比数据库，录入混凝土的历史生产配合比数据；S2：根据用户输入的混凝土的部分生产配合比要求，通过专家***分析，初筛出评分最高的混凝土生产配合比；S3：建立带约束条件的混凝土生产成本优化模型；S4：通过带约束条件的混凝土生产成本优化模型，对初筛评分最高的混凝土生产配合比进行微调，并输出最优的混凝土生产配合比。本发明结合历史生产数据对约束条件进行了改善，筛选了生产配合比基准，能够有效减少计算迭代次数，实时、高效的给用户智能的设计混凝土生产配合比，节约生产成本。

Description

一种混凝土生产配合比的智能设计方法
技术领域
本发明涉及一种混凝土生产配合比的智能设计方法，属于大数据人工智能领域，尤其适用于建筑行业混凝土生产配比的设计。
背景技术
混凝土作为现代建筑建材的重要材料，是以水泥为主要凝胶材料，与骨料、水，必要时可掺入化学外加剂(减水剂、膨胀剂等)和矿物掺合料(粉煤灰、矿渣粉等)，按适当的比例配合，经过均匀浇灌搅拌、密实及养护硬化形成的人造石材。传统上的混凝土配合比设计是通过经验丰富的土木工程师运用他们的以往的经验知识来进行设计的，在实验室中，为了获得理想的混凝土强度和坍落度，专家必须尝试好几种配合比，这种费时的工序不仅增加了材料的浪费还有混凝土生产的成本。为了改善这样的情况，一些学者构建数学模型设计了不同类型的计算机混凝土配合比设计专家***，但传统的专家***缺乏启发式知识的直觉推理；并且由于影响混凝土配合比设计的因素很多，它们之间的相互关系也非常复杂，无法用数学模型来完全表达它们之间的关系。
最近十多年来，随着机器学习的飞速发展，已经取得了很大的进展，其在预测估计、生物、医学、经济等领域已成功地解决了许多实际问题，表现出了良好的智能特性。水力发电学报在2003年第4期发表了“基于人工神经网络和Monte-Carlo法的混凝土配合比优化设计研究”的论文，采用神经网络算法建立模型预测混凝土抗压强度，结合传统机理设计的经验知识作为约束条件，对配合比各种材料用量进行设计，但是因其用户设计要求仅仅是混凝土强度等级并且没有参考各种配比材料间比例的国家标准，这不适合应用与混凝土配比的生产实际。水力发电学报在2007年第5期发表了“基于BPANN-GA混合型算法的混凝土配合比优化设计研究”的论文，采用基于BP人工神经网络的预测技术和基于遗传算法(GA)的全局优化算法，能够预测混凝土强度和优化生产成本，但其计算效率低下。由于它们没有行业大数据的支撑，也没有采用现有的生产数据作为基准来进一步进行设计，很容易陷入不良的局部最优解，同时约束条件为传统的经验理论，范围过于宽泛。
发明内容
有鉴于此，本发明提供一种混凝土生产配合比的智能设计方法，通过专家***在历史生产数据中选择最优的混凝土生产配合比作为基准，同时结合历史生产数据对约束条件进行了改善，能够有效减少计算迭代次数，使得设计方案能够达到近似全局最优的解。
为达到上述目的，本发明提供如下技术方案：
一种混凝土生产配合比的智能设计方法，包括如下步骤：
S1：建立混凝土生产配合比数据库，录入混凝土的历史生产配合比数据；
S2：根据用户输入的混凝土的部分生产配合比要求，通过专家***分析，初筛出评分最高的混凝土生产配合比；
S3：建立带约束条件的混凝土生产成本优化模型；
S4：通过带约束条件的混凝土生产成本优化模型，对初筛评分最高的混凝土生产配合比进行微调，并输出最优的混凝土生产配合比。
进一步，步骤S1中所述的混凝土生产配合比数据库包括必要生产配合比参数、可选择生产配合比参数、***生成生产配合比参数这三类参数；其中，必要生产配合比参数为在设计过程中不可调整的参数，可选择生产配合比参数为在设计过程中可以根据性能、成本等因素进行调整的参数，***生成生产配合比参数为生产过程中根据生产实际自动获取的参数。
更进一步，所述的必要生产配合比参数、可选择生产配合比参数、***生成生产配合比参数这三类参数，其特征在于，必要生产配合比参数包含：混凝土品种、强度等级、坍落度、扩展度等4个参数；可选择生产配合比参数包含：水泥厂家、水泥品种、水泥抗压强度、细集料品种、细度模数、粗集料品种、矿渣粉厂家、矿渣粉品种、活性指数、膨胀剂厂家、膨胀剂抗压强度、石灰石粉细度、减水剂品种、减水率、粉煤灰品种、粉煤灰活性指数等16个参数；***生成生产配合比参数包含生产日期、温度等2个参数。
进一步，步骤S2所述用户输入的混凝土的部分生产配合比要求为：用户结合自己的需求和经验，设定的混凝土生产配合比参数中的生产配合比参数和一部分可选择生产配合比参数作为输入以及自动将***生成生产配合比参数作为输入，其中，可选择生产配合比参数中仅凝胶材料参数和外加剂参数的部分生产配合比参数不作为强制输入要求，其他参数要求强制输入。
更进一步，所述的凝胶材料参数和外加剂参数，其特征在于，凝胶材料参数包含：矿渣粉厂家、矿渣粉品种、活性指数、石灰石粉细度、粉煤灰品种、粉煤灰活性指数；所述的外加剂参数包含：减水剂品种、减水率、膨胀剂厂家、膨胀剂抗压强度。
进一步，步骤S2具体为：结合用户输入的混凝土的部分生产配合比要求，从混凝土生产配合比数据库中筛选出必要生产配合比参数完全相符合以及***生成生产配合比参数范围相近的混凝土生产配合比数据，并采用专家***对其进行评分，选择其中评分最高的一条混凝土生产配合比数据作为基准。
更进一步，所述的专家***具体为：通过工程经验，分析混凝土生产配合比参数在实际的混凝土生产中的重要性，并按其重要性以及与用户输入要求的匹配程度对混凝土生产配合比参数构建评分机制，建立评分的专家***。
进一步，步骤S3所述的带约束条件的混凝土生产成本优化模型包含目标函数和约束条件函数，所述的目标函数为混凝土生产配合比数据库参数相关的原材料的成本函数；所述的约束条件函数为满足混凝土生产配合比数据库中与可选择生产配合比参数相关的各种材料用量的要求，同时还要满足用户的必要生产配合比参数要求等。
进一步，所述的步骤S4具体包含以下步骤：(1)将步骤S2生成的评分最高的混凝土生产配合比作为基准；(2)对基准中可选择生产配合比参数相关的各种材料用量进行随机微调，并采用混凝土抗压强度预测模型，预测判断是否在约束条件函数范围内；(3)如果满足，计算目标函数得出新的混凝土生产成本，否则返回步骤(2)；(4)对比新的混凝土生产成本与基准的混凝土生产成本，如果新的混凝土生产成本低，则以新生成的混凝土配合比数据作为基准，否则基准保持不变；(5)判断迭代次数是否达到设定上限，达到则输出基准的混凝土配合比作为给用户推荐的混凝土配合比，否则迭代次数加1，并返回步骤(2)。
本发明的有益效果在于：本发明提供了一种混凝土生产配合比的智能设计方法，建立了混凝土生产配合比数据库和专家***，以其中历史生产数据中最优的混凝土生产配合比作为基准，基于预测算法和优化算法建立带约束条件的混凝土生产成本优化模型，能够实时、高效的给用户智能的设计混凝土生产配合比，节约生产成本。
附图说明
为了使本发明的目的、技术方案，本发明提供如下附图进行说明：
图1为一种混凝土生产配合比的智能设计方法流程图；
图2为本发明实施例整体流程示意图；
图3为本发明实施例1箱型图；
图4为本发明实施例1微调过程流程图。
具体实施方式
为使本发明的目的和技术方案更加清晰明白，下面结合附图及实施例对本发明进行详细的描述。
实施例1：针对某建工集团提供的8437条混凝土历史生产配合比数据，需要计算机智能辅助用户于2019年7月调整一款C20的混凝土的参数，满足混凝土的抗压强度要求，同时还要降低生产成本，本实施例提供“一种混凝土生产配合比的智能辅助设计方法”，结合图2，具体如下：
步骤一：给该建工集团的建立混凝土生产配合比数据库，录入8437条混凝土历史生产配合比数据。该数据库包括必要生产配合比参数、可选择生产配合比参数、***生成生产配合比参数这三类参数。其中，必要生产配合比参数包含：混凝土品种、强度等级、坍落度、扩展度等4个参数，用户输入的其余的11个参数都为可选择生产配合比参数，***根据生产日期2019年7月自动生成1个***生成生产配合比参数。
步骤二：
(1)结合表1所示，用户输入混凝土的部分生产配合比要求。
表1据用户输入的混凝土的部分生产配合比要求
混凝土品种 常规混凝土
混凝土强度等级 C20
坍落度 200
扩展度 500
水泥品种 P·O42.5R
水泥厂商 重庆小南海水泥厂
细集料1 特细沙
细集料2 中沙
细集料3 粗沙
粗集料1 小石
粗集料2 大石
减水剂类型 聚羧酸高性能减水剂-缓凝型
粉煤灰类别 F类
粉煤灰品种等级 II级
石灰石粉用量 20
其他参数 用户没有录入
(2)建立专家***建立评分机制，专家***的部分评分机制如表格2所示。
表2专家***的部分评分机制
Figure BSA0000186348130000041
表3掺合料、外加剂主要技术指标限值要求
Figure BSA0000186348130000042
Figure BSA0000186348130000051
(3)从混凝土生产配合比数据库中筛选出必要生产配合比参数完全相符合以及***生成生产日期为5～9月期间的混凝土生产配合比数据，并采用专家***对其进行评分，选择其中评分最高的一条混凝土生产配合比数据作为基准，其28d抗压强度为21.6MPa，并计算出其生产成本单价为360.83元。
步骤三：建立带约束条件的混凝土生产成本优化Monte-Carlo模型，包含目标函数和约束条件函数，目标函数为混凝土生产配合比数据库参数相关的原材料的成本函数；约束条件函数为满足混凝土生产配合比数据库中与可选择生产配合比参数相关的各种材料用量的要求，同时还要满足用户的必要生产配合比参数要求等。其中，各种材料用量的要求为各种材料用量和相同类别材料用量的最小值和最大值以及这些材料之间的用量比例最大值、最小值以及混凝土配比组分间的比例的国家标准作为约束条件，通过数据库中混凝土配合比中的各种材料用量历史数据构建箱型图，如图3所示，并把箱型图箱体大小的一半作为各种材料微调的浮动范围
步骤四：通过带约束条件的混凝土生产成本优化模型，对初筛评分最高的混凝土生产配合比进行微调。结合图4所示，包含以下步骤：(1)将步骤S2生成的评分最高的混凝土生产配合比作为基准；(2)对基准中可选择生产配合比参数相关的各种材料用量进行随机微调，并采用混凝土抗压强度预测模型，预测判断是否在约束条件函数范围内；(3)如果满足，计算目标函数得出新的混凝土生产成本，否则返回步骤(2)；(4)对比新的混凝土生产成本与基准的混凝土生产成本，如果新的混凝土生产成本低，则以新生成的混凝土配合比数据作为基准，否则基准保持不变；(5)判断迭代次数是否达到设定上限5万次，达到则输出基准的混凝土配合比作为给用户推荐的混凝土配合比，否则迭代次数加1，并返回步骤(2)。
经过本实施例方法，智能的辅助用户进行设计调整，给出在其要求范围内微调的最优的混凝土生产配合比，其28d抗压强度为28.15MPa，并计算出其生产成本单价为336.26元。
实施例2：针对某建工集团提供的8437条混凝土历史生产配合比数据，用户要求***自动推荐C25、C30、C35等多款2019年7月的混凝土生产配合比，本实施例提供“一种混凝土生产配合比的智能主动设计方法”，结合图2，具体如下：
步骤一：给该建工集团的建立混凝土生产配合比数据库，录入8437条混凝土历史生产配合比数据。
步骤二：***随机从数据库中选取C25、C30、C35三款混凝土的生产配合比作为用户要求，从混凝土生产配合比数据库中筛选出必要生产配合比参数完全相符合以及生产日期在5月～9月期间的混凝土生产配合比数据，并采用专家***对其进行评分，选择每款混凝土中评分最高的一条混凝土生产配合比数据作为基准。
步骤三：分别建立带约束条件的三款混凝土生产成本优化Monte-Carlo模型，包含目标函数和约束条件函数，目标函数为每一款混凝土生产配合比数据库参数相关的原材料的成本函数；约束条件函数为满足每一款混凝土生产配合比数据库中与可选择生产配合比参数相关的各种材料用量的要求，同时还要满足用户的必要生产配合比参数要求等。其中，各种材料用量的要求为各种材料用量和相同类别材料用量的最小值和最大值以及这些材料之间的用量比例最大值、最小值以及混凝土配比组分间的比例的国家标准作为约束条件，通过数据库中每一款混凝土配合比中的各种材料用量历史数据构建箱型图，并把箱型图箱体大小的一半作为各种材料微调的浮动范围
步骤四：通过带约束条件的三款混凝土生产成本优化模型，对初筛评分最高的三款混凝土生产配合比进行微调。每一款混凝土生产配合比微调包含以下步骤：(1)将步骤S2生成的评分最高的混凝土生产配合比作为基准；(2)对基准中可选择生产配合比参数相关的各种材料用量进行随机微调，并采用混凝土抗压强度预测模型，预测判断是否在约束条件函数范围内；(3)如果满足，计算目标函数得出新的混凝土生产成本，否则返回步骤(2)；(4)对比新的混凝土生产成本与基准的混凝土生产成本，如果新的混凝土生产成本低，则以新生成的混凝土配合比数据作为基准，否则基准保持不变；(5)按生产成本从高到低的顺序排列满足约束函数条件的混凝土配合比；(6)判断迭代次数是否达到设定上限5万次，达到则输出生产成本最低的5条混凝土配合比作为给用户推荐的混凝土配合比，否则迭代次数加1，并返回步骤(2)。输出C25、C30、C35型号混凝土推荐结果，如表4所示。
表4实施例2的C25、C30、C35型号混凝土推荐结果
Figure BSA0000186348130000061
实施例3：针对建工行业某组织提供的混凝土历史生产配合比数据，用户需要计算机智能辅助用户于2019年7月调整一款C20的混凝土的参数，本实施例提供“一种混凝土生产配合比的云端智能辅助设计方法”，结合图5，具体如下：
步骤一：建立混凝土生产配合比云端数据库，录入该建工组织所有公司的混凝土历史生产配合比数据。
步骤二：某公司用户输入的混凝土的部分生产配合比要求，信息送达本地数据库服务器后，向云端数据库服务器发起清秋，从混凝土生产配合比云端数据库中筛选出必要生产配合比参数完全相符合以及***生成生产配合比参数范围相近的混凝土生产配合比数据，并采用专家***对其进行评分，选择其中评分最高的一条混凝土生产配合比数据作为基准。
步骤三：建立带约束条件的混凝土生产成本优化Monte-Carlo模型，包含目标函数和约束条件函数，目标函数为混凝土生产配合比云端数据库参数相关的原材料的成本函数；约束条件函数为满足混凝土生产配合比云端数据库中与可选择生产配合比参数相关的各种材料用量的要求，同时还要满足用户的必要生产配合比参数要求等。其中，各种材料用量的要求为各种材料用量和相同类别材料用量的最小值和最大值以及这些材料之间的用量比例最大值、最小值以及混凝土配比组分间的比例的国家标准作为约束条件，通过云端数据库中混凝土配合比中的各种材料用量历史数据构建箱型图，如图3所示，并把箱型图箱体大小的一半作为各种材料微调的浮动范围
步骤四：通过带约束条件的混凝土生产成本优化模型，对初筛评分最高的混凝土生产配合比进行微调。结合图4所示，包含以下步骤：(1)将步骤S2生成的评分最高的混凝土生产配合比作为基准；(2)对基准中可选择生产配合比参数相关的各种材料用量进行随机微调，并采用混凝土抗压强度预测模型，预测判断是否在约束条件函数范围内；(3)如果满足，计算目标函数得出新的混凝土生产成本，否则返回步骤(2)；(4)对比新的混凝土生产成本与基准的混凝土生产成本，如果新的混凝土生产成本低，则以新生成的混凝土配合比数据作为基准，否则基准保持不变；(5)判断迭代次数是否达到设定上限5万次，达到则输出基准的混凝土配合比作为给用户推荐的混凝土配合比，否则迭代次数加1，并返回步骤(2)。
通过实施例可以看出，本发明方法在降低混凝土生产成本和提高优化计算效率上都很显著，能够给用户智能的实现混凝土配合比的设计和优化。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种混凝土生产配合比的智能设计方法，其特征在于，该方法包含以下步骤：
S1：建立混凝土生产配合比数据库，录入混凝土的历史生产配合比数据；
S2：根据用户输入的混凝土的部分生产配合比要求，通过专家***分析，初筛出评分最高的混凝土生产配合比；
S3：建立带约束条件的混凝土生产成本优化模型；
S4：通过带约束条件的混凝土生产成本优化模型，对初筛评分最高的混凝土生产配合比进行微调，并输出最优的混凝土生产配合比；
所述的步骤S2具体为：结合用户输入的混凝土的部分生产配合比要求，从混凝土生产配合比数据库中筛选出必要生产配合比参数完全相符合以及***生成生产配合比参数范围相近的混凝土生产配合比数据，并采用专家***对其进行评分，选择其中评分最高的一条混凝土生产配合比数据作为基准；
所述的专家***具体为：通过工程经验，分析混凝土生产配合比参数在实际的混凝土生产中的重要性，并按其重要性以及与用户输入要求的匹配程度对混凝土生产配合比参数构建评分机制，建立评分的专家***。
2.根据权利要求1所述的一种混凝土生产配合比的智能设计方法，其特征在于，步骤S1中所述的混凝土生产配合比数据库包括必要生产配合比参数、可选择生产配合比参数、***生成生产配合比参数这三类参数；其中，必要生产配合比参数为在设计过程中不可调整的参数，可选择生产配合比参数为在设计过程中可以根据性能、成本因素进行调整的参数，***生成生产配合比参数为生产过程中根据生产实际自动获取的参数。
3.根据权利要求1所述的一种混凝土生产配合比的智能设计方法，其特征在于，步骤S2所述用户输入的混凝土的部分生产配合比要求为：用户结合自己的需求和经验，设定的混凝土生产配合比参数中的必要生产配合比参数和一部分可选择生产配合比参数作为输入以及自动将***生成生产配合比参数作为输入，其中，可选择生产配合比参数中仅凝胶材料参数和外加剂参数的部分生产配合比参数不作为强制输入要求，其他参数要求强制输入。
4.根据权利要求1所述的一种混凝土生产配合比的智能设计方法，其特征在于，步骤S3所述的带约束条件的混凝土生产成本优化模型包含目标函数和约束条件函数，所述的目标函数为混凝土生产配合比数据库参数相关的原材料的成本函数；所述的约束条件函数为满足混凝土生产配合比数据库中与可选择生产配合比参数相关的各种材料用量的要求，同时还要满足用户的必要生产配合比参数要求。
5.根据权利要求4所述的一种混凝土生产配合比的智能设计方法，其特征在于，所述的混凝土生产配合比数据库中与可选择生产配合比参数相关的各种材料用量的要求：各种材料用量的要求为各种材料用量和相同类别材料用量的最小值和最大值以及这些材料之间的用量比例最大值、最小值以及混凝土配比组分间的比例的国家标准作为约束条件，通过数据库中混凝土配合比中的各种材料用量历史数据构建箱型图，并把箱型图箱体大小的一半作为各种材料微调的浮动范围。
6.根据权利要求1所述的一种混凝土生产配合比的智能设计方法，其特征在于，所述的步骤S4具体包含以下步骤：(1)将步骤S2生成的评分最高的混凝土生产配合比作为基准；(2)对基准中可选择生产配合比参数相关的各种材料用量进行随机微调，并采用混凝土抗压强度预测模型，预测判断是否在约束条件函数范围内；(3)如果满足，计算目标函数得出新的混凝土生产成本，否则返回步骤(2)；(4)对比新的混凝土生产成本与基准的混凝土生产成本，如果新的混凝土生产成本低，则以新生成的混凝土配合比数据作为基准，否则基准保持不变；(5)判断迭代次数是否达到设定上限，达到则输出基准的混凝土配合比作为给用户推荐的混凝土配合比，否则迭代次数加1，并返回步骤(2)。
CN201910664792.5A 2019-07-15 2019-07-15 一种混凝土生产配合比的智能设计方法 Active CN110435009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910664792.5A CN110435009B (zh) 2019-07-15 2019-07-15 一种混凝土生产配合比的智能设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910664792.5A CN110435009B (zh) 2019-07-15 2019-07-15 一种混凝土生产配合比的智能设计方法

Publications (2)

Publication Number Publication Date
CN110435009A CN110435009A (zh) 2019-11-12
CN110435009B true CN110435009B (zh) 2020-11-10

Family

ID=68431131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910664792.5A Active CN110435009B (zh) 2019-07-15 2019-07-15 一种混凝土生产配合比的智能设计方法

Country Status (1)

Country Link
CN (1) CN110435009B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985889A (zh) * 2020-08-04 2020-11-24 中交第二航务工程局有限公司 一种混凝土数字化云工厂***
CN113240160B (zh) * 2021-04-25 2023-12-29 中土木（北京）技术检测有限公司 一种混凝土配合比的成本优化模型和成本优化方法
CN113393910B (zh) * 2021-07-03 2022-08-02 内蒙古高等级公路建设开发有限责任公司 一种高韧性钢渣微表处材料的制备方法及***
CN114442968B (zh) * 2022-02-10 2023-09-22 中交第一公路勘察设计研究院有限公司 一种3d打印工程参数匹配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104261742A (zh) * 2014-09-22 2015-01-07 浙江水利水电学院 混凝土配合比的非线性优化方法
KR101511767B1 (ko) * 2013-10-16 2015-04-17 한양대학교 에리카산학협력단 환경부하평가를 고려한 성능기반형 콘크리트 배합설계 방법 및 이를 실행하기 위한 프로그램을 기록한 기록매체
CN107729617A (zh) * 2017-09-19 2018-02-23 滁州博杰科技有限公司 一种***工程的辅助设计或验证方法及装置
CN108320016A (zh) * 2018-03-08 2018-07-24 南京工业大学 一种建筑能耗短期预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101511767B1 (ko) * 2013-10-16 2015-04-17 한양대학교 에리카산학협력단 환경부하평가를 고려한 성능기반형 콘크리트 배합설계 방법 및 이를 실행하기 위한 프로그램을 기록한 기록매체
CN104261742A (zh) * 2014-09-22 2015-01-07 浙江水利水电学院 混凝土配合比的非线性优化方法
CN107729617A (zh) * 2017-09-19 2018-02-23 滁州博杰科技有限公司 一种***工程的辅助设计或验证方法及装置
CN108320016A (zh) * 2018-03-08 2018-07-24 南京工业大学 一种建筑能耗短期预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于人工神经网络和Monte-Carlo法的混凝土配合比优化设计研究;刘国华 等著;《水力发电学报》;20031231(第83期);第45-53页 *

Also Published As

Publication number Publication date
CN110435009A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110435009B (zh) 一种混凝土生产配合比的智能设计方法
CN104991051B (zh) 一种基于混合模型的混凝土强度预测方法
Yeh Computer-aided design for optimum concrete mixtures
CN110263431B (zh) 一种混凝土28d抗压强度预测方法
CN104261742A (zh) 混凝土配合比的非线性优化方法
CN105036626B (zh) 一种多因素参数法设计高性能砼的方法
Liu et al. Mixture optimization of mechanical, economical, and environmental objectives for sustainable recycled aggregate concrete based on machine learning and metaheuristic algorithms
CN109584973B (zh) 一种建筑废弃物粉基生态型超高性能混凝土的设计和制备方法
CN103043977B (zh) 一种矿渣微粉免烧砖及其生产方法
CN106904894A (zh) 一种高性能再生混凝土配合比设计
Shobeiri et al. A generic framework for augmented concrete mix design: Optimisation of geopolymer concrete considering environmental, financial and mechanical properties
CN114970314A (zh) 基于rbf神经网络的新型轻质混凝土抗压强度预测方法
Bukhari et al. Utilization of waste materials in non-autoclaved aerated concrete blocks: State of art review
Liu et al. Development of compressive strength prediction platform for concrete materials based on machine learning techniques
Iro et al. Optimization of cassava peel ash concrete using central composite design method
CN117172116A (zh) 基于pso-bp组合模型的混凝土抗压强度预测方法
Cao et al. Enhancing mix proportion design of low carbon concrete for shield segment using a combination of Bayesian optimization-NGBoost and NSGA-III algorithm
CN114707368B (zh) 一种矿石纤维成分精确设计方法及***
Jin et al. A Statistical Approach to Predicting Fresh State Properties of Sustainable Concrete
Ziaei-Nia et al. Dynamic cost optimization method of concrete mix design
CN116597919A (zh) 一种基于人工智能的3d打印水泥基材料设计方法
CN115609738A (zh) 一种低温下疏浚超细砂混凝土预制构件的最优养护方法
Tian et al. Intelligent optimisation of an ultra-high-performance concrete (UHPC) multi-objective mixture ratio based on particle swarm optimisation
Mouzoun et al. From waste to strength: Experimental design and optimization of mechanical properties of concrete using reused PVC-U drainage pipes
Sathiparan et al. Use of soft computing approaches for the prediction of compressive strength in concrete blends with eggshell powder

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant