CN111986737A - 基于rf-nsga-ii耐久性混凝土配合比优化方法 - Google Patents

Abstract

本发明属于混凝土配合比优化设计技术领域，并具体公开了一种基于RF‑NSGA‑II耐久性混凝土配合比优化方法。包括：构建混凝土耐久性指标体系，采集所述混凝土耐久性指标体系中各变量的样本数据，并以此建立原始样本集；采用原始样本集对随机森林回归计算模型进行训练，并对训练后的随机森林回归计算模型进行评价，以分别生成混凝土相对动弹性模量和氯离子渗透系数的随机森林预测模型，并以此作为目标函数，以混凝土材料的取值范围及各材料间的配合比关系为约束条件，采用NSGA‑II模型进行耐久性混凝土配合比多目标全局寻优。本发明方法预测精度较高，泛化能力和抗噪能力较强，寻优精度高、鲁棒性强、能够较快获得全局最优解。

Description

基于RF-NSGA-II耐久性混凝土配合比优化方法

技术领域

本发明属于混凝土配合比优化设计技术领域，更具体地，涉及一种基于RF-NSGA-II耐久性混凝土配合比优化方法。

背景技术

随着混凝土结构在各种工程实践中的应用愈加广泛，高寒腐蚀环境下的混凝土耐久性问题日益突出，冻融、盐侵等单一或耦合环境作用对混凝土耐久性能的影响越来越大，由此带来的混凝土结构劣化和损坏现象不可忽视。混凝土抗冻性和抗渗性作为用于评价混凝土耐久性能和进行寿命预测的两个重要指标，其与原材料和配合比因素相关，因此基于抗冻和抗渗性能研究混凝土配合比优化具有重要的工程应用价值。

目前，混凝土耐久性能和配合比优化的研究方法主要集中在传统的正交设计试验方法，该方法限制条件较多，实验搜寻范围有限，且研究耗时长，成本高，无法获得理想且贴近实际的配合比优化结果。随着人工智能技术和机器学***均值获得模型预测结果，具有训练速度较快、预测精度较高，能有效缓解过拟合，泛化能力和抗噪能力较强等优点，NSGA-II算法具有寻优精度高、鲁棒性强、能够较快获得全局最优解的优点。

因此，本领域亟待提出一种利用RF和NSGA-II相结合的模型进行耐久性混凝土配合比优化研究的方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于RF-NSGA-II耐久性混凝土配合比优化方法，首先建立高精度的混凝土抗冻性和抗渗性随机森林预测模型，基于样本数据映射各原材料变量与耐久性能指标的非线性回归函数关系，然后将两个耐久性指标的随机森林预测回归函数作为NSGA-II算法的目标函数，构建混凝土配合比多目标优化模型，通过遗传算法寻优得到Pareto前沿解集确定同时满足混凝土抗冻性和抗渗性能最优的混凝土配合比参数组合。本发明方法预测精度较高，能有效缓解过拟合，泛化能力和抗噪能力较强，寻优精度高、鲁棒性强、能够较快获得全局最优解。

为实现上述目的，本发明提出了一种基于RF-NSGA-II耐久性混凝土配合比优化方法，包括以下步骤：

S1根据影响混凝土抗冻性及抗渗性的材料和配合比因素构建混凝土耐久性指标体系，采集所述混凝土耐久性指标体系中各变量的样本数据，并以此建立原始样本集；

S2采用原始样本集对随机森林回归计算模型进行训练，并对训练后的随机森林回归计算模型进行评价，以分别生成混凝土相对动弹性模量和氯离子渗透系数的随机森林预测模型；

S3将上述两个随机森林预测模型作为优化混凝土配合比的目标函数，以混凝土材料的取值范围及各材料间的配合比关系为约束条件，构建NSGA-II模型，并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优，以生成目标函数的Pareto最优解。

作为进一步优选的，所述混凝土耐久性指标体系包括影响因素和耐久性评价指标，所述影响因素包括水胶比、水泥强度、水泥用量、粉煤灰、细集料、粗集料和减水剂，且该影响因素为随机森林回归计算模型训练过程中的输入变量；

所述耐久性评价指标包括混凝土相对动弹性模量和混凝土氯离子渗透系数，且所述混凝土相对动弹性模量和氯离子渗透系数分别为随机森林回归计算模型训练过程中的输出变量。

作为进一步优选的，步骤S1还包括以下步骤：在建立原始样本集之后，将原始样本集中的数据进行归一化处理，使得原始样本集中数据的维度统一。

作为进一步优选的，步骤S2具体包括以下步骤：

采用K折交叉验证法将原始样本集分隔成K个子样本集，随机将其中K-1子样本集作为训练子集，将剩下的一个子样本集作为验证子集，采用K个子样本集训练随机森林回归计算模型的新决策树，采用验证子集验证新决策树的预测精度，选择预测精度最高的新决策树作为最优分枝；

以最优分枝作为所述随机森林回归计算模型的输入，根据对应决策树中的特征将节点分成两个分支，然后再从剩下的特征中寻找分类效果满足要求的特征，如此递归构造决策树的分支，使得决策树充分生长，不做任何剪裁，直至随机森林回归计算模型能够准确的分类训练子集，完成随机森林回归计算模型的训练，以此方式，分别生成混凝土相对动弹性模量和氯离子渗透系数的随机森林预测模型。

作为进一步优选的，步骤S2中，采用均方根误差RMSE和拟合优度R²对训练后的随机森林回归计算模型进行评价，所述均方根误差RMSE的计算模型为：

所述拟合优度R²的计算模型为：

其中，y^obs为原始样本集中样本数据观测值，y^pred为随机森林预测模型的预测值，

为原始样本集中所有样本数据观测值的平均值，n为样本数。

作为进一步优选的，步骤S3具体包括以下步骤：

S31基于两个随机森林预测模型构建优化混凝土配合比的目标函数：

其中，x₁为水胶比，x₂为水泥强度，x₃为水泥用量，x₄为粉煤灰，x₅为细集料，x₆为粗集料，x₇为减水剂；

S32基于混凝土材料的取值范围及各材料间的配合比关系构建约束条件；

S33根据优化混凝土配合比的目标函数以及约束条件构建NSGA-II模型，并根据设定的迭代终止条件进行混凝土配合比多目标优化，以生成混凝土耐久性目标函数的Pareto最优解。

作为进一步优选的，步骤S32中，根据工程实际情况及相关规范要求，对混凝土各材料的取值范围及各材料之间的配合比进行限制，从而构建NSGA-II模型的约束条件，该约束条件的计算模型为：

其中，x₁为水胶比，x₂为水泥强度，x₃为水泥用量，x₄为粉煤灰，x₅为细集料，x₆为粗集料，x₇为减水剂，f_cu,k为混凝土立方体抗压强度标准值。

作为进一步优选的，步骤S33具体包括以下步骤：

S331根据优化混凝土配合比的目标函数以及约束条件构建NSGA-II模型，然后根据构成混凝土耐久性指标体系的各变量对混合NSGA-II模型进行参数定义和初始化；

S332将Y个混凝土耐久性指标体系定义为种群规模为Y的初始种群y，各混凝土耐久性指标体系构成所述初始种群y的个体，影响因素和耐久性评价指标构成个体的染色体，影响因素和耐久性评价指标中的变量构成染色体的基因，对个体进行初始化；

S333计算初始种群y中各个个体的适应度值，根据该适应度值获取初始种群y中各个个体的非支配排序等级，根据所述非支配排序等级以及各个个体的拥挤度选择交配个体，形成交配池；

S334根据NSGA-II模型中定义的交叉概率和变异概率对交配池中个体的染色体的基因进行交叉和变异，以形成新的个体；

S335根据NSGA-II模型中设定的迭代终止条件输出遗传算法迭代生成所述优化混凝土配合比的目标函数的Pareto最优解。

作为进一步优选的，步骤S333中，采用二进制锦标赛对初始种群y中各个个体进行筛选其中，对于适应度值不同的，选择适应度值大的个体加入到交配池中；对于适应度值相同的，比较个体的拥挤度，选择拥挤度大的个体加入到交配池中，否则，随机选取一个个体加入到交配池中，直至达到交配池的容量。

作为进一步优选的，步骤S334中，将交配池中个体的染色体的基因进行交叉具体包括以下步骤：随机选取构成两个个体的某个相同染色体的一段或几段相同位置的基因进行互换，从而得到两个新的个体；

将交配池中个体的染色体的基因进行变异具体包括以下步骤：随机选择其他参数替换构成个体的某个染色体的一段或几段基因段，从而得到新个体。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1.本发明方法首先建立高精度的混凝土抗冻性和抗渗性随机森林预测模型，基于样本数据映射各原材料变量与耐久性能指标的非线性回归函数关系，然后将两个耐久性指标的随机森林预测回归函数作为NSGA-II算法的目标函数，构建混凝土配合比多目标优化模型，通过遗传算法寻优得到Pareto前沿解集确定同时满足混凝土抗冻性和抗渗性能最优的混凝土配合比参数组合。本发明方法预测精度较高，能有效缓解过拟合，泛化能力和抗噪能力较强，寻优精度高、鲁棒性强、能够较快获得全局最优解。

2.本发明对随机森林回归算法模型进行参数优化，建立了混凝土相对动弹性模量和氯离子渗透系数高精度的预测模型，保证混凝土相对动弹性模量和氯离子渗透系数的预测结果更加准确、可靠。

3.本发明将RF回归预测函数替代传统的数学函数作为遗传算法适应度函数用于多目标优化之中，准确的映射了混凝土抗冻和抗渗性能与原材料配合比因素之间的复杂非线性关系，实现更为精确的优化。

4.本发明选用了NSGA-II建立多目标优化模型，与传统的遗传算法相比，NSGAII算法具备精英策略，保证个体的优越性和种群的多样性，寻优精度高、收敛速度快。

5.本发明通过拟合优度和均方根误差分析验证了随机森林回归算法模型对混凝土相对动弹性模量和氯离子渗透系数预测效果的有效性和正确性。

6.本发明利用智能模型以混凝土抗冻性、抗渗性为目标优化配合比，能显著减少配合比优化设计试验的工作量，提高精度和效率，减少耗资。

附图说明

图1为本发明实施例提供的一种基于RF-NSGA-II耐久性混凝土配合比优化方法的流程图；

图2为本发明实施例提供的随机森林回归计算模型生成预测模型中调整n_estimator参数选择图，其中，图2中的(a)为混凝土相对动弹性模量预测模型中调整n_estimator参数选择图，图2中的(b)为混凝土氯离子渗透系数预测模型中调整n_estimator参数选择图；

图3为本发明实施例提供的预测模型对混凝土相对动弹性模量预测结果示意图，图3中的(a)为预测模型对训练子集中混凝土相对动弹性模量预测结果示意图，图3中的(b)为预测模型对验证子集中混凝土相对动弹性模量预测结果示意图；

图4是本发明实施例提供的预测模型对混凝土氯离子渗透系数预测结果示意图，图4中的(a)为预测模型对训练子集中混凝土氯离子渗透系数预测结果示意图，图4中的(b)为预测模型对验证子集中混凝土氯离子渗透系数预测结果示意图；

图5是本发明实施例提供的基于NSGA-II优化得到的Pareto前沿图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明实施例提供的一种基于RF-NSGA-II(随机森林和遗传算法)耐久性混凝土配合比优化方法，包括以下步骤：

步骤一，根据影响混凝土抗冻性及抗渗性的材料和配合比因素构建混凝土耐久性指标体系，采集所述混凝土耐久性指标体系中各变量的样本数据，并以此建立原始样本集。其中，混凝土耐久性指标体系包括影响因素和耐久性评价指标，所述影响因素包括水胶比、水泥强度、水泥用量、粉煤灰、细集料、粗集料和减水剂，且该影响因素为随机森林回归计算模型训练过程中的输入变量；所述耐久性评价指标包括混凝土相对动弹性模量和混凝土氯离子渗透系数，且所述混凝土相对动弹性模量和氯离子渗透系数分别为随机森林回归计算模型训练过程中的输出变量。在建立原始样本集之后，将原始样本集中的数据进行归一化处理，使得原始样本集中数据的维度统一。由于选择的输入变量量纲不同，为了避免样本中数据过大或过小，影响模型的预测精度和收敛性能，因此对数据进行归一化预处理，以此实现数据维度的统一，将收集的原始数据样本归一化到[-1,1]区间。

步骤二，采用原始样本集对随机森林回归计算模型进行训练，并对训练后的随机森林回归计算模型进行评价，以分别生成混凝土相对动弹性模量和氯离子渗透系数的随机森林预测模型，即利用随机森林回归算法(RF)分别建立混凝土相对动弹性模量和氯离子渗透系数预测模型，进行模型性能评价，获取两个训练好的随机森林预测函数。

更具体的，步骤二中，利用RF建立混凝土相对动弹性模量和氯离子渗透系数的随机森林预测模型包括以下步：

(1)数据预处理

由于选择的输入变量量纲不同，为了避免样本中数据过大或过小，影响模型的预测精度和收敛性能，因此对数据进行归一化预处理，以此实现数据维度的统一，将收集的原始数据样本归一化到[-1,1]区间。

(2)参数优化

Step1：K折交叉验证法选择最优分枝：采用K折交叉验证法，将初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训，最后用这K个模型的预测精度的平均值作为模型预测精度的最终估计值，将预测精度最高的***方式选择为最优分枝。即采用K折交叉验证法将原始样本集分隔成K个子样本集，随机将其中K-1子样本集作为训练子集，将剩下的一个子样本集作为验证子集，采用K个子样本集训练随机森林回归计算模型的新决策树，采用验证子集验证新决策树的预测精度，选择预测精度最高的新决策树作为最优分枝。

Step2：参数优选：在树生成过程中，对于每个节点，从所有特征集中随机选择M个特征，再根据信息增益比达到最大的准则从中选取一个最优特征值mtry作为***变量值。建立随机森林模型，观察ntree和均方误差的走势，选择均方根误差为最小时对应的决策树棵树为最佳的ntree值，即回归树棵数。即在随机森林回归算法决策树的生长过程中，从所述训练子集中随机选择M个变量作为特征变量，再根据信息增益比达到最大的准则从中M个特征变量中选取一个最优特征值作为随机森林回归算法模型的***变量值，选择随机森林回归算法均方根误差最小时对应的决策树棵树为最佳的ntree值。

(3)建立训练模型：以最优分枝作为随机森林输入，根据特征将节点分成2个分支，然后再从剩下的特征中寻找效果最好的特征，如此递归构造分类树的分支，使回归树最大限度地生长，不做任何剪裁，生成一棵决策树。重复该过程，建立随机森林预测模型。即以最优分枝作为所述随机森林回归计算模型的输入，根据对应决策树中的特征将节点分成两个分支，然后再从剩下的特征中寻找分类效果较好的特征，如此递归构造决策树的分支，使得决策树充分生长，不做任何剪裁，直至随机森林回归计算模型能够准确的分类训练子集，完成随机森林回归计算模型的训练，以此方式，分别生成混凝土相对动弹性模量和氯离子渗透系数的随机森林预测模型。

更具体的，在步骤二的实现方式如下：

随机森林回归计算模型是有多棵决策树组成的分类器，其中每棵决策树是相互独立且同分布份随机向量，在决策树的数量一定的情况下，给定自变量，即影响因素，最终由所有决策树综合投票决定输出的结果；

在随机森林回归计算模型的训练过程中，采用bootstrap重采样方法从原始样本中抽取指定数量的样本生成一个训练子集，每一个训练子集对应着一棵决策树，

利用每个训练子集生产为单棵的分类树，即决策树，在树的每个节点处，从M个特征向量中随机挑选m个特征向量，按照节点纯度最小的原则从这m个特征向量中选出一个特征作为该节点的分类属性；

根据上述特征将节点分成2个分支，然后再从剩下的特征中寻找分类效果最好的特征，如此递归构造决策树的分支，使得决策树充分生长，每个节点的不纯度达到最小，而不进行剪枝，直至这棵树能准确的进行扥类训练子集，完成随机森林回归计算模型的训练。

作为本发明的优选方案，进行模型性能评价时，为了分析预测结果、验证RF模型的预测精度，选取两个指标：均方根误差RMSE和拟合优度R²来进行评估，其中RMSE越小，R²越接近于1，模型精度越高、性能越好。所述均方根误差RMSE的计算模型为：

所述拟合优度R2的计算模型为：

其中，y^obs为原始样本集中样本数据观测值，y^pred为随机森林预测模型的预测值，

为原始样本集中所有样本数据观测值的平均值，n为样本数。

步骤三，将上述两个随机森林预测模型作为优化混凝土配合比的目标函数，以混凝土材料的取值范围及各材料间的配合比关系为约束条件，构建NSGA-II模型，并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优，以生成目标函数的Pareto最优解。

(1)确定目标函数

引入混凝土抗冻性和抗渗性RF回归预测算法替代传统数学关系式作为多目标遗传算法中的适应度函数，可清晰的反映混凝土配合比影响因素与输出目标之间存在的复杂非线性关系。基于两个随机森林预测模型构建优化混凝土配合比的目标函数：

其中，x₁为水胶比，x₂为水泥强度，x₃为水泥用量，x₄为粉煤灰，x₅为细集料，x₆为粗集料，x₇为减水剂；

(2)确定约束范围

本发明中根据规范以及工程实际等要求确定合理的配合比参数取值范围，作为配合比优化的约束条件。基于混凝土材料的取值范围及各材料间的配合比关系构建约束条件；根据工程实际情况及相关规范要求，对混凝土各材料的取值范围及各材料之间的配合比进行限制，从而构建NSGA-II模型的约束条件，该约束条件的计算模型为：

其中，x₁为水胶比，x₂为水泥强度，x₃为水泥用量，x₄为粉煤灰，x₅为细集料，x₆为粗集料，x₇为减水剂，f_cu,k为混凝土立方体抗压强度标准值。

(3)根据优化混凝土配合比的目标函数以及约束条件构建NSGA-II模型，并根据设定的迭代终止条件进行混凝土配合比多目标优化，以生成混凝土耐久性目标函数的Pareto最优解。

更具体的，首先，根据优化混凝土配合比的目标函数以及约束条件构建NSGA-II模型，然后根据构成混凝土耐久性指标体系的各变量对混合NSGA-II模型进行参数定义和初始化。

然后，将Y个混凝土耐久性指标体系定义为种群规模为Y的初始种群y，各混凝土耐久性指标体系构成所述初始种群y的个体，影响因素和耐久性评价指标构成个体的染色体，影响因素和耐久性评价指标中的变量构成染色体的基因，对个体进行初始化。

接着，计算初始种群y中各个个体的适应度值，根据该适应度值获取初始种群y中各个个体的非支配排序等级，根据所述非支配排序等级以及各个个体的拥挤度选择交配个体，形成交配池。其中，采用二进制锦标赛对初始种群y中各个个体进行筛选其中，对于适应度值不同的，选择适应度值大的个体加入到交配池中；对于适应度值相同的，比较个体的拥挤度，选择拥挤度大的个体加入到交配池中，否则，随机选取一个个体加入到交配池中，直至达到交配池的容量。

接着，根据NSGA-II模型中定义的交叉概率和变异概率对交配池中个体的染色体的基因进行交叉和变异，以形成新的个体。

最后，根据NSGA-II模型中设定的迭代终止条件输出遗传算法迭代生成所述优化混凝土配合比的目标函数的Pareto最优解。将交配池中个体的染色体的基因进行交叉的过程中，随机选取构成两个个体的某个相同染色体的一段或几段相同位置的基因进行互换，从而得到两个新的个体。将交配池中个体的染色体的基因进行变异的过程中，随机选择其他参数替换构成个体的某个染色体的一段或几段基因段，从而得到新个体。

实施例1

如图1所示，本实施例提供的基于RF-NSGA-II耐久性混凝土配合比优化的方法，主要包括以下步骤：

(1)数据获取及预处理

以水胶比、水泥强度、水泥用量、粉煤灰、细集料、粗集料、减水剂等7个影响因素，作为输入变量，以混凝土相对动弹性模量和氯离子渗透系数作为两个输出变量，收集工程中71组C40混凝土的样本数据，如表1所示。

对样本进行归一化处理，将全部样本随机抽取其中56组样本构成训练集用来训练模型，为了检验模型的泛化性能，将剩下的15组样本作为测试集来验证模型效果。

表1 C40混凝土样本数据

(3)优化模型参数

由于选取的训练样本特征数较少，决策树参数最大特征数max_features可以设置为auto，不考虑最大叶子节点数max_leaf_nodes、决策树最大深度max_depth均为默认；节点划分最小不纯度min_impurity_split默认为1e-7。

随机森林回归训练调参仅需考虑n_estimators，训练性能评价指标为线性相关系数R²。将数据集样本数的0.2划分为测试集，0.8划分为训练集。如图2所示，为训练集真实值与预测值间的R²随n_estimators变化曲线。从图2中的(a)可以看出，n_estimators为59时，R²最大值为0.9441；从图2中的(b)可以看出，n_estimators为87时，R²最大值为0.9358，表明模型具有较高的泛化能力。

(4)预测结果分析

根据参数优选结果分别建立混凝土抗冻性和抗渗性预测模型，得到的训练集和测试集回归拟合结果分别如图3和图4所示。

从图3中的(a)和(b)可以看出，混凝土抗渗性预测模型训练集的均方根误差为0.1404，拟合优度为0.9441，模型拟合结果很好，其预测值与实际值之间误差非常小。测试集上的均方根误差为0.0409，拟合优度为0.9850，可以看出经验证该预测模型的精度很高，性能稳定良好。结合图4经过同样的分析，得到RF预测模型在混凝土抗渗性上也表现出了很好的效果。因此，可判断所建立的混凝土耐久性预测模型预测效果良好且泛化能力优秀。

(5)确定目标函数和变量约束范围

将通过建立的高精度RF预测模型得到的训练好的相对动弹性模量回归函数和氯离子渗透系数作为混凝土配合比优化的多目标函数，分别表示为f1和f2：

f₁＝max(randomforestregression(X₁,X₂,X₃,X₄,X₅,X₆,X₇))

f₂＝min(randomforestregression(X₁,X₂,X₃,X₄,X₅,X₆,X₇))

根据规范以及工程实际等要求确定合理的配合比参数取值范围，配合比优化的约束条件如下：

(6)基于NSGA-Ⅱ的多目标优化

建立的目标函数和约束范围构成了NSGA-Ⅱ算法的适应度函数，在本文中，通过随机遍历抽样进行选择，使用单点交叉算子进行交叉操作，其中交叉算子为0.7，变异算子为0.01，初始种群大小设置为50，最大进化代数和停止代数为60。根据设置的参数和抗冻、抗渗两个目标函数，进行全局寻优、求解得到的帕累托前沿解集如图5所示，图中50组满足双目标的配合比决策变量组合结果如表2所示。

表2最优配合比组合解集

从图5中可以看出，随着氯离子渗透系数的增加，相对动弹性模量也在增大，这两个指标的变化趋势对于耐久性能的影响是相反的。根据冻融实验经验，混凝土经过300次冻融循环后相对动弹性模量在85％以上，28d氯离子渗透系数在3.2*10^-8cm²/s以下，才能达到工程耐久性要求。由于该寻优过程中氯离子渗透系数的变化幅度较小，对混凝土性能的影响不大，因此根据经验我们在满足氯离子渗透系数大小要求的配合比组合中选择相对动弹性模量最大的解作为最优配合比，如表2中的第40个解，此时单位体积混凝土水胶比为0.40，水泥强度为51.51MPa，水泥用量为357.64kg，粉煤灰用量为62.46kg，细集料用量为816.00kg，粗集料用量为1115.27kg，减水剂用量为4.95％。本实施例选取的符合C40混凝土的优化配合比在实际工程应用中可达到预期要求。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，包括以下步骤：

S1根据影响混凝土抗冻性及抗渗性的材料和配合比因素构建混凝土耐久性指标体系，采集所述混凝土耐久性指标体系中各变量的样本数据，并以此建立原始样本集；

S2采用原始样本集对随机森林回归计算模型进行训练，并对训练后的随机森林回归计算模型进行评价，以分别生成混凝土相对动弹性模量和氯离子渗透系数的随机森林预测模型；

S3将上述两个随机森林预测模型作为优化混凝土配合比的目标函数，以混凝土材料的取值范围及各材料间的配合比关系为约束条件，构建NSGA-II模型，并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优，以生成目标函数的Pareto最优解。

2.根据权利要求1所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，所述混凝土耐久性指标体系包括影响因素和耐久性评价指标，所述影响因素包括水胶比、水泥强度、水泥用量、粉煤灰、细集料、粗集料和减水剂，且该影响因素为随机森林回归计算模型训练过程中的输入变量；

所述耐久性评价指标包括混凝土相对动弹性模量和混凝土氯离子渗透系数，且所述混凝土相对动弹性模量和氯离子渗透系数分别为随机森林回归计算模型训练过程中的输出变量。

3.根据权利要求1所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，步骤S1还包括以下步骤：在建立原始样本集之后，将原始样本集中的数据进行归一化处理，使得原始样本集中数据的维度统一。

4.根据权利要求2所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，步骤S2具体包括以下步骤：

采用K折交叉验证法将原始样本集分隔成K个子样本集，随机将其中K-1子样本集作为训练子集，将剩下的一个子样本集作为验证子集，采用K个子样本集训练随机森林回归计算模型的新决策树，采用验证子集验证新决策树的预测精度，选择预测精度最高的新决策树作为最优分枝；

以最优分枝作为所述随机森林回归计算模型的输入，根据对应决策树中的特征将节点分成两个分支，然后再从剩下的特征中寻找分类效果满足要求的特征，如此递归构造决策树的分支，使得决策树充分生长，不做任何剪裁，直至随机森林回归计算模型能够准确的分类训练子集，完成随机森林回归计算模型的训练，以此方式，分别生成混凝土相对动弹性模量和氯离子渗透系数的随机森林预测模型。

5.根据权利要求1所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，步骤S2中，采用均方根误差RMSE和拟合优度R²对训练后的随机森林回归计算模型进行评价，所述均方根误差RMSE的计算模型为：

所述拟合优度R²的计算模型为：

其中，y^obs为原始样本集中样本数据观测值，y^pred为随机森林预测模型的预测值，

为原始样本集中所有样本数据观测值的平均值，n为样本数。

6.根据权利要求1所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，步骤S3具体包括以下步骤：

S31基于两个随机森林预测模型构建优化混凝土配合比的目标函数：

其中，x₁为水胶比，x₂为水泥强度，x₃为水泥用量，x₄为粉煤灰，x₅为细集料，x₆为粗集料，x₇为减水剂；

S32基于混凝土材料的取值范围及各材料间的配合比关系构建约束条件；

S33根据优化混凝土配合比的目标函数以及约束条件构建NSGA-II模型，并根据设定的迭代终止条件进行混凝土配合比多目标优化，以生成混凝土耐久性目标函数的Pareto最优解。

7.根据权利要求1所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，步骤S32中，根据工程实际情况及相关规范要求，对混凝土各材料的取值范围及各材料之间的配合比进行限制，从而构建NSGA-II模型的约束条件。

8.根据权利要求3所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，步骤S33具体包括以下步骤：

S331根据优化混凝土配合比的目标函数以及约束条件构建NSGA-II模型，然后根据构成混凝土耐久性指标体系的各变量对混合NSGA-II模型进行参数定义和初始化；

S332将Y个混凝土耐久性指标体系定义为种群规模为Y的初始种群y，各混凝土耐久性指标体系构成所述初始种群y的个体，影响因素和耐久性评价指标构成个体的染色体，影响因素和耐久性评价指标中的变量构成染色体的基因，对个体进行初始化；

S333计算初始种群y中各个个体的适应度值，根据该适应度值获取初始种群y中各个个体的非支配排序等级，根据所述非支配排序等级以及各个个体的拥挤度选择交配个体，形成交配池；

S334根据NSGA-II模型中定义的交叉概率和变异概率对交配池中个体的染色体的基因进行交叉和变异，以形成新的个体；

S335根据NSGA-II模型中设定的迭代终止条件输出遗传算法迭代生成所述优化混凝土配合比的目标函数的Pareto最优解。

9.根据权利要求8所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，步骤S333中，采用二进制锦标赛对初始种群y中各个个体进行筛选其中，对于适应度值不同的，选择适应度值大的个体加入到交配池中；对于适应度值相同的，比较个体的拥挤度，选择拥挤度大的个体加入到交配池中，否则，随机选取一个个体加入到交配池中，直至达到交配池的容量。

10.根据权利要求8所述的一种基于RF-NSGA-II耐久性混凝土配合比优化方法，其特征在于，步骤S334中，将交配池中个体的染色体的基因进行交叉具体包括以下步骤：随机选取构成两个个体的某个相同染色体的一段或几段相同位置的基因进行互换，从而得到两个新的个体；

将交配池中个体的染色体的基因进行变异具体包括以下步骤：随机选择其他参数替换构成个体的某个染色体的一段或几段基因段，从而得到新个体。

Images