CN116759031A - 一种基于ann的污泥灰混凝土材料配合比的设计方法 - Google Patents
一种基于ann的污泥灰混凝土材料配合比的设计方法 Download PDFInfo
- Publication number
- CN116759031A CN116759031A CN202311002324.4A CN202311002324A CN116759031A CN 116759031 A CN116759031 A CN 116759031A CN 202311002324 A CN202311002324 A CN 202311002324A CN 116759031 A CN116759031 A CN 116759031A
- Authority
- CN
- China
- Prior art keywords
- ann
- model
- super
- sludge ash
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000010802 sludge Substances 0.000 title claims abstract description 73
- 238000002156 mixing Methods 0.000 title claims abstract description 50
- 239000000463 material Substances 0.000 title claims abstract description 31
- 238000013461 design Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 18
- 239000002994 raw material Substances 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims description 48
- 238000010606 normalization Methods 0.000 claims description 23
- 239000000203 mixture Substances 0.000 claims description 20
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 18
- 150000001875 compounds Chemical class 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000004568 cement Substances 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000011282 treatment Methods 0.000 claims description 6
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 4
- 239000003638 chemical reducing agent Substances 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 230000010220 ion permeability Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 239000002562 thickening agent Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 79
- 230000000694 effects Effects 0.000 description 8
- 239000003513 alkali Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于ANN的污泥灰混凝土材料配合比的设计方法,包括如下步骤:采集构建污泥灰混凝土原材料配合比和力学性能参数的初始数据集;将初始数据集随机划分为训练集和测试集;基于训练集进行迭代训练构建得到ANN模型,并根据测试集对ANN模型进行验证,若验证通过则输出构建的ANN模型,若验证不通过则重新执行训练过程优化ANN模型,直至ANN模型通过验证;将待配制污泥灰混凝土材料的性能指标输入基于验证通过的ANN模型中,通过ANN模型输出污泥灰混凝土原材料的配合比。本发明可以解决现有的混凝土配合比设计方法耗时长、工作量大等问题。
Description
技术领域
本发明涉及混凝土配合比设计技术领域。具体地说是一种基于ANN的污泥灰混凝土材料配合比的设计方法。
背景技术
污泥灰是指污水处理过程中产生的污泥经过干化、燃烧等处理后得到的灰烬。污泥灰活性高、颗粒细小,具有一定的水泥活性,可在混凝土中替代部分水泥或骨料,达到资源再利用和减少环境污染的目的。对实现城市固废利用,减少环境污染,减少水泥的使用量,助力“双碳”目标实现具有重要意义。
但污泥灰的性质复杂,其对混凝土强度、耐久性等性能的影响与传统混凝土材料具有显著差异。为了保证污泥灰混凝土的稳定性和可靠性,必须进行合理的配合比设计。现行配合比设计方法多为质量法或体积法,但这类方法耗时较长且工作量较大,无法满足污泥灰混凝土配合比设计要求。在此背景下,有必要探索新型、快速、高效的设计方法。
发明内容
为此,本发明所要解决的技术问题在于提供一种基于ANN(Artificial NeuralNetwork,人工神经网络)的污泥灰混凝土材料配合比的设计方法,以解决现有的污泥灰混凝土配合比设计方法耗时长、工作量大等问题。
为解决上述技术问题,本发明提供如下技术方案:
一种基于ANN的污泥灰混凝土材料配合比的设计方法,包括如下步骤:
步骤(1)、采集构建污泥灰混凝土原材料配合比和力学性能参数的初始数据集;
步骤(2)、将初始数据集随机划分为训练集和测试集;
步骤(3)、使用训练集进行迭代训练构建得到ANN模型,并根据测试集对训练得到的ANN模型进行验证,以测试ANN模型输出的配合比与实际配合比的拟合情况;若验证通过则输出构建的ANN模型,若验证不通过则重新执行训练过程优化ANN模型,直至ANN模型通过验证;
步骤(4)、将待配制污泥灰混凝土材料的性能指标输入基于验证通过的ANN模型中,通过ANN模型输出污泥灰混凝土原材料的配合比。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,步骤(3)中,ANN模型的构建方法为:
步骤(3-1)、将污泥灰混凝土原材料配合比作为输出变量,力学性能参数作为输入变量,分别对输入变量和输出变量进行归一化处理;
步骤(3-2)、确定ANN模型的损失函数,基于梯度下降优化算法对ANN模型内部参数进行调整,并采用贝叶斯优化算法对ANN模型超参数进行自适应调整和选择,使训练迭代中的ANN模型损失函数降低至可接受水平;
在ANN的每一层神经元中都会设置权重w和偏置b;对于已知输入x和输出y,神经网络在训练中不断调整w和b,来拟合现有y与x之间的关系,训练结束时得到y=wx+b这个简化关系式,w和b在是ann模型训练出的庞大的参数矩阵;本发明采用梯度下降算法就是对模型内部参数进行寻优的算法,属于模型参数优化算法,调整的模型参数是模型表达式y=wx+b中的w。贝叶斯超参数优化算法是对ANN模型超参数进行选择和设定的算法,属于自动调参算法,可以替代手动调参、网格搜索等方法,方便、耗时短、可确定最优超参数,能够解决仅靠经验法调的参费时费力且无法获得使模型性能最优的超参数的问题;超参数包括:迭代次数、网络层数等这些需要建模时进行设置的超参数;
步骤(3-3)、使用测试集对训练好的ANN模型进行验证,将测试集的输入变量输入训练好的ANN模型中,使用Min-Max反归一化算法将输出结果映射到真实区间,并与测试集的输出变量进行对比;
步骤(3-4)、使用均方根误差和决定系数对ANN模型训练结果进行评价,若满足评价目标则输出训练模型为ANN模型,若不满足评价目标,则重新执行训练过程,直至满足评价目标的要求。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,步骤(3-1)中,采用Min-Max归一化法对输入变量和输出变量进行归一化处理,归一化处理的计算公式为:
(1);
式(1)中,表示未归一化的数值,/>表示归一化之后的数值;/>表示同一批次数据中的最大值,/>表示同一批次数据中的最小值;
步骤(3-2)中,ANN模型的损失函数为:
(2);
式(2)中,表示训练集样本总数,/>表示模型给出的配合比预测值,/>表示归一化后的实际配合比;loss值在0~0.05范围内时,表明模型损失函数降低至可接受水平;
步骤(3-3)中,Min-Max反归一化算法的计算公式为:
(3);
式(3)中,表示未归一化的数值,/>表示归一化之后的数值;/>表示同一批次数据中的最大值,/>表示同一批次数据中的最小值;
步骤(3-4)中,均方根误差RMSE和决定系数R 2的计算公式为:
(4);
(5);
式(4)和式(5)中,表示测试集样本总数,/>表示反归一化后预测值,/>表示实际值,/>表示/>个测试集样本的实际值的均值;当均方根误差RMSE小于或等于0.01,且决定系数R 2大于或等于0.95时,表明训练模型满足要求;均方根误差RMSE的数值越接近0,表示模型的拟合效果越好,决定系数R 2的数值越接近1,表示模型的拟合效果越好。因此,若均方根误差RMSE数值较大或者决定系数R 2数值较小,则应调整并重新执行训练过程,直至均方根误差RMSE和决定系数R 2满足要求。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,步骤(3-2)中,采用贝叶斯超参数优化算法对ANN模型的超参数进行自适应调整和选择,以提升ANN模型的建模精度,最终获得精确度高的污泥灰混凝土配合比ANN设计模型;具体的调优方法为:
首先,根据经验或模型测试的表现设计或调整ANN模型中各超参数的优化空间Θ,以降低运算复杂度;该优化空间可根据后续模型的预测表现进行调整;
其次,设定超参数调优的目标函数h(θ):
(6);
式(6)中,表示样本总数,/>表示预测值,/>表示实际值,θ表示超参数;
然后,利用贝叶斯超参数优化法求解得到使h(θ)值最小的超参数;求解过程表示为: (7);
式(7)中,θ*为贝叶斯超参数优化算法需要寻找的最优超参数,θ为输入的超参数,Θ为设定的参数空间,表示样本总数,/>表示预测值,/>表示实际值。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,贝叶斯超参数优化算法寻找最优超参数的方法为:
目标函数h(θ)服从高斯分布,即:
(8);
式(8)中,μ(θ)为h(θ)的均值,O(θ,θ´)为h(θ)的协方差矩阵,O(θ,θ’)的初始值表示为:
(9);
在贝叶斯超参数优化过程中,协方差矩阵O(θ,θ’)会随着训练的迭代而改变,随着训练迭代的进行,假设在第t+1步输入的超参数为θ t+1,则O(θ,θ’)的值表示为:
(10);
因此,目标函数h(θ)的后验概率的计算公式为:
(11);
式(11)中,D为观测值,μ t+1(θ)为第t+1步h(θ)的均值,σ2 t+1(θ)为第t+1步h(θ)的方差;
得到后验概率后,贝叶斯超参数优化算法根据后验分布,在上一次超参数附近空间进行寻找,寻找方法为:
(12);
式(12)中ζt+1是常数,设定为0.01;θ t+1是选取出的第t+1步的超参数;
通过不断迭代寻找,利用贝叶斯超参数优化算法可以确定在给定的超参数优化空间Θ中的最优超参数,该组超参数能够使ANN模型取得最优的训练结果。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,贝叶斯超参数优化算法调优的ANN模型超参数包括隐藏层数量、训练迭代次数、优化器、批量样本量、学习率、激活函数和丢弃法比率。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,步骤(1)中,通过收集公开数据资料和/或实验的方式获取污泥灰混凝土原材料配合比和力学性能的初始数据集。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,步骤(2)中,将初始数据集中的数据按照7:3的比例随机划分为训练集和测试集。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,步骤(1)中,污泥灰混凝土原材料包括污泥灰、水泥、碎石、砂子、减水剂、增稠剂、膨胀剂和水;力学性能参数包括抗压强度、抗折强度、塌落度和耐久性。
上述基于ANN的污泥灰混凝土材料配合比的设计方法,耐久性为氯离子渗透系数、抗冻性和碱骨料反应中的一种或两种及两种以上。
本发明的技术方案取得了如下有益的技术效果:
1、由于污泥灰对混凝土性能的影响较为复杂,采用现有的配合比设计手段耗时较长且工作量较大,难以满足污泥灰混凝土这类性质复杂的配合比设计需求。本发明所提出的基于ANN和贝叶斯超参数优化的配合比设计模型不仅预测精度远高于现有技术,且智能化、自动化水平较高,更适合工程实际。
2、本发明基于污泥灰混凝土的性能指标进行设计,使用ANN人工神经网络方法对污泥灰混凝土多种掺料的配合比及抗压强度等性能参数进行建模,同时使用贝叶斯超参数优化算法对ANN模型的多个超参数进行调优,相比基于经验的手工调优方法可以更充分地发挥ANN模型的拟合能力,获得最优设计模型。
3、本发明使用ANN构建污泥灰混凝土各原材料的配合比回归预测模型,替代传统的质量法、体积法和数学关系式等方式,可以对多达14种变量进行建模,更好的拟合污泥灰混凝土性能指标与配合比之间的复杂非线性关系,得到更接近预定性能指标的配合比设计。
附图说明
图1本发明实施例中构建ANN模型时的模型训练过程示意图;
图2本发明实施例中构建ANN模型时的模型测试过程示意图;
图3本发明实施例中基于验证集的模型预测值与实际值对比图。
具体实施方式
本实施例基于ANN的污泥灰混凝土材料配合比设计方法包括如下步骤:
步骤(1)、采集构建污泥灰混凝土原材料配合比和力学性能参数的初始数据集;本实施例通过收集网络公开数据资料和实验采集的方式获取污泥灰混凝土原材料配合比和力学性能数据,构建得到初始数据集。
步骤(2)、将初始数据集随机划分为训练集和测试集;初始数据集中的抗压强度、抗折强度、塌落度、耐久性(耐久性包括氯离子渗透系数、抗冻性、碱骨料反应)的数值作为输入变量,污泥灰、水泥、碎石、砂子、水、减水剂、增稠剂和膨胀剂的配合比例作为输出变量;将初始数据集按照7:3的比例随机划分为训练集和测试集,训练集用来训练模型以得到最优的拟合效果,测试集用来验证和评价训练模型对污泥灰混凝土配合比的计算效果。
步骤(3)、使用训练集进行迭代训练构建得到ANN模型,并根据测试集对训练得到的ANN模型进行验证,若验证通过则输出构建的ANN模型,若验证不通过则重新执行训练过程优化ANN模型,直至ANN模型通过验证;即:构建ANN模型,基于训练集迭代训练模型,使模型能够根据训练集输入变量的数值,输出越来越接近输出变量的结果。为了得到使ANN模型性能更优的超参数组合,本实施例使用贝叶斯超参数优化算法对迭代次数、学习率等模型超参数进行自适应调优。使用测试集对基于最优参数组合下的ANN模型进行验证,使用均方根误差和决定系数作为评价指标对模型的训练效果进行评价。
具体的,ANN模型的构建方法为:
步骤(3-1)、将污泥灰混凝土原材料配合比作为输出变量,力学性能参数作为输入变量,分别对输入变量和输出变量进行归一化处理;采用Min-Max归一化法对输入变量和输出变量进行归一化处理,归一化处理的计算公式为:
(1);
式(1)中,表示未归一化的数值,/>表示归一化之后的数值;/>表示同一批次数据中的最大值,/>表示同一批次数据中的最小值。
步骤(3-2)、确定ANN模型的损失函数,基于梯度下降优化算法对ANN模型内部参数进行调整,并采用贝叶斯优化算法对ANN模型超参数进行自适应调整和选择,使训练迭代中的ANN模型损失函数降低至可接受水平;ANN模型的损失函数为:
(2);
式(2)中,表示训练集样本总数,/>表示模型给出的配合比预测值,/>表示归一化后的实际配合比;loss值在0~0.05范围内时,表明模型损失函数降低至可接受水平;
贝叶斯超参数优化算法调优的ANN模型超参数包括隐藏层数量、训练迭代次数、优化器、批量样本量、学习率、激活函数和丢弃法比率;贝叶斯超参数优化算法对ANN模型的内部超参数进行调优的方法为:
首先,根据经验或模型测试的表现设计或调整ANN模型中各超参数的优化空间Θ;
其次,设定超参数调优的目标函数h(θ):
(6);
式(6)中,表示样本总数,/>表示预测值,/>表示实际值,θ表示超参数;
然后,利用贝叶斯超参数优化法求解得到使h(θ)值最小的超参数;求解过程表示为:
(7);
式(7)中,θ*为贝叶斯超参数优化算法需要寻找的最优超参数,θ为输入的超参数,Θ为设定的参数空间,表示样本总数,/>表示预测值,/>表示实际值。
步骤(3-3)、使用测试集对训练好的ANN模型进行验证,将测试集的输入变量输入训练好的ANN模型中,使用Min-Max反归一化算法将输出结果映射到真实区间,并与测试集的输出变量进行对比;Min-Max反归一化算法的计算公式为:
(3);
式(3)中,表示未归一化的数值,/>表示归一化之后的数值;/>表示同一批次数据中的最大值,/>表示同一批次数据中的最小值;
步骤(3-4)、使用均方根误差和决定系数对ANN模型训练结果进行评价,若满足评价目标则输出训练模型为ANN模型,若不满足评价目标,则重新执行训练过程,直至满足评价目标的要求。均方根误差RMSE和决定系数R 2的计算公式为:
(4);
(5);
式(4)和式(5)中,表示测试集样本总数,/>表示反归一化后预测值,/>表示实际值,/>表示/>个测试集样本的实际值的均值;当均方根误差RMSE小于或等于0.01,且决定系数R 2大于或等于0.95时,表明训练模型满足要求。
贝叶斯超参数优化算法寻找最优超参数的方法为:
目标函数h(θ)服从高斯分布,即:
(8);
式(8)中,μ(θ)为h(θ)的均值,O(θ,θ´)为h(θ)的协方差矩阵,O(θ,θ’)的初始值表示为:
(9);
随着训练迭代的进行,假设在第t+1步输入的超参数为θ t+1,则O(θ,θ’)的值表示为:
(10);
因此,目标函数h(θ)的后验概率的计算公式为:
(11);
式(11)中,D为观测值,μ t+1(θ)为第t+1步h(θ)的均值,σ2 t+1(θ)为第t+1步h(θ)的方差;
得到后验概率后,贝叶斯超参数优化算法根据后验分布,在上一次超参数附近空间进行寻找,寻找方法为:
(12);
式(12)中ζt+1是常数,设定为0.01;θ t+1是选取出的第t+1步的超参数;
通过不断迭代寻找,确定在给定的超参数优化空间Θ中的最优超参数。
在构建ANN模型过程中,ANN模型的隐藏层数量、迭代次数、学习率等超参数均不需预先设定,由贝叶斯超参数优化算法在训练过程中自适应确定,只需要预先给出超参数的优化空间;本实施例给出的优化空间如表1所示。
表1 超参数优化空间
数据输入模型前,先经过Min-Max归一化处理;模型输出结果后,也需经过反归一化计算处理,才能得到真实值域内的预测数值。
本实施例中采集的初始数据集中的训练数据共84组,剩余的36组作为测试集,用来验证模型训练后的性能(由于数据较多,本实施例不再对各数据进行列举)。模型训练过程中,使用训练数据中的抗压强度(X 1)、抗折强度(X 2)、塌落度(X 3)、氯离子渗透系数(X 4)、抗冻性(X 5)、碱骨料反应(X 6)共六组变量作为模型的输入变量,训练模型输出污泥灰(Y 1)、水泥(Y 2)、碎石(Y 3)、砂子(Y 4)、水(Y 5)、减水剂(Y 6)、增稠剂(Y 7)、膨胀剂(Y 8)共八组变量。
训练结束后,可以查看本次训练中贝叶斯超参数优化得到的超参数组。本实施例中超参数组如表2所示。
表2 贝叶斯超参数优化获得的超参数组
最后,使用36组测试数据对模型的性能进行验证,并使用均方根误差(RMSE)和决定系数(R 2)两个评价指标进行模型拟合效果的评价。经计算得知,RMSE=0.00263,R2=0.98221。模型给出的预测值与实际值的对比结果如图3所示。
本实施例的污泥灰混凝土配合比建模在测试集中取得了RMSE=0.00263,R2=0.98221的测试结果。据RMSE和R2的公式及含义可知,RMSE的值越接近0,R2的值越接近1,说明模型给出的预测值与实际值的拟合程度越高。因此,由上述评价指标可知,本实施例构建的ANN模型对污泥灰混凝土性能指标与配合比拟合的很好,说明该ANN模型对污泥灰混凝土性能指标与配合比之间的规律进行了充分的学习,可以根据预期的性能指标数值,给出所需的配合比。由图2预测值与实际值的对比结果也可得出:ANN结合贝叶斯超参数优化方法给出了非常贴近实际值的配合比回归预测结果。
步骤(4)、将通过验证的ANN模型进行保存,在工程应用时,首先输入预期要达到的污泥灰混凝土性能指标数值,然后该ANN模型将根据已训练好的参数进行计算,从而输出配合比。根据该配合比进行污泥灰混凝土的配制。
本实施例对按照ANN模型输出的配合比配制好的污泥灰混凝土进行污泥灰混凝土性能指标的实验测试,结果发现,采用ANN模型输出的配合比配置的污泥灰混凝土其性能与预期要达到的性能指标基本吻合,完全满足工程应用需求。
在其他一些实施例中,也可以根据实际情况调整污泥灰混凝土原材料的种类作为输出变量,或者根据污泥灰混凝土的应用指标调整力学性能数据的指标种类作为输入变量,构建新的ANN模型。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本专利申请权利要求的保护范围之中。
Claims (10)
1.一种基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,包括如下步骤:
步骤(1)、采集构建污泥灰混凝土原材料配合比和力学性能参数的初始数据集;
步骤(2)、将初始数据集随机划分为训练集和测试集;
步骤(3)、使用训练集进行迭代训练构建得到ANN模型,并根据测试集对训练得到的ANN模型进行验证,若验证通过则输出构建的ANN模型,若验证不通过则重新执行训练过程优化ANN模型,直至ANN模型通过验证;
步骤(4)、将待配制污泥灰混凝土材料的性能指标输入基于验证通过的ANN模型中,通过ANN模型输出污泥灰混凝土原材料的配合比。
2.根据权利要求1所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,步骤(3)中,ANN模型的构建方法为:
步骤(3-1)、将污泥灰混凝土原材料配合比作为输出变量,力学性能参数作为输入变量,分别对输入变量和输出变量进行归一化处理;
步骤(3-2)、确定ANN模型的损失函数,基于梯度下降优化算法对ANN模型内部参数进行调整,并采用贝叶斯优化算法对ANN模型超参数进行自适应调整和选择,使训练迭代中的ANN模型损失函数降低至可接受水平;
步骤(3-3)、使用测试集对训练好的ANN模型进行验证,将测试集的输入变量输入训练好的ANN模型中,使用Min-Max反归一化算法将输出结果映射到真实区间,并与测试集的输出变量进行对比;
步骤(3-4)、使用均方根误差和决定系数对ANN模型训练结果进行评价,若满足评价目标则输出训练模型为ANN模型,若不满足评价目标,则重新执行训练过程,直至满足评价目标的要求。
3.根据权利要求2所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,步骤(3-1)中,采用Min-Max归一化法对输入变量和输出变量进行归一化处理,归一化处理的计算公式为:=/> (1);
式(1)中,表示未归一化的数值,/>表示归一化之后的数值;/>表示同一批次数据中的最大值,/>表示同一批次数据中的最小值;
步骤(3-2)中,ANN模型的损失函数为:
loss= (2);
式(2)中,表示训练集样本总数,/>表示模型给出的配合比预测值,/>表示归一化后的实际配合比;loss值在0~0.05范围内时,表明模型损失函数降低至可接受水平;
步骤(3-3)中,Min-Max反归一化算法的计算公式为:
=/>(max-min)+min (3);
式(3)中,表示未归一化的数值,/>表示归一化之后的数值;/>表示同一批次数据中的最大值,/>表示同一批次数据中的最小值;
步骤(3-4)中,均方根误差RMSE和决定系数R 2的计算公式为:
RMSE= (4);
R 2=1 (5);
式(4)和式(5)中,表示测试集样本总数,/>表示反归一化后预测值,/>表示实际值,/>表示/>个测试集样本的实际值的均值;当均方根误差RMSE小于或等于0.01,且决定系数R 2大于或等于0.95时,表明训练模型满足要求。
4.根据权利要求2所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,步骤(3-2)中,采用贝叶斯超参数优化算法对ANN模型的超参数进行自适应调整和选择,具体的调优方法为:首先,根据经验或模型测试的表现设计或调整ANN模型中各超参数的优化空间Θ;
其次,设定超参数调优的目标函数h(θ):
h(θ)= (6);
式(6)中,表示样本总数,/>表示预测值,/>表示实际值,θ表示超参数;
然后,利用贝叶斯超参数优化法求解得到使h(θ)值最小的超参数;求解过程表示为: (7);
式(7)中,θ*为贝叶斯超参数优化算法需要寻找的最优超参数,θ为输入的超参数,Θ为设定的参数空间,表示样本总数,/>表示预测值,/>表示实际值。
5.根据权利要求4所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,贝叶斯超参数优化算法寻找最优超参数的方法为:
目标函数h(θ)服从高斯分布,即:
g(θ) ~GP(μ(θ),O(θ,θ´)) (8);
式(8)中,μ(θ)为h(θ)的均值,O(θ,θ´)为h(θ)的协方差矩阵,O(θ,θ’)的初始值表示为:
(9);
随着训练迭代的进行,假设在第t+1步输入的超参数为θ t+1,则O(θ,θ’)的值表示为:
(10);
因此,目标函数h(θ)的后验概率的计算公式为:
P(h t+1| D t+1,θ t+1) =N(μ t+1(θ), σ2 t+1(θ)) (11);
式(11)中,D为观测值,μ t+1(θ)为第t+1步h(θ)的均值,σ2 t+1(θ)为第t+1步h(θ)的方差;
得到后验概率后,贝叶斯超参数优化算法根据后验分布,在上一次超参数附近空间进行寻找,寻找方法为:
(12);
式(12)中ζt+1是常数,设定为0.01;θ t+1是选取出的第t+1步的超参数;
通过不断迭代寻找,确定在给定的超参数优化空间Θ中的最优超参数。
6.根据权利要求4所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,贝叶斯超参数优化算法调优的ANN模型超参数包括隐藏层数量、训练迭代次数、优化器、批量样本量、学习率、激活函数和丢弃法比率。
7.根据权利要求1-6任一所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,步骤(1)中,通过收集公开数据资料和/或实验的方式获取污泥灰混凝土原材料配合比和力学性能的初始数据集。
8.根据权利要求1-6任一所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,步骤(2)中,将初始数据集中的数据按照7:3的比例随机划分为训练集和测试集。
9.根据权利要求1-6任一所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,步骤(1)中,污泥灰混凝土原材料包括污泥灰、水泥、碎石、砂子、减水剂、增稠剂、膨胀剂和水;力学性能参数包括抗压强度、抗折强度、塌落度和耐久性。
10.根据权利要求9所述的基于ANN的污泥灰混凝土材料配合比的设计方法,其特征在于,耐久性为氯离子渗透系数、抗冻性和碱骨料反应中的一种或两种及两种以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311002324.4A CN116759031B (zh) | 2023-08-10 | 2023-08-10 | 一种基于ann的污泥灰混凝土材料配合比的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311002324.4A CN116759031B (zh) | 2023-08-10 | 2023-08-10 | 一种基于ann的污泥灰混凝土材料配合比的设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116759031A true CN116759031A (zh) | 2023-09-15 |
CN116759031B CN116759031B (zh) | 2024-01-26 |
Family
ID=87953545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311002324.4A Active CN116759031B (zh) | 2023-08-10 | 2023-08-10 | 一种基于ann的污泥灰混凝土材料配合比的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116759031B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633301A (zh) * | 2017-08-28 | 2018-01-26 | 广东工业大学 | 一种bp神经网络回归模型的训练测试方法及其应用*** |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN113059570A (zh) * | 2021-04-09 | 2021-07-02 | 华南理工大学 | 基于人体动态臂力估计模型的人-机器人协同控制方法 |
CN113554148A (zh) * | 2021-06-07 | 2021-10-26 | 南京理工大学 | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 |
CN115169714A (zh) * | 2022-07-08 | 2022-10-11 | 福州大学 | 城市地铁进出站客流量预测方法 |
CN115206463A (zh) * | 2022-06-30 | 2022-10-18 | 重庆茂侨科技有限公司 | 一种基于机器学习的混凝土配合比智能化设计方法 |
CN115564155A (zh) * | 2022-10-11 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 一种分散式风电机组功率预测方法及相关设备 |
CN116418000A (zh) * | 2022-10-31 | 2023-07-11 | 河北工业大学 | 基于内嵌潮流神经网络的不可观配网贝叶斯状态估计方法 |
CN116423924A (zh) * | 2023-03-31 | 2023-07-14 | 广东佛斯伯智能设备有限公司 | 纸板线湿部生产速度模型构建方法及生产速度预测方法 |
-
2023
- 2023-08-10 CN CN202311002324.4A patent/CN116759031B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633301A (zh) * | 2017-08-28 | 2018-01-26 | 广东工业大学 | 一种bp神经网络回归模型的训练测试方法及其应用*** |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN113059570A (zh) * | 2021-04-09 | 2021-07-02 | 华南理工大学 | 基于人体动态臂力估计模型的人-机器人协同控制方法 |
CN113554148A (zh) * | 2021-06-07 | 2021-10-26 | 南京理工大学 | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 |
CN115206463A (zh) * | 2022-06-30 | 2022-10-18 | 重庆茂侨科技有限公司 | 一种基于机器学习的混凝土配合比智能化设计方法 |
CN115169714A (zh) * | 2022-07-08 | 2022-10-11 | 福州大学 | 城市地铁进出站客流量预测方法 |
CN115564155A (zh) * | 2022-10-11 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 一种分散式风电机组功率预测方法及相关设备 |
CN116418000A (zh) * | 2022-10-31 | 2023-07-11 | 河北工业大学 | 基于内嵌潮流神经网络的不可观配网贝叶斯状态估计方法 |
CN116423924A (zh) * | 2023-03-31 | 2023-07-14 | 广东佛斯伯智能设备有限公司 | 纸板线湿部生产速度模型构建方法及生产速度预测方法 |
Non-Patent Citations (1)
Title |
---|
张丹丹: "基于深度神经网络技术的高分遥感图像处理及应用", 北京:中国宇航出版社, pages: 94 - 96 * |
Also Published As
Publication number | Publication date |
---|---|
CN116759031B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Application of neural networks for estimation of concrete strength | |
Bachir et al. | Using artificial neural networks approach to estimate compressive strength for rubberized concrete | |
CN109242236B (zh) | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 | |
CN111985796A (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
CN109359737B (zh) | 再生骨料透水混凝土bp神经网络预测分析方法 | |
CN110435009B (zh) | 一种混凝土生产配合比的智能设计方法 | |
CN115847596B (zh) | 一种石膏砌块的生产调试控制方法及*** | |
Afshoon et al. | Combining Kriging meta models with U-function and K-Means clustering for prediction of fracture energy of concrete | |
Mustapha et al. | High-performance concrete compressive strength prediction based weighted support vector machines | |
CN112069656A (zh) | 基于lssvm-nsgaii耐久性混凝土配合比多目标优化的方法 | |
Chen et al. | Optimization of high-performance concrete mix ratio design using machine learning | |
CN116187731A (zh) | 一种基于神经网络的透水砖压制成型产线的动态优化方法 | |
CN116759031B (zh) | 一种基于ann的污泥灰混凝土材料配合比的设计方法 | |
Almasaeid et al. | Application of artificial neural network to predict the properties of permeable concrete | |
CN117935988A (zh) | 基于支持向量回归的再生粗骨料混凝土抗压强度预测方法 | |
Mahmood et al. | Enhancing compressive strength prediction in self-compacting concrete using machine learning and deep learning techniques with incorporation of rice husk ash and marble powder | |
Liu et al. | Development of compressive strength prediction platform for concrete materials based on machine learning techniques | |
Tanhadoust et al. | Optimal design of sustainable recycled rubber-filled concrete using life cycle assessment and multi-objective optimization | |
CN111144051A (zh) | 一种基于支持向量机和改进布谷鸟算法的地聚物混凝土强度预测方法 | |
CN114611775A (zh) | 一种混凝土28天抗压强度分级预测模型的构建方法 | |
Mehmannavaz et al. | Research Article Presenting an Appropriate Neural Network for Optimal Mix Design of Roller Compacted Concrete Dams | |
Kellouche et al. | Comparative study of different machine learning approaches for predicting the compressive strength of palm fuel ash concrete | |
Haghighi et al. | Optimizing mix proportions of reactive powder concrete using group method of data handling and genetic programming | |
Wang et al. | An algorithm of Neural Network and application to data processing in concrete engineering | |
Vasudevan | Concrete Classification Using Machine Learning Techniques |
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 |