基于支持向量机的混凝土双轴动态强度预测

介绍了基于支持向量机的混凝土双轴动态强度预测方法,并且利用MATLAB软件编写了相应的支持向量机程序,建立了混凝土双轴动态强度预测模型,与已经普遍应用的神经网络方法进行对比,结果表明支持向量机的方法可以更好地预测混凝土双轴动态强度,且方便可行。     

支持向量回归机在混凝土强度预测中的应用研究

利用支持向量回归机(SVR)算法,对在ε-insensitive和Quadratic两种损失函数下的两种核函数进行了研究与分析。在样本数据学习中,发现其预测精度远远高于BP神经网络的预测精度,且参数取值范围很大。针对支持向量回归机模型,给出了参数的取值范围,为SVM在类似工程上的应用提供了参考。     

高强混凝土强度预测的支持向量机模型及应用

高强混凝土的强度受多种因素的影响,其强度的预测是一个动态性的系统工程。采用支持向量机理论,建立了高强混凝土的强度预测的支持向量机预测模型。并将该模型计算结果与实测混凝土28 d抗压强度、BP网络计算的强度、RBF径向基函数神经网络计算的强度、线性回归模型计算的强度、非线性回归模型计算的强度进行比较。研究表明:预测结果与实测结果吻合较好,较线性回归和神经网络预测精度高,为高强混凝土的强度预测提供了一条新途径。     

基于LS-SVM的粉煤灰混凝土强度预测模型

提出一种基于最小二乘支持向量机(LS-SVM)的粉煤灰混凝土强度智能预测模型,并给出了相应的步骤和算法。通过该模型分析了水胶比、水泥用量、粉煤灰替代率及砂率等因素对粉煤灰混凝土强度的影响。在此基础上,对不同配比所浇注的混凝土强度进行预测,有助于准确认识混凝土强度随配比参数的变化规律。与多元线性回归、神经网络及标准SVM模型比较,该模型的优点为:(1)采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型小样本泛化能力;(2)将迭代学习算法转换为求解线性方程组,使得整个模型仅有一个全局最优点,解决局部最小问题;(3)用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,有效提高建模速度。用该模型对混凝土的强度预测实例表明,其建模速度比标准SVM高近1个数量级,预测误差仅为SVM方法的20%、BP神经网络方法的10%左右。     

建筑混凝土配合比设计及强度预测方法

改变高性能混凝土配合比中的水灰比、石灰石粉掺量和磷渣掺量,通过试验测试混凝土的抗压强度随3个变量的演变关系,并结合神经网络算法建立混凝土抗压强度预测模型。结果表明:高性能混凝土的抗压强度与水灰比成反比例关系;石灰石粉和磷渣在不同的掺量区间内对混凝土抗压强度的影响为先升高后降低;基于SVM的预测模型能够很好地对混凝土抗压强度进行预测。     

基于SVR方法的注浆试验效果评价研究

注浆工程属于隐蔽工程,注浆效果也不可能直观、直接检测和评价。注浆后结石体强度和浆液扩散半径是评价注浆效果的重要指标,而注浆效果又受到水泥浆液粘度、注浆压力和渗透系数等因素的影响,各因素间往往存在着复杂的关联性和非线性关系。利用水泥基注浆材料对三峡库区取样碎石土体进行注浆处理,应用支持向量回归机(SVR)方法从试验所得注浆结石体强度和扩散半径数据中随机选取若干试验样本进行训练,剩余数据进行预测,建立了注浆后结石体强度和浆液扩散半径的回归模型,提出了影响注浆效果的各因素敏感性指标排序,预测和分析了多因素影响下注浆效果的变化规律。研究结果表明:基于支持向量机的预测模型可以作为预测注浆效果的有效依据。     

基于PCA特征提取的SVR地下水位动态预测方法

本文提出了一种基于PCA特征提取的SVR地下水位动态预测方法.PCA用来对地下水位样本值进行相关性分析和特征提取,将得到的最佳特征向量子集输入SVR模型,并通过网格搜索的方法进行SVR参数寻优,进行地下水位预测.通过地下水位的实例分析和UCI标准数据集对模型的有效性进行验证,结果表明该方法不仅降低了预测所需的计算工作量...     

基于SVR空调负荷预测模型的参数优化研究

基于数据驱动的负荷预测模型在既有建筑运行阶段的准确性和可靠性受到人们越来越广泛的认可.特别是支持向量回归机(SVR)算法,基于统计学习理论和结构风险最小化原则克服了小样本学习困难、维数灾难等缺陷,在准确有效地解决复杂工程问题方面展现出巨大潜力,越来越深入地应用于暖通空调负荷预测领域.但在实际建模过程中,SVR算法对应的...     

基于SVR的城市供水管网余氯预测分析

支持向量机回归(SupportVector Regression SVR)算法是结构风险最小化原理在函数回归方面的应用。根据北方某城市供水管网余氯的人工采样数据,建立了基于SVR的余氯预测模型,并与人工神经网络、多元线性回归方法进行比较分析,结果表明:在有限样本情况下,SVR模型具有良好的泛化推广能力,各监测点模型预测平均相对误差为1.80%~8.73%,并可获得全局最优解,达到了实用要求,较好地解决了以往管网余氯小样本预测时,常常出现拟合精度高、预测效果较差的问题。     

基于数据挖掘技术的冷水机组与冷却塔模型辨识方法

本文通过对支持向量机的分析,采用数据挖掘技术建立了冷水机组和冷却塔的支持向量回归机辨识模型;以某公共建筑冷水机组、冷却塔历史运行数据为样本,分析了不同核函数、模型结构参数对辨识精度的影响,确定了适用于冷水机组和冷却塔采用历史运行数据辨识其特性的核函数及归一化方法。结果表明,采用[-1,1]规整样本数据能够提高模型辨识精度;冷水机组能耗模型适宜采用多项式核函数,而冷却塔释热量模型适宜采用径向基核函数;冷水机组及冷却塔的SVR辨识模型精度均高于经验模型。     

浅析支持向量机预测混凝土渗透性

本文介绍支持向量机(Support Vector Machines,简称SVM)的基本原理,并通过建立混凝土配合比与渗透性的相关关系来预测混凝土的渗透性.     

基于弹性模量的再生混凝土疲劳强度分析

通过试验与分析,建立了再生混凝土弹性模量与其疲劳强度的回归公式,结果表明:由该回归公式计算出的再生混凝土受压疲劳强度与试验结果接近,可用来预测再生混凝土的受压疲劳强度,并指导工程实践;初步验证了GB 50010—2002《混凝土结构设计规范》中普通混凝土受压疲劳强度的取值方法对再生混凝土同样适用.     

聚丙烯纤维与高强高性能混凝土

通过分析聚丙烯纤维在高强混凝土中的作用以及使混凝土高性能化的作用,说明在混凝土中掺入适量的聚丙烯纤维有效地改善混凝土材料的物理性能,提高混凝土材料的耐久性。文中还介绍了聚丙烯纤维在高强混凝土及高性能混凝土工程中的应用实例,以及这种材料在高强、高性能混凝土中的应用发展前景。     

沥青混凝土抗剪强度及抗压回弹模量试验研究

对高模量沥青混凝土、SBS改性沥青和70#普通沥青混凝土进行了15,20,40,60℃条件下的单轴贯入及抗压回弹模量试验,并结合单轴无侧限抗压强度试验结果对黏聚力c值进行计算,结果表明:高模量沥青混凝土在各温度下均具有相对较高的抗剪强度、黏聚力和抗压回弹模量,尤其在高温时仍然优势明显.通过指标相关性分析,得到了由抗剪强度换算成抗压强度、黏聚力c值及抗压回弹模量的回归方程.     

超高强混凝土基本力学性能的研究

对100MPa以上混凝土的强度发展特征、轴心抗压强度、弹性模量、劈裂抗拉强度等一些基本力学性能进行了试验研究，并将实验数据和其他研究者的实验数据进行了比较。结果表明，不同研究的数据之间，以及它们与我国现行规范之间都有较大差异。高强和超高强混凝土力学性能的数据还需大量积累。     

基于SPSS回归分析的锂渣混凝土抗压强度预测模型

利用SPSS软件的逐步回归分析法、多元非线性回归法建立锂渣混凝土的强度预测模型,分析各模型的残差图、预测值与试验值的对比,并结合均方根误差、平均绝对误差、平均绝对百分比误差和模型可决系数值对各模型的精确度等进行综合评价,最终确定出较优的锂渣混凝土强度预测模型。结果表明:水胶比、锂渣掺量和减水剂掺量对锂渣混凝土强度的影响十分显著;经残差分析和95%预测值区间检验,5个建议模型都有较好的精确度;经综合评价建议最佳的锂渣混凝土强度预测模型是以水泥强度、胶水比、锂渣掺量和减水剂掺量为自变量的非线性回归方程,其相应的可决系数R²=0.920,均方根误差为3.684,平均绝对误差为3.15,平均绝对百分比误差为5.44。     

高强混凝土的劈拉强度

高强混凝土的劈拉强度ｆｓｐ与其立方抗压强度ｆｃｕ的比值小于普通混凝土．作者分析了国内高强混凝土劈拉强度试验３９组数据，给出了计算公式     

钢管高强混凝土自收缩规律的研究

本文从理论上分析了钢管核心混凝土的变形机理,指出在水化过程中存在收缩变形和膨胀变形两种变形趋势,最终的变形表现为收缩还是膨胀取决于两种变形趋势谁占优势。并通过对7组钢管混凝土构件的变形测定来分析水胶比、外掺料、截面尺寸等因素对核心混凝土自收缩的影响以及钢管混凝土作为一种组合构件自身的一些特点。通过试验发现核心混凝土的自收缩随着水胶比的增大而减小,水胶比大的普通混凝土会表现为膨胀;掺硅粉可增大自收缩,掺粉煤灰可减小自收缩;自收缩值与构件尺寸关系不大。核心混凝土的收缩是在外围钢管约束下的收缩,收缩会使钢管产生压应力,混凝土产生拉应力,由于粘结强度较小,收缩引起的应力达到一定值后会使钢管与混凝土脱离,但一般会保持一定的应力余量,说明钢管与混凝土没有完全脱离。最终混凝土收缩的影响表现为使钢管与混凝土产生初应力,同时使混凝土与钢管有相对位移,纵向的相对位移使核心混凝土上表面低于钢管的上表面。