高强混凝土强度预测人工智能方法及应用

高强混凝土的强度预测是一个动态性可变复杂问题,受各种因素的影响。采用多种智能方法,建立了高强混凝土的强度预测的遗传算法与神经网络的集成模型。并将该模型计算结果与实测混凝土28 d抗压强度,RBF径向基函数神经网络计算的强度,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方法。     

基于非线性优化理论的混凝土材料配合比研究

建立了高强混凝土的强度预测的非线性优化模型。并将该模型计算结果与实测混凝土28 d抗压强度进行比较。改用十进制遗传算法在训练过程中搜索最优超参数,形成遗传-组合核函数高斯过程回归算法,并编制了相应的计算程序,研究结果表明:与单一核函数高斯过程回归算法和支持向量回归(SVR)算法相比,提出的遗传-组合核函数高斯过程回归算法显著提高了预测精度,预测结果与实测结果吻合较好,具有较高的预测精度,为高强混凝土的强度预测提供了一条新途径。     

基于机器语言的建筑混凝土设计

建筑混凝土的强度受多种因素的影响,其强度的预测是一个多指标综合复杂问题。基于机器算法支持向量机建立了建筑混凝土的强度设计与预测的支持向量机模型,其中模型参数通过粒子群算法进行选择和优化。将建立的模型计算结果与实测混凝土28 d抗压强度进行比较,讨论了各因素与强度值之间的关系。研究表明:预测结果与实测结果一致,可见该模型可以很好的为混凝土设计提供依据。     

高强混凝土强度预测的未确知聚类预测优化模型

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。建立了高强混凝土强度预测的未确知聚类的预测优化模型。并将未确知聚类预测优化模型计算的强度结果与实测混凝土28 d抗压强度进行比较。研究表明,预测结果与实测结果吻合一致,说明该预测模型具有较高的预测精度,为以后高强混凝土强度预测提出一种新方法和一条新途径。     

MATLAB回归分析

给出了MATLAB一元线性回归的分析与计算程序及使用方法,并以55组高强混凝土立方强度实测数据作为应用实例,将实测数据直接粘贴在MATLAB“命令窗口”中,运行即得高强混凝土立方强度尺寸效应的计算公式及效果分析,为相关技术人员进行一元线性回归数据处理提供了一个直接使用平台.     

基于SVR技术的混凝土强度预测

提出了一种基于支持向量机回归（SVR）模型的混凝土强度预测方法,通过SVR预测结果和Bolomey经验公式的计算结果相比较,证明基于SVR技术的混凝土强度预测模型精度要远高于传统的Bolomey经验公式。     

神经网络在高强粉煤灰混凝土强度预测及优化设计中的应用

首先介绍了神经网络应用中使用最为广泛的BP网络和RBF网络的模型及其学习算法，然后将其用于高强粉煤灰混凝土的强度预测和优化设计，并与线性回归进行了对比，结果表明神经网络方法具有较高的预测精度，在混凝土性能预测和优化设计中具有广阔的应用前景。     

混凝土强度预测的两种非线性模型比较研究

混凝土的强度的预测是一个复杂的问题,受多种因素的影响.采用两种先进的非线性算法支持向量机与小波支持向量机,建立 了混凝土强度预测的两种非线性预测方法.研究结果表明:两种方法的预测结果与实测结果吻合较好,小波支持向量机的预测精度较支持向量机精度高,在混凝土的强度预测中具有较好的适应性.     

基于GBDT算法的混凝土叠合面黏结强度预测分析

制备了陶粒轻骨料混凝土与普通混凝土叠合试块，以分组试验数据为小样本，采用端到端的梯度提升决策树（GBDT）集成学习算法，建立了混凝土叠合面处理方式、浇筑间隔时间及法向作用力等输入特征参数与叠合面黏结强度之间的预测模型；并将GBDT模型预测结果与支持向量回归、K近邻回归、决策树和BP神经网络等模型的预测结果进行综合对比.结果表明：GBDT模型预测结果的拟合优度、平均绝对误差和均方根误差均优于其它模型，其测试样本集的平均相对误差明显小于其它模型.所建立的GBDT模型具有较高的准确率，可对混凝土叠合面黏结强度的变化进行满意的预测分析.     

高强钢管高强混凝土短柱力学性能智能模型研究

为研究超出规范范围材料强度的高强钢管高强混凝土短柱承载力在规范范围外拓展应用的相关问题,搜集61组试验及有限元数据,利用神经网络智能技术研究了在不同的截面尺寸、高强材料、含钢率、偏心率和长细比等影响因素下的高强钢管高强混凝土短柱的极限承载力及荷载-位移曲线,将承载力预测结果与规范EC4、规范ACI及规范GJB 4142—2000的计算结果进行了对比分析,并预测了试件的荷载-位移曲线,对各阶段各模型的切线刚度进行了分析研究。研究结果表明：所述规范可以在一定程度上继续延伸使用,而神经网络智能模型不仅与试验数据吻合度较高、精确度高,还考虑了规范没有考虑的约束效应减弱及两种材料强度匹配程度对承载力的影响,承载力会随着混凝土强度和钢材强度的提高而减缓增强速度;神经网络智能模型非常适合用于预测高强钢管高强混凝土短柱承载力,可以为实际工程和规范延伸拓展提供设计参考;神经网络智能模型相比于现有组合构件应力-应变理论公式会更加简便准确,以切线刚度的对比结果可知,其可以更加准确地反映和再现轴压作用下高强钢管高强混凝土短柱荷载-位移曲线的特征,对构件的力学性能研究有一定的参考作用。