基于机器学习的矩形钢管混凝土柱偏压承载力预测

矩形钢管混凝土偏心受压构件作为主要受力构件,准确预测其承载力是保障结构安全的重要前提。采用机器学习方法对矩形钢管混凝土柱偏压承载力进行建模预测。建立了包含804个构件的试验数据库,并通过受力机制与数据相关性分析相结合的方法确定机器学习模型的输入参数;采用BP神经网络、RBF神经网络、高斯过程回归等机器学习算法和多元线性回归方法,建立了其偏压承载力预测模型,并对预测结果进行对比分析。结果表明：几何和荷载参数与偏压承载力之间可呈正相关性或负相关性,而材料参数与偏压承载力之间仅呈正相关性,上述相关性同时受到荷载偏心方向的影响;所建立的3种机器学习模型基于总数据库的预测精度与按偏心方向划分数据库的预测精度相近,表明模型能够反映偏心方向对承载力的影响,避免了进一步划分数据库的需求;高斯过程回归模型的预测精度最高,对数据库中超过60%构件的预测误差小于5%;与设计规范和以往研究中的方法相比,所建立的机器学习模型整体上具备更高的预测精度和更广的适用范围。     

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。     

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。     

岩体爆破效应预测的一种新方法

 高斯过程是一种最近发展起来新的机器学习技术，对处理非线性复杂问题具有很好的适应性。岩体爆破效应与其影响因素之间是复杂的非线性关系，针对传统方法的局限性，提出一种基于高斯过程的岩体爆破效应预测的新方法，建立相应的岩体爆破效应预测模型，并应用于三峡工程坝区岩体爆破振动速度、爆破损伤深度与损伤半径的预测。通过三峡现场爆破试验数据，建立训练数据集和测试数据集，采用高斯过程方法建立爆破效应与影响因素之间的各影响因素之间的非线性映射关系。研究结果表明，岩体爆破振动速度、爆破损伤深度与损伤半径的预测结果与现场试验结果比较吻合，用高斯过程方法预测岩体爆破效应是科学可行的。与神经网络方法相比，高斯过程方法具有算法参数自适应化的特点，且适用于小样本问题，预测精度高，并易于实现，具有良好的工程应用前景。     

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。     

岩体爆破效应预测的一种新方法

高斯过程是一种最近发展起来新的机器学习技术,对处理非线性复杂问题具有很好的适应性。岩体爆破效应与其影响因素之间是复杂的非线性关系,针对传统方法的局限性,提出一种基于高斯过程的岩体爆破效应预测的新方法,建立相应的岩体爆破效应预测模型,并应用于三峡工程坝区岩体爆破振动速度、爆破损伤深度与损伤半径的预测。通过三峡现场爆破试验数据,建立训练数据集和测试数据集,采用高斯过程方法建立爆破效应与影响因素之间的各影响因素之间的非线性映射关系。研究结果表明,岩体爆破振动速度、爆破损伤深度与损伤半径的预测结果与现场试验结果比较吻合,用高斯过程方法预测岩体爆破效应是科学可行的。与神经网络方法相比,高斯过程方法具有算法参数自适应化的特点,且适用于小样本问题,预测精度高,并易于实现,具有良好的工程应用前景。     

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。     

再生混凝土收缩徐变预测新方法

针对当前方法的局限性,提出基于高斯过程机器学习的再生混凝土收缩徐变预测方法。该方法采用少量试验数据作为学习样本,建立主要影响因素与收缩徐变的复杂非线性映射关系,对新的预测样本做出精准预测,获得对应的收缩徐变。实例研究结果表明:该预测方法是可行的,能够在小样本试验数据下对新样本做出高精度的预测,并且方法参数自适应获取、实现过程简单,为再生混凝土收缩徐变的合理确定提供一条新途径。     

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。     

基于相关向量机的再生混凝土收缩徐变预测

针对再生混凝土收缩徐变与其影响因素之间存在着复杂的非线性关系,难以建立精准预测模型。提出一种基于相关向量机的再生混凝土收缩徐变预测模型,该模型通过对少量学习样本的学习,精准预测仅知道影响因素的预测样本的收缩徐变值。将该模型应用于再生混凝土收缩徐变预测,研究结果表明,该方法具有精度高、小样本、容易实现等优点,为再生混凝土收缩徐变获取提供了一条新途径。