基于BP神经网络和支持向量回归对比预测新拌自密实混凝土的工作性能

新拌自密实混凝土(SCC)的工作性能调控对其现场施工乃至后期硬化性能至关重要。为了进一步提高通过初始配合比预测新拌工作性参数的精确度,采用BP神经网络和支持向量回归(SVR)两种常见的机器学习计算模型来分析配合比输入变量与坍落扩展度、L型仪通过率和V型漏斗流出时间的潜在函数关系。在计算前按照60%,20%和20%的比例依次将数据集划分为训练集、验证集和测试集。采用三个机器学习性能评估指标,即决定系数R²,均方误差MSE和平均绝对百分比误差MAPE来表征和对比它们的预测精度差异。并且通过敏感性分析研究单一变量的变化对结果的影响趋势。结果表明,支持向量回归SVR模型对SCC坍落扩展度,L型仪通过率和V型漏斗流出时间的预测结果相比BPNN神经网络模型更高。以V型漏斗流出时间参数为例,基于SVR的总体数据集合R²,MSE和MAPE值分别为0.921 3,0.860 2和14.519,高于BP神经网络对应的0.916 2,1.128 1和18.007。参数敏感性分析结果表明,水泥掺量越高会导致坍落扩展度的减小和L型仪通过率,V型漏斗流出时间的增加。与此...