【技术实现步骤摘要】
基于SVM与智能算法的耐久性混凝土多目标配合比优化方法
本专利技术属于混凝土耐久性多目标优化
，更具体地，涉及一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法。
技术介绍
提高混凝土耐久性是延长建筑使用寿命的主要手段之一，近些年来，混凝土耐久性不足造成了大量混凝土结构破坏事故，为了减少建筑安全事故的发生，混凝土耐久性问题引来了越来越多国内外学者的关注。由于抗冻性、抗渗性是反映混凝土早期耐久性的重要指标，因此在研究混凝土配合比优化问题中，考虑抗冻性、抗渗性很有必要。又因为控制混凝土经济成本一直是工程项目的重要目标之一，因此，研究不同配合比下，综合考虑混凝土的耐久性问题和成本问题是十分有价值的。近年来，国内外学者基于原材料配合比对混凝土耐久性问题的研究主要集中在预测和优化问题方面。在基于配合比对混凝土耐久性预测的研究中，常见的预测方式为多元回归预测模型、GM(1,1)预测模型、人工神经网络(ANN)等；在基于配合比对混凝土耐久性优化的研究中，常见的优化方式为利用数学模型，确定指标权重、功效函数法优化混凝土...
【技术保护点】
1.一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法，其特征在于，包括以下步骤：/nS1根据影响混凝土抗冻性及抗渗性的原材料和配合比构建混凝土耐久性指标体系，采集所述混凝土耐久性指标体的样本数据，并以此建立原始样本集，将所述原始样本集按指定比例划分为训练数集和测试数集；/nS2构建支持向量机模型，将所述训练数集作为支持向量机模型的输入，对应混凝土相对动弹性模量和氯离子渗透系数作为所述支持向量机模型的输出变量，对所述支持向量机模型进行训练，并采用测试数集验证训练后的支持向量机模型的预测结果，得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数；/nS3将混凝...
【技术特征摘要】
1.一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法，其特征在于，包括以下步骤：
S1根据影响混凝土抗冻性及抗渗性的原材料和配合比构建混凝土耐久性指标体系，采集所述混凝土耐久性指标体的样本数据，并以此建立原始样本集，将所述原始样本集按指定比例划分为训练数集和测试数集；
S2构建支持向量机模型，将所述训练数集作为支持向量机模型的输入，对应混凝土相对动弹性模量和氯离子渗透系数作为所述支持向量机模型的输出变量，对所述支持向量机模型进行训练，并采用测试数集验证训练后的支持向量机模型的预测结果，得到混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数；
S3将混凝土相对动弹性模量和氯离子渗透系数的非线性映射关系函数为目标适应度函数，以混凝土的原材料和配合比取值范围为约束条件，构建遗传算法模型，并根据设定的迭代终止条件进行耐久性混凝土配合比多目标全局寻优，以生成以混凝土抗冻性和抗渗性为目标的Pareto最优解。
2.根据权利要求1所述的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法，其特征在于，所述混凝土耐久性指标体系包括影响因素和耐久性评价指标，所述影响因素包括水胶比、水泥强度、水泥用量、粉煤灰、细集料、粗集料、减水剂和硅灰用量，且该影响因素为支持向量机模型训练过程中的输入变量；
所述耐久性评价指标包括混凝土相对动弹性模量和混凝土氯离子渗透系数，且所述混凝土相对动弹性模量和氯离子渗透系数分别为支持向量机模型训练过程中的输出变量。
3.根据权利要求1所述的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法，其特征在于，所述训练数集与测试数集中样本总数量的比为2∶1～4∶1。
4.根据权利要求2所述的一种基于SVM与智能算法的耐久性混凝土多目标配合比优化方法，其特征在于，步骤S2具体包括以下步骤：
S21选择高斯核函数构建支持向量机模型；
S22将训练数集中的影响因素作为支持向量机模型的输入变量，对应混凝土相对动弹性模量及氯离子渗透系数作为支持向量机模型的输出变量，采用K折交叉验证进行参数寻优，以确定支持向量机模型的惩罚参数和高斯核函数核宽度参数的最优参数组合；
S23采用测试数集对基于最优参数组合下的支持向量机模型进行预测，输出预测结果以验证训练后的支持向量机模型的预测...
【专利技术属性】
技术研发人员：胡毅，李铁军，袁福银，张陆山，朱俊虎，
申请(专利权)人：中国交通建设股份有限公司吉林省分公司，
类型：发明
国别省市：吉林;22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。