基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法技术

本发明专利技术属于混凝土配合比优化设计技术领域，并具体公开了一种基于LSSVM‑NSGAII耐久性混凝土配合比多目标优化的方法。包括：基于混凝土抗冻性及抗渗性建立混凝土抗冻性配合比指标体系；构建最小二乘支持向量机模型，并对最小二乘支持向量机模型进行训练，以获取最优最小二乘支持向量机模型；并以此生成混凝土抗冻性及抗渗性的非线性映射关系函数，并将其作为目标函数，以混凝土抗冻性、抗渗性和经济成本为优化目标建多目标优化的目标函数，结合工程要求及规范建立耐久性混凝土配合比参数约束条件，并采用遗传算法迭代生成所述经济成本目标函数的Pareto最优解。本发明专利技术实现了更加智能化和精确化的混凝土配合比多目标寻优。

【技术实现步骤摘要】
基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法
本专利技术属于混凝土配合比优化设计
，更具体地，涉及一种基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法。
技术介绍
混凝土作为在土木工程行业中应用最为广泛的材料，其耐久性能的研究一直是工程领域的热点问题。抗冻性能和抗渗性能是混凝土耐久性的重要指标的两个，对于混凝土结构的使用寿命具有重要影响，而这两个性能又与混凝土的配合比设计紧密相关，因此，对混凝土的抗冻、抗渗性能及其配合比优化进行研究具有重要的工程意义。目前，国内外学者已经对混凝土的耐久性及配合比优化进行了广泛研究，大多数研究采用的主要是传统的理论解析或试验方法。其中，理论解析方法计算复杂，且大多基于假设条件进行推导，与实际情况存在一定程度的脱离，适用性不强，试验方法虽然能为实际工程的配合比优化提供一定的依据，但试验研究存在试验周期长、工作量大、限制条件较多等多个弊端，而且由于试验测量数据的随机性、系统误差以及混凝土的冻融过程伴随的不确定性，一般的统计方法往往会造成分析结果失真，因此所获得的试验结果与实际情况相比也存在一定的误差。近年来，随着智能算法和机器学习的不断发展和应用，也有一些研究开始尝试利用机器学算法来解决目标优化问题，其中遗传算法在其他领域的优化问题上已经取得了一定的成果，但目前在混凝土配合比优化中的应用却很少。混凝土耐久性与混凝土配合比参数之间存在复杂的非线性关系，如何对混凝土耐久性进行精准预测，有效表达耐久性与配合比参数之间的复杂关系，并基于工程实际和规范要求快速得到精确的优化结果是混凝土配合比多目标优化问题中具有挑战性的任务。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法，在混凝土抗冻性配合比指标体系基础上，利用参数寻优后的最小二乘支持向量机模型(LSSVM)对混凝土抗冻性进行预测，并结合混凝土抗冻性和经济成本构建遗传算法(NSGA-II)的目标函数以及工程要求及相关规范建立配合比参数约束条件，实现混凝土配合比的多目标优化设计，在保证相对动弹性模量和氯离子渗透系数高精度预测的同时，对相对动弹性模量和氯离子渗透系数与混凝土配合比参数之间的复杂关系进行有效表现，实现了更加智能化和精确化的混凝土配合比多目标寻优。为实现上述目的，本专利技术提出了一种基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法，包括以下步骤：S1基于混凝土材料和各材料间的配合比，构建以混凝土抗冻性及抗渗性为目标的混凝土参数指标体系；S2构建最小二乘支持向量机模型，并基于所述混凝土参数指标体系对所述最小二乘支持向量机模型进行训练，以获取优化后训练的最小二乘支持向量机模型，并采用该优化训练后的最小二乘支持向量机模型输出混凝土抗冻性及抗渗性的非线性映射关系函数；S3将所述混凝土抗冻性及抗渗性的非线性映射关系函数作为混凝土耐久性目标函数，以混凝土经济成本作为经济成本目标函数，以混凝土材料的取值范围及各材料间的配合比关系为约束条件，构建NSGA-II模型，并根据设定的迭代终止条件进行混凝土配合比多目标优化，以生成混凝土耐久性目标函数和经济成本目标函数的Pareto最优解。作为进一步优选的，步骤S1中，所述混凝土参数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、水泥用量、粉煤灰用量、砂用量、石用量、减水剂、引气剂以及水泥强度，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。作为进一步优选的，步骤S2具体包括以下步骤：S21基于以混凝土抗冻性及抗渗性为目标的混凝土参数指标体系，采集混凝土参数指标体系中各个变量的样本数据，对所述样本数据进行归一化处理，并以此建立样本集，将所述样本集按照指定比例划分为训练数集和测试数集；S22构建最小二乘支持向量机模型，采用训练数集中的样本数据作为最小二乘支持向量机模型的输入，样本数据对应的相对动弹性模量和氯离子渗透系数作为最小二乘支持向量机模型的预测输出，对所述最小二乘支持向量机模型进行优化训练；S23采用测试数集对所述优化训练后的最小二乘支持向量机模型进行预测，并对优化训练后的最小二乘支持向量机模型的预测结果进行评价，并采用该优化训练后的最小二乘支持向量机模型输出混凝土抗冻性及抗渗性的非线性映射关系函数。作为进一步优选的，步骤S22具体包括以下步骤：S221选择高斯核函数构建最小二乘支持向量机模型，所述高斯核函数表达式如下：其中，x为输入的变量，xi为第i个样本数据，xj为第j个样本数据，σ2为核宽度参数；S222将所述训练数集中的样本数据作为最小二乘支持向量机模型的输入变量，样本数据对应的相对动弹性模量和氯离子渗透系数作为最小二乘支持向量机模型的预测输出，采用五折交叉验证进行参数寻优，以确定最小二乘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，以获取优化训练后的最小二乘支持向量机模型。作为进一步优选的，步骤S23具体包括以下步骤：构建模型性能参数均方根误和拟合优度的计算模型，采用支持向量机模型以及人工神经网络预测模型的预测结果和优化训练后的最小二乘支持向量机模型的预测结果进行误差分析，验证最优参数组合下的最小二乘支持向量机模型的预测效果，并采用该优化训练后的最小二乘支持向量机模型输出混凝土抗冻性及抗渗性的非线性映射关系函数；所述模型性能参数均方根误的计算模型为：所述拟合优度的计算模型为：其中，yobs为样本数据观测值，ypred为模型预测值，为所有样本数据观测值的平均值，n为样本数。作为进一步优选的，步骤S3具体包括以下步骤：S31基于混凝土抗冻性及抗渗性的非线性映射关系函数构建混凝土耐久性目标函数：其中，x1为水胶比，x2为水泥用量，x3为砂用量，x4为石用量，x5为粉煤灰用量，x6为引气剂用量，x7为减水剂用量，x8为水泥抗压强度，αi、为拉格朗日乘子，b为偏置项，xi为输入变量，x为输出变量，σ2为核宽度参数；S32基于混凝土经济成本构建经济成本目标函数：其中，vi为混凝土材料中xi的单价，xi为构成混凝土的材料组分，minf2为经济成本目标值，n为决策变量的个数；S33基于混凝土材料的取值范围及各材料间的配合比关系构建约束条件；S34根据混凝土耐久性目标函数、经济成本目标函数以及约束条件构建NSGA-II模型，并根据设定的迭代终止条件进行混凝土配合比多目标优化，以生成混凝土耐久性目标函数和经济成本目标函数的Pareto最优解。作为进一步优选的，步骤S33中，根据工程实际情况及相关规范要求，对混凝土各材料的取值范围及各材料之间的配合比进行限制，从而构建NSGA-II模型的约束条件，该约束条件的计算模型为：其中，x1为水胶比，x2为水泥用量，x3为砂用量，x4为石用量，x5为粉煤灰本文档来自技高网...

【技术保护点】
1.一种基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法，其特征在于，包括以下步骤：/nS1基于混凝土材料和各材料间的配合比，构建以混凝土抗冻性及抗渗性为目标的混凝土参数指标体系；/nS2构建最小二乘支持向量机模型，并基于所述混凝土参数指标体系对所述最小二乘支持向量机模型进行训练，以获取优化后训练的最小二乘支持向量机模型，并采用该优化训练后的最小二乘支持向量机模型输出混凝土抗冻性及抗渗性的非线性映射关系函数；/nS3将所述混凝土抗冻性及抗渗性的非线性映射关系函数作为混凝土耐久性目标函数，以混凝土经济成本作为经济成本目标函数，以混凝土材料的取值范围及各材料间的配合比关系为约束条件，构建NSGA-II模型，并根据设定的迭代终止条件进行混凝土配合比多目标优化，以生成混凝土耐久性目标函数和经济成本目标函数的Pareto最优解。/n

【技术特征摘要】
1.一种基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法，其特征在于，包括以下步骤：
S1基于混凝土材料和各材料间的配合比，构建以混凝土抗冻性及抗渗性为目标的混凝土参数指标体系；
S2构建最小二乘支持向量机模型，并基于所述混凝土参数指标体系对所述最小二乘支持向量机模型进行训练，以获取优化后训练的最小二乘支持向量机模型，并采用该优化训练后的最小二乘支持向量机模型输出混凝土抗冻性及抗渗性的非线性映射关系函数；
S3将所述混凝土抗冻性及抗渗性的非线性映射关系函数作为混凝土耐久性目标函数，以混凝土经济成本作为经济成本目标函数，以混凝土材料的取值范围及各材料间的配合比关系为约束条件，构建NSGA-II模型，并根据设定的迭代终止条件进行混凝土配合比多目标优化，以生成混凝土耐久性目标函数和经济成本目标函数的Pareto最优解。


2.根据权利要求1所述的一种基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法，其特征在于，步骤S1中，所述混凝土参数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、水泥用量、粉煤灰用量、砂用量、石用量、减水剂、引气剂以及水泥强度，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。


3.根据权利要求2所述的一种基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法，其特征在于，步骤S2具体包括以下步骤：
S21基于以混凝土抗冻性及抗渗性为目标的混凝土参数指标体系，采集混凝土参数指标体系中各个变量的样本数据，对所述样本数据进行归一化处理，并以此建立样本集，将所述样本集按照指定比例划分为训练数集和测试数集；
S22构建最小二乘支持向量机模型，采用训练数集中的样本数据作为最小二乘支持向量机模型的输入，样本数据对应的相对动弹性模量和氯离子渗透系数作为最小二乘支持向量机模型的预测输出，对所述最小二乘支持向量机模型进行优化训练；
S23采用测试数集对所述优化训练后的最小二乘支持向量机模型进行预测，并对优化训练后的最小二乘支持向量机模型的预测结果进行评价，并采用该优化训练后的最小二乘支持向量机模型输出混凝土抗冻性及抗渗性的非线性映射关系函数。


4.根据权利要求3所述的一种基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法，其特征在于，步骤S22具体包括以下步骤：
S221选择高斯核函数构建最小二乘支持向量机模型，所述高斯核函数表达式如下：



其中，x为输入的变量，xi为第i个样本数据，xj为第j个样本数据，σ2为核宽度参数；
S222将所述训练数集中的样本数据作为最小二乘支持向量机模型的输入变量，样本数据对应的相对动弹性模量和氯离子渗透系数作为最小二乘支持向量机模型的预测输出，采用五折交叉验证进行参数寻优，以确定最小二乘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，以获取优化训练后的最小二乘支持向量机模型。


5.根据权利要求3所述的一种基于LSSVM-NSGAII耐久性混凝土配合比多目标优化的方法，其特征在于，步骤S23具体包括以下步骤：
构建模型性能参数均方根误和拟合优度的计算模型，采用支持向量机模型以及人工神经网络预测模型的预测结果和优化训练后的最小二乘支持向量机模型的预测结果进行误差分析，验证最优参数组合下的最小二乘支持向量机模型的预测效果，并采用该优化训练后的最小二乘支持向量机模型输出混凝土抗冻性及抗渗性的非线性映射关系函数；
所述模型性能参数均方根误的计算模型为：



所述拟合优度的计算模型为：

【专利技术属性】
技术研发人员：刘富成，
申请(专利权)人：湖北交投十巫高速公路有限公司，
类型：发明
国别省市：湖北;42