一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法技术

本发明专利技术属于混凝土结构安全评估领域，并具体公开了一种基于RF‑LSSVM模型预测混凝土抗碳化性能的方法。包括：建立混凝土抗碳化性能指标体系的原始样本集，将训练数集作为随机森林回归模型的输入，以对构成混凝土抗碳化性能指标体系的影响因素进行重要性评价，并进行特征选择，选出误差最小的影响因素集合作为最优特征变量集，将其作为最小二乘支持向量机模型的输入，混凝土碳化深度值作为输出，对最小二乘支持向量机模型进行训练，并采用测试数集验证训练后的最小二乘支持向量机模型的预测结果；对预测结果进行误差分析。本发明专利技术提高了预测模型的精度，使得预测结果更加精确、稳定，可以作为快速预测混凝土抗碳化性能的有效的工具。

【技术实现步骤摘要】
一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法
本专利技术属于混凝土结构安全评估
，更具体地，涉及一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法。
技术介绍
混凝土的碳化是混凝土所受到的一种化学腐蚀。水泥性质、混凝土强度、及混凝土组成成分与混凝土的碳化都有密切的关系。近年来，提高混凝土结构耐久性一直是一个备受关注的问题，二氧化碳引起的碳化是混凝土结构耐久性降低的重要因素之一，屡次成为研究人员争论的焦点，研究混凝土抗碳化性能具有重要的现实意义。国内外学者围绕混凝土碳化分析开展了相关研究。相当一部分都是基于数学分析方法建立数学预测模型，然而建立数学预测模型的方法计算较繁琐，而且对于多个影响因素耦合情况下建立的高阶微分方程的解析解不易得出。部分学者从微观方面揭示出混凝土早期碳化的实质对混凝土的早期碳化现象有了初步认识，大多数研究都是基于已有的实验数据对早期碳化特点进行深度挖掘，这就表明若想得到更进一步的结论，就需要大量实验数据支撑，这样既会造成大量人工和时间的浪费，还会大大增加研究成本。因此，通过前期积累的数据预测出早期碳化性质将会成为一种更好的研究方式。因此采用智能化算法研究碳化影响因素对混凝土碳化深度的影响，并实现混凝土抗碳化性能的快速预测，具有较强的应用性。基于上述缺陷和不足，本领域亟需提出一种新的预测混凝土抗碳化性能的方法，能够筛选出混凝土抗碳化性能的关键影响因素，并以此对混凝土抗碳化性能进行精准快速智能预测。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法，其中结合混凝土自身的特征及混凝土抗碳化性能预测的工艺特点，相应的充分利用了随机森林回归模型能够有效处理有多个指标、噪声干扰的样本数据，筛选有用特征变量的特点，筛选出用于建模的关键变量得到最优变量组合，降低最小二乘支持向量机训练模型的维度，提高预测精度，得到更贴近实际的预测结果，用以解决实际工程中混凝土抗碳化性能快速预测问题，使得混凝土抗碳化性能的预测结果更加准确、智能、可靠，预测速度更快。为实现上述目的，本专利技术提出了一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法，包括以下步骤：S1根据影响混凝土抗碳化性能的原材料和配合比因素构建混凝土抗碳化性能的指标体系，并采集该混凝土抗碳化性能的指标体系的样本数据，建立原始样本集，将原始样本集中的各个样本进行去噪处理，并将去噪处理后的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将所述训练数集作为随机森林回归模型的输入，以对构成所述指标体系的影响因素进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集；S3选取高斯核函数作为最小二乘支持向量机模型的核函数，确定模型中核参数和惩罚参数构成的参数组合，采用遗传算法对最小二乘支持向量机模型的参数组合进行寻优，在全局范围内得到最优参数组合利用寻优之后的最佳参数组合，结合最优特征变量集构建基于遗传算法优化最小二乘支持向量机模型的混凝土抗碳化性能预测模型；S4输入测试数集并利用混凝土抗碳化性能预测模型对混凝土碳化深度值进行预测；S5验证所述混凝土抗碳化性能预测模型预测混凝土抗碳化性能的效果。作为进一步优选的，步骤S1中，所述混凝土抗碳化性能的指标体系包括混凝土抗碳化性能的影响因素和混凝土抗碳化性能评价指标。作为进一步优选的，所述混凝土抗碳化性能的影响因素包括材料因素、环境因素以及试验因素，其中，所述材料因素包括：水胶比、水泥强度、水泥用量、粉煤灰掺量、细骨料含量、粗骨料含量、减水剂含量和水含量，所述环境因素包括：相对湿度、温度和二氧化碳浓度，所述试验因素包括：混凝土试件体积、碳化时间和抗压强度；所述混凝土碳化深度评价指标为混凝土碳化深度值。作为进一步优选的，所述训练数集与测试数集中样本总数量的比为2∶1～4∶1。作为进一步优选的，步骤S2具体包括以下步骤：S21根据随机森林回归模型中二叉树节点包含的特征数和决策树的棵数构建随机森林回归模型；S22将所述训练数集作为随机森林回归模型的输入，对于随机森林回归模型中的每一棵决策树，采用该决策树相应的袋外数据计算其袋外数据误差errOOB1；S23随机将上述决策树相应的袋外数据中所有样本数据的某个变量作为特征X，并对该特征X加入噪声干扰，然后再次计算该决策树相应的袋外数据误差errOOB2；S24构建重要性计算模型，并根据所述重要性计算模型对上述特征X进行变量重要性评价；S25重复步骤S22至步骤S24，直至输出所述训练数集中所有变量的变量重要性评价，然后绘制变量重要性评价的可视化绘图，并将所有变量的变量重要性评价按降序排列，并根据排序结果对变量进行重要性度量的初步筛选；S26对初步筛选后得到的变量集，利用递归特征后向消除法从该变量集中逐次去除指定比例的变量，每次去除得到一个变量，对比除去该变量后，剩余变量对应的袋外误差率，将误差率最小的变量集作为最优特征变量集，并以此确定最优特征变量集中最优特征的数量。其中，在计算袋外数据误差时，通过计算Bootsrap抽样中得到的袋外数据误差。在将有变量的变量重要性评价按降序排列时，以可视化指标均方残差减小量(％IncMSE)和模型精确度的减小量(IncNodePurity)初步衡量各变量的重要性，将该重要性作为对应变量的重要性评价，并将所有变量的变量重要性评价按降序排列。作为进一步优选的，步骤S24中，所述重要性计算模型为：Importance＝∑(errOOB2-errOOB1)/Ntree其中，Ntree为随机森林回归模型中决策树的棵树。作为进一步优选的，步骤S3具体包括以下步骤：本专利技术中选择高斯核函数构建最小二乘支持向量机模型；作为进一步优选的，步骤S3中采用遗传算法对最小二乘支持向量机的参数组合进行寻优，过程如下：(1)读入训练数集，对最小二乘支持向量机参数进行编码，随机产生初始种群，确定种群规模、终止进化次数、交叉概率、变异概率以及参数组合中核宽度参数和惩罚参数的初始取值范围；(2)基于核宽度参数和惩罚参数建立最小二乘支持向量机模型，并结合训练数集进行模型训练，以均方根作为种群各个个体的适应度函数衡量最小二乘支持向量机模型的准确性的判定函数；(3)根据个体适应度，按照轮盘赌法规则从当前种群选出个体进入下一代进行交叉操作，产生两个新个体；(4)随机选取种群中的个体以一定的变异概率进行变异操作，通过随机改变个体中的某些基因而产生新个体，并利用新个体建立模型计算适应度；(5)判断适应度，若平均适应度值变化持续小于指定常数，则所得到的具有最大适应的个体作为最优解输出，算法终止；若平均适应度值没有达到要求，则重复执行步骤(2)至步骤(4)直至达到最大迭代次数；(6)对得到的最优参本文档来自技高网...

【技术保护点】
1.一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法，其特征在于，包括以下步骤：/nS1根据影响混凝土抗碳化性能的原材料和配合比因素构建混凝土抗碳化性能的指标体系，并采集该混凝土抗碳化性能的指标体系的样本数据，建立原始样本集，将原始样本集中的各个样本进行去噪处理，并将去噪处理后的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将所述训练数集作为随机森林回归模型的输入，以对构成所述指标体系的影响因素进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集；/nS3选取高斯核函数作为最小二乘支持向量机模型的核函数，确定模型中核参数和惩罚参数构成的参数组合，采用遗传算法对最小二乘支持向量机模型的参数组合进行寻优，在全局范围内得到最优参数组合利用寻优之后的最佳参数组合，结合最优特征变量集构建基于遗传算法优化最小二乘支持向量机模型的混凝土抗碳化性能预测模型；/nS4输入测试数集并利用混凝土抗碳化性能预测模型对混凝土碳化深度值进行预测；/nS5验证所述混凝土抗碳化性能预测模型预测混凝土抗碳化性能的效果。/n...

【技术特征摘要】
1.一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法，其特征在于，包括以下步骤：
S1根据影响混凝土抗碳化性能的原材料和配合比因素构建混凝土抗碳化性能的指标体系，并采集该混凝土抗碳化性能的指标体系的样本数据，建立原始样本集，将原始样本集中的各个样本进行去噪处理，并将去噪处理后的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将所述训练数集作为随机森林回归模型的输入，以对构成所述指标体系的影响因素进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集；
S3选取高斯核函数作为最小二乘支持向量机模型的核函数，确定模型中核参数和惩罚参数构成的参数组合，采用遗传算法对最小二乘支持向量机模型的参数组合进行寻优，在全局范围内得到最优参数组合利用寻优之后的最佳参数组合，结合最优特征变量集构建基于遗传算法优化最小二乘支持向量机模型的混凝土抗碳化性能预测模型；
S4输入测试数集并利用混凝土抗碳化性能预测模型对混凝土碳化深度值进行预测；
S5验证所述混凝土抗碳化性能预测模型预测混凝土抗碳化性能的效果。


2.根据权利要求1所述的一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法，其特征在于，步骤S1中，所述混凝土抗碳化性能的指标体系包括混凝土抗碳化性能的影响因素和混凝土抗碳化性能评价指标。


3.根据权利要求2所述的一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法，其特征在于，所述混凝土抗碳化性能的影响因素包括材料因素、环境因素以及试验因素，其中，所述材料因素包括：水胶比、水泥强度、水泥用量、粉煤灰掺量、细骨料含量、粗骨料含量、减水剂含量和水含量，所述环境因素包括：相对湿度、温度和二氧化碳浓度，所述试验因素包括：混凝土试件体积、碳化时间和抗压强度；
所述混凝土碳化深度评价指标为混凝土碳化深度值。


4.根据权利要求1所述的一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法，其特征在于，步骤S2具体包括以下步骤：
S21根据随机森林回归模型中二叉树节点包含的特征数和决策树的棵数构建随机森林回归模型；
S22将所述训练数集作为随机森林回归模型的输入，对于随机森林回归模型中的每一棵决策树，采用该决策树相应的袋外数据计算其袋外数据误差errOOB1；
S23随机将上述决策树相应的袋外数据中所有样本数据的某个变量作为特征X，并对该特征X加入噪声干扰，然后再次计算该决策树相应的袋外数据误差errOOB2；
S24构建重要性计算模型，并根据所述重要性计算模型对上述特征X进行变量重要性评价，所述重要性计算模型为：
Import...

【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