【技术实现步骤摘要】
基于深度学习的水泥乳化沥青混合料收缩行为预测方法
本专利技术属于土木工程材料
，尤其涉及一种基于深度学习的水泥乳化沥青混合料收缩行为预测方法。
技术介绍
水泥乳化沥青混合料是一种由水泥和乳化沥青两种结合料，粗细集料以及内部空隙混合而成的非匀质体系；混合料内部呈游离状态并占据混合料分散体系大量空隙的水分蒸发后，将在混合料内部产生空隙，导致其体积稳定性差、耐久性受明显环境影响，具体表现在混合料整体均匀性差、空隙率大和收缩开裂现象严重。准确检测或预测水泥乳化沥青混合料的收缩率对于该类材料的使用至关重要。目前针对沥青混合料收缩性能的检测手段主要包括波纹管测试、薄膜法和毛细管法等测试方法。然而这些测试法操作繁琐，技术要求高，而且试验周期长，尤其是检测准确度较低；而这种低精度检测结果会带来材料设计参数的错误指导，进而严重影响设计材料的使用性能。传统的微观检测手段仅通过人工将混合料局部微观特征与宏观性能进行了弱关联和片面的主观定性分析。而神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型；目...
【技术保护点】
1.基于深度学习的水泥乳化沥青混合料收缩行为预测方法，其特征在于，包括以下步骤：/n步骤1，确定与水泥乳化沥青混合料的微观图像、XRD图谱对应的图像生成设计参数x
【技术特征摘要】
1.基于深度学习的水泥乳化沥青混合料收缩行为预测方法，其特征在于，包括以下步骤：
步骤1，确定与水泥乳化沥青混合料的微观图像、XRD图谱对应的图像生成设计参数x1及收缩性能设计参数x2；将n组已设计完成的水泥乳化沥青混合料数据作为待训练数据，将每组已设计完成的水泥乳化沥青混合料数据划分为图像生成数据和收缩性能数据；构建图像生成训练样本集；
其中，n＞200；所述图像生成设计参数x1包含CEAC配合比、水泥主要成分含量、水泥密度、凝结时间、乳化沥青蒸发残留物含量、集料主要成分含量和养护时间；每组图像生成数据包含一组已设计完成的水泥乳化沥青混合料的图像生成设计参数或一幅真实微观扫描图像、一幅真实XRD图谱；一组图像生成数据为一组图像生成训练样本；所述收缩性能设计参数x2包含水泥3天抗压强度、水泥28天抗压强度、水泥主要成分含量、水泥凝结时间、沥青的针入度、沥青软化点、沥青延度、集料级配、表观相对密度、压碎值和磨耗值；每组收缩性能数据包含已设计完成的水泥乳化沥青混合料的收缩性能设计参数和收缩率；图像生成训练样本集中的数据包含n组已设计完成的水泥乳化沥青混合料的图像生成设计参数x1和通过高斯随机噪声z扩充得到的n组参数x1′，高斯随机噪声服从N(0，1)分布，a为x1的维度；
步骤2，根据图像生成训练样本集，对应构建生成对抗网络模型；采用图像生成训练样本集对生成对抗网络进行训练，得到训练完成的生成对抗网络模型；
其中，所述生成对抗网络模型包含两个并行的生成对抗网络GAN1和GAN2，GAN1对应生成XRD图谱y1及GAN2对应生成微观扫描图像y2；
步骤3，根据收缩性能数据，建立收缩性能训练样本集，对应构建收缩性能深度神经网络；采用收缩性能训练样本集对收缩性能深度神经网络进行训练，得到收缩性能预测模型；
其中，每组训练样本包含一组收缩性能数据和由训练完成的生成对抗网络生成的对应XRD图谱y1及微观扫描图像y2；
步骤4，给定待预测水泥乳化沥青混合料的图像生成设计参数和收缩性能设计参数，将图像生成设计参数输入训练完成的生成对抗网络，输出生成XRD图谱和生成微观扫描图像；将该输出数据和收缩性能设计参数组合输入收缩性能预测模型，输出待预测水泥乳化沥青混合料的收缩率预测值。
2.根据权利要求1所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法，其特征在于，所述CEAC配合比包含水泥、沥青和水占集料质量的百分比；水泥主要成分含量为水泥主要成分的质量分数，水泥主要成分包含SiO2、CaO、Al2O3、Fe2O3、MgO、SO3、f-CaO、C3S、C2S、C3A和C4AF；集料主要成分含量包含CaO的质量分数和SiO2的质量分数。
3.根据权利要求1所述的基于深度学习的水泥乳化沥青混合料收缩行为预测方法，其特征在于，所述生成对抗神经网络包含生成器和判别器，所述生成器为反卷积神经网络，其由多个反卷积层、高斯随机场和SVMs组成；所述判别器包含输入层、卷积层、池化层、全...
【专利技术属性】
技术研发人员：王振军，沙爱民，罗阳明，郭豪彦，童峥，陈华梁，刘佳，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61
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。