基于随机森林和XGBoost的水泥基材料抗压强度预测方法及系统技术方案

本发明专利技术公开了一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法及系统，可以在工程前期对材料的抗压强度进行快速而准确的预测，作为工程建设的参考依据，具体方案如下：一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法，针对水泥基材料确定需要的参数，以此为依据收集参数数据，整合形成初始数据集；基于随机森林的数据集优化，在初始数据集上建立随机森林模型，由随机森林模型给出输入参数的重要性评价，定量筛选出对预测抗压强度较重要的输入参数，对初始数据实现处理，进而形成优化数据集；基于优化数据集建立XGBoost模型并进行优化得到智能预测模型；利用智能预测模型对水泥基材料的抗压强度进行预测。预测。预测。

【技术实现步骤摘要】
基于随机森林和XGBoost的水泥基材料抗压强度预测方法及系统


[0001]本专利技术涉及水泥基材料
，尤其是一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]以砂浆和混凝土为代表的水泥基材料是工程建设的基本材料，其抗压强度与工程安全密切相关。各类水泥基材料的抗压强度，随着水泥选用、养护龄期、组成成分及其配合比的不同存在较大差异，且目前难以直接构建抗压强度及其影响因素之间的显式映射关系。对于工程设计中的各类水泥基材料，需要事先进行压缩试验以确保设计的安全性，这样的试验工作将花费大量的人力、物力和财力，且不可避免地带来试验中人为因素的不利影响。
[0004]近年来，机器学习方法在工程领域的预测问题展开应用，其优势在于机器学习无需假定具体的映射关系式，只需要通过有限数据集的训练，即可建立输入参数和输出参数的隐式映射关系。目前机器学习方法在水泥基材料
的应用，主要是通过神经网络预测某一类特定砂浆或混凝土的抗压强度性能，但现有的应用存在着：输入参数选取具有经验性、计算易陷入过拟合、计算速度慢等问题，导致其预测方法难以普遍推广至各类水泥基材料，且预测的精度和速度难以满足工程需求。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术的第一目的是提供一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法及系统，可以在工程前期对材料的抗压强度进行快速而准确的预测，作为工程建设的参考依据，具有通用性。
[0006]为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0007]一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法，其特征在于，包括以下步骤：
[0008]针对水泥基材料确定需要的参数，以此为依据收集参数数据，整合形成初始数据集；
[0009]基于随机森林的数据集优化，在初始数据集上建立随机森林模型，由随机森林模型给出输入参数的重要性评价，定量筛选出对预测抗压强度较重要的输入参数，对初始数据实现处理，进而形成优化数据集；
[0010]基于优化数据集建立XGBoost模型并进行优化得到智能预测模型；
[0011]利用智能预测模型对水泥基材料的抗压强度进行预测。
[0012]进一步地，当选用水泥基材料确定需要的参数时，综合考虑水泥基材料的影响因
素确定输入和输出参数；
[0013]所述水泥基材料的影响因素包括水泥基材料的水泥选用、养护龄期、组成材料及组合材料的配合比。
[0014]进一步地，当选用水泥基材料确定需要的参数时，将抗压强度作为输出参数；将水泥等级数据、试件养护龄期数据、各材料组分的相对含量数据作为输入参数。
[0015]进一步地，所述各材料组分的相对含量数据的计算公式如下：
[0016][0017]式中，m
c
为该水泥基材料中的水泥含量、m
i
为各个材料组分的含量、m
ir
为各个材料组分的相对含量，i＝1,2,3
……
。
[0018]进一步地，所述各材料材料的相对含量m
ir
由工程中具体的材料组成及其配合比确定，所述m
ir
包括：砂相对含量、石子相对含量、水相对含量、减水剂相对含量、偏高岭土相对含量、粉煤灰相对含量。
[0019]进一步地，根据初始数据集建立的随机森林模型对输入参数的重要性评价结果，筛选掉对预测抗压强度重要性较低的输入参数，实现数据集的降维而形成优化数据集。
[0020]进一步地，所述智能预测模型建立、调参和测试具体包括如下步骤：
[0021]将优化数据集按照一定比例，划分为训练集和验证集；
[0022]根据训练集建立XGBoost模型，根据模型在验证集上的表现，调整超参数直至验证集上表现最优；
[0023]将调参完成的模型在新的数据上加以测试，采用评价指标MAPE、R2、MSE和MAE，衡量本专利技术提出的水泥基材料抗压强度预测方法的精确程度。
[0024]一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述预测方法的步骤。
[0025]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述基于随机森林和XGBoost的水泥基材料抗压强度预测方法的步骤。
[0026]一种基于上述抗压强度预测方法的系统，包括初始数据集构建模块、优化数据集构建模块、智能预测模型构建模块和预测模块；
[0027]初始数据集构建模块，被配置为：针对水泥基材料确定需要的参数，以此为依据收集参数数据，整合形成初始数据集；
[0028]优化数据集构建模块，被配置为：基于随机森林的数据集优化，在初始数据集上建立随机森林模型，由随机森林模型给出输入参数的重要性评价，定量筛选出对预测抗压强度较重要的输入参数，对初始数据实现处理，进而形成优化数据集；
[0029]智能预测模型构建模块，被配置为：基于优化数据集建立XGBoost模型并进行优化得到智能预测模型；
[0030]预测模块，被配置为：利用智能预测模型对水泥基材料的抗压强度进行预测。
[0031]上述本专利技术的有益效果如下：
[0032]1)本专利技术所提出的预测方法与现有的试验检验抗压强度相比，消除了重复性试验工作的成本消耗和人为因素带来的不利影响。
[0033]2)本专利技术充分考虑了水泥选用、养护龄期、各种组成材料及其配合比等影响因素，
减少了以往输入参数选取的经验性，因此模型的可靠性得到提升。最终选用水泥等级、养护龄期、材料组分相对含量作为输入参数，能普遍适用于各类砂浆和混凝土等水泥基材料的抗压强度预测、定量筛选出较重要的抗压强度影响因素、在低维度下计算以避免过拟合的风险、同时实现对抗压强度的精准和快速预测以满足工程需求。
[0034]3)本专利技术创新性地结合了随机森林和XGBoost两种智能预测模型的功能：根据随机森林对输入参数的重要性评价的功能，定量筛选出对预测抗压强度较重要的输入参数，形成维度更低的优化数据集；进一步选用适合低维度数据计算的XGBoost模型计算，而避免了以往神经网络模型过拟合和计算速度慢的问题。
[0035]4)根据本专利技术的预测方法建立的模型具有一定的可拓展性，随着未来样本数据的增加，模型的预测性能将得到进一步的提升。
附图说明
[0036]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0037]图1是本专利技术根据一个或多个实施方式的一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法的流程图。
[0038]图2是本专利技术根据一个或多个实施方式的一种基于随本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法，其特征在于，包括以下步骤：针对水泥基材料确定需要的参数，以此为依据收集参数数据，整合形成初始数据集；基于随机森林的数据集优化，在初始数据集上建立随机森林模型，由随机森林模型给出输入参数的重要性评价，定量筛选出对预测抗压强度较重要的输入参数，对初始数据实现处理，进而形成优化数据集；基于优化数据集建立XGBoost模型并进行优化得到智能预测模型；利用智能预测模型对水泥基材料的抗压强度进行预测。2.根据权利要求1所述的一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法，其特征在于，当选用水泥基材料确定需要的参数时，综合考虑水泥基材料的影响因素确定输入和输出参数；所述水泥基材料的影响因素包括水泥基材料的水泥选用、养护龄期、组成材料及组合材料的配合比。3.根据权利要求2所述的一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法，其特征在于，当选用水泥基材料确定需要的参数时，将抗压强度作为输出参数；将水泥等级数据、试件养护龄期数据、各材料组分的相对含量数据作为输入参数。4.根据权利要求3所述的一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法，其特征在于，所述各材料组分的相对含量数据的计算公式如下：式中，m
c
为该水泥基材料中的水泥含量、m
i
为各个材料组分的含量、m
ir
为各个材料组分的相对含量，i＝1,2,3
……
。5.根据权利要求4所述的一种基于随机森林和XGBoost的水泥基材料抗压强度预测方法，其特征在于，所述各材料材料的相对含量m
ir
由工程中具体的材料组成及其配合比确定，所述m
ir
包括：砂相对含量、石子相对含量、水相对含量、减水剂相对含量、偏高岭土相对含量、粉煤灰相对含量。6.根据权利要求1所述的一种基于随机森林和XGBoost的水...

【专利技术属性】
技术研发人员：刘人太，何文胜，张连震，刘博峰，何越纪，陈新，潘旭东，徐先杰，骆世豪，刘伟灏，
申请(专利权)人：中交铁道设计研究总院有限公司中国石油大学华东，
类型：发明
国别省市：