一种超高性能混凝土多项性能预测方法及其配合比优化设计方法技术

本发明专利技术公开了一种超高性能混凝土多项性能预测方法及其配合比优化设计的方法，包括以下步骤：1)建立UHPC性能数据库；2)基于UHPC性能数据库和机器学习算法建立UHPC性能预测模型；3)生成多个随机配合比，将多个所述随机配合比输入所述UHPC性能预测模型，对多个所述随机配合比的性能进行预测，并使用多项方程式对UHPC的单位体积造价和单位体积碳排放量进行计算，完成超高性能混凝土的多项性能预测；4)基于层次分析法建立UHPC综合性能评估模型；5)确定UHPC的最优配合比，从而完成UHPC配合比优化设计，本发明专利技术将机器学习算法应用于UHPC的性能预测，减少了人力、物力以及时间的浪费；将层次分析法应用于UHPC配合比综合性能的评估，实现了UHPC配合比的优化设计。现了UHPC配合比的优化设计。现了UHPC配合比的优化设计。

【技术实现步骤摘要】
一种超高性能混凝土多项性能预测方法及其配合比优化设计方法


[0001]本专利技术涉及建筑设计
，尤其涉及一种超高性能混凝土多项性能预测方法及其配合比优化设计方法。

技术介绍

[0002]超高性能混凝土(Ultra
‑
High Performance Concrete，UHPC)是一种新型水泥基复合材料，与传统混凝土相比，其具有更好的力学性能、工作性能和耐久性能。尽管UHPC问世的时间不长，但因其优异的性能，已经在工程建设领域得到应用，被认为是用于未来可持续基础设施建设中最有前途的建筑材料之一。然而，典型的UHPC成分中使用了大量的水泥和其它所需的高价格原材料，这大大增加了UHPC的生产造价。UHPC的配合比对于UHPC的性能和造价具有显著的影响，在进行UHPC配合比设计时通常需要满足多目标性能水平，为了达到预期的性能和生产造价，必须对UHPC的配合比进行优化设计。
[0003]传统上，UHPC的配合比设计需要全面的试错试验，这既繁琐又昂贵，另一个问题是，基于试验方法获得的配合比，只是可行的解决方案，但不是最优的解决方案。近年来，为减少UHPC前期试配和后期试验所带来的人力物力浪费，许多学者在UHPC的配合比设计方面进行了大量的探索。
[0004]目前有学者尝试将紧密堆积模型、多尺度分析方法、响应面统计模型运用于超高强混凝土的配制中，尽管这些方法对优化UHPC配合比都起到了重要的作用，但同时也都存在着不足之处：最紧密堆积法无法考虑结构成型过程的化学作用；多尺度分析方法对微观参数要求太高；RSM方法的精度有限，也无法随着试验样本的增加而提升等。也有学者将机器学习算法应用于混凝土的性能预测中，且大多集中于抗压强度方面的预测，而对于UHPC的性能预测研究非常有限，因为很难收集数据来创建具有各种变量的性能预测模型。

技术实现思路

[0005]本专利技术的目的是为了解决上述问题，提供一种超高性能混凝土多项性能预测方法，包括如下步骤：
[0006]S1：收集UHPC性能数据，建立UHPC性能数据库；
[0007]S2：基于UHPC性能数据库和机器学习算法建立UHPC性能预测模型；
[0008]S3：生成多个随机配合比，将多个随机配合比输入UHPC性能预测模型，对多个随机配合比的性能进行预测，并使用多项方程式对UHPC的单位体积造价和单位体积碳排放量进行计算，完成超高性能混凝土的多项性能预测。
[0009]进一步地，S1中，选取硅灰掺量、粉煤灰掺量、矿粉掺量、细骨量用量、粗骨量用量、水胶比、钢纤维用量和减水剂用量作为UHPC性能数据库的输入。
[0010]进一步地，S1中，将收集到的UHPC每种类型的性能数据按照8：2的比例划分训练数据集和测试数据集，训练数据集用于训练UHPC性能模型；测试数据集用于验证UHPC性能模
型。
[0011]进一步地，S2中，机器学习算法包括线性回归、BP网络神经、决策树、随机森林、梯度提升树和极端梯度提升树。
[0012]进一步地，S2中，通过建立RMSE、MAE、MAPE和R2评估UHPC性能模型的性能，其中，RMSE用于反映预测值与测试值之间的偏差；MAE用于反映预测误差的实际情况；MAPE用于反映预测误差与实际值的比率；R2用于显示预测值与测试值之间的线性相关程度，RMSE、MAE和MAPE越小，且R2越接近1，预测模型性能越好。
[0013]进一步地，RMSE的计算公式表示为：
[0014][0015]MAE的计算公式表示为：
[0016][0017]MAPE的计算公式表示为：
[0018][0019]R2的计算公式表示为：
[0020][0021]RMSE、MAE、MAPE和R2的计算公式中，y
i
表示实际值；表示预测值；表示实际值的平均值；n表示测试样本的数量。
[0022]进一步地，S3中，UHPC的单位体积造价的计算公式为：
[0023]Cost＝P
c
m
c
+P
sf
m
sf
+P
fa
m
fa
+P
sl
m
sl
+P
FA
m
FA
+P
CA
m
CA
+P
W
m
W
+P
SF
m
SF
+P
SP
m
SP
；
[0024]其中，P
c
为水泥的单价；P
sf
为硅灰的单价；P
fa
为粉煤灰的单价；P
sl
为矿粉的单价；P
FA
为细骨料的单价；P
CA
为粗骨料的单价；P
W
为水的单价；P
SF
为钢纤维的单价；P
SP
为高效减水剂的单价；
[0025]UHPC的单位体积碳排放量的计算公式为：
[0026]CO2＝C
c
m
c
+C
sf
m
sf
+C
fa
m
fa
+C
sl
m
sl
+C
FA
m
FA
+C
CA
m
CA
+C
W
m
W
+C
SF
m
SF
+C
SP
m
SP
；
[0027]其中，C
c
为水泥的单位重量碳排放量；C
sf
为硅灰的单位重量碳排放量；C
fa
为粉煤灰的单位重量碳排放量；C
sl
为为矿粉的单位重量碳排放量；C
FA
为细骨料的单位重量碳排放量；C
CA
为粗骨料的单位重量碳排放量；C
W
为水的单位重量碳排放量；C
SF
为钢纤维的单位重量碳排放量；C
SP
为高效减水剂的单位重量碳排放量。
[0028]一种超高性能混凝土的配合比优化设计方法，包括如下步骤：
[0029]SA1：建立UHPC综合性能评估模型，通过通过层次分析法确定出UHPC综合性能评估模型中不同性能的权重；
[0030]SA2：将预测结果中抗压强度最低的那组配合比视作基准组，通过计算其他配比的UHPC各项性能相对于基准组相应性能的相对增长率，结合层次分析法得到的性能权重，定量比较UHPC各配比的综合性能，根据综合性能的指标确定UHPC的最优配合比，从而完成UHPC配合比优化设计。
[0031]进一步地，SA1中，基于层次分析法，UHPC综合性能评估模型包括目标层、准则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超高性能混凝土的多项性能预测方法，其特征在于，包括如下步骤：S1：收集UHPC性能数据，建立UHPC性能数据库；S2：基于UHPC性能数据库和机器学习算法建立UHPC性能预测模型；S3：生成多个随机配合比，将多个所述随机配合比输入所述UHPC性能预测模型，对多个所述随机配合比的性能进行预测，并使用多项方程式对UHPC的单位体积造价和单位体积碳排放量进行计算，完成超高性能混凝土的多项性能预测。2.根据权利要求1所述的超高性能混凝土多项性能预测方法，其特征在于，所述S1中，选取硅灰掺量、粉煤灰掺量、矿粉掺量、细骨量用量、粗骨量用量、水胶比、钢纤维用量和减水剂用量作为所述UHPC性能数据库的输入。3.根据权利要求2所述的超高性能混凝土多项性预测方法，其特征在于，所述S1中，将收集到的UHPC每种类型的性能数据按照8：2的比例划分训练数据集和测试数据集，所述训练数据集用于训练所述UHPC性能模型；所述测试数据集用于验证所述UHPC性能模型。4.根据权利要求1所述的超高性能混凝土多项性能预测方法，其特征在于，所述S2中，所述机器学习算法包括线性回归、BP网络神经、决策树、随机森林、梯度提升树和极端梯度提升树。5.根据权利要求1所述的超高性能混凝土多项性能预测方法，其特征在于，所述S2中，通过建立RMSE、MAE、MAPE和R2评估UHPC性能模型的性能，其中，RMSE用于反映预测值与测试值之间的偏差；MAE用于反映预测误差的实际情况；MAPE用于反映预测误差与实际值的比率；R2用于显示预测值与测试值之间的线性相关程度，所述RMSE、MAE和MAPE越小，且R2越接近1，预测模型性能越好。6.根据权利要求1所述的超高性能混凝土多项性能预测方法，其特征在于，所述RMSE的计算公式表示为：所述MAE的计算公式表示为：所述MAPE的计算公式表示为：所述R2的计算公式表示为：所述RMSE、MAE、MAPE和R2的计算公式中，y
i
表示实际值；表示预测值；表示实际值的平均值；n表示测试样本的数量。
7.根据权利要求1所述的超高性能混凝土多项性能预测方法，其特征在于，所述S3中，所述UHPC的单位体积造价的计算公式为：Cost＝P
c
m
c
+P
sf
m
sf
+P
fa
m
fa
+P
sl
m
sl
+P
FA
m
FA
+P
CA
m
CA
+P
W
m
W
+P
SF
m
SF
+P
SP
m
SP
；其中，P
c
为水泥的单价；P
sf
为硅灰的单价；P
fa
为粉煤灰的单价；P

【专利技术属性】
技术研发人员：孙畅，王凯，刘琼，刘卫东，王璞瑾，左俊卿，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：