基于神经网络的混凝土预应力空心桩干燥时间预测方法技术

本发明专利技术提供了基于神经网络的混凝土预应力空心桩干燥时间预测方法，包括以下步骤：S1、采集混凝土预应力空心桩历史干燥数据；S2、搭建神经网络模型；S3、将混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据作为自变量数据，将历史干燥时长数据作为因变量数据，使用自变量数据和因变量数据训练神经网络模型形成干燥时长预测模型；S4、采集混凝土预应力空心桩实时制造数据输入干燥时长预测模型生成预测干燥时长。本发明专利技术有益效果：通过建立干燥时长预测模型，可以提高生产计划的准确性，节约能源和成本，提高混凝土预应力空心桩的质量和可靠性，从而带来更高的生产效率和经济效益。从而带来更高的生产效率和经济效益。从而带来更高的生产效率和经济效益。

【技术实现步骤摘要】
基于神经网络的混凝土预应力空心桩干燥时间预测方法


[0001]本专利技术属于混凝土预应力空心桩制造
，尤其是涉及基于神经网络的混凝土预应力空心桩干燥时间预测方法。

技术介绍

[0002]混凝土预应力空心桩在现代建筑的施工中得到了广泛的应用，混凝土预应力空心桩为预制桩的一种，在混凝土预应力空心桩的制作包括以下步骤：制作模具、制作钢筋骨架、浇铸混凝土、养护、干燥、脱模。
[0003]当前混凝土预应力空心桩的干燥时长为人为设定，混凝土预应力空心桩的干燥时长受温度、湿度、风速的影响，经常出现混凝土预应力空心桩干燥时长不足导致混凝土预应力空心桩的强度不达标，或混凝土预应力空心桩干燥时长超长，导致生产效率低下。

技术实现思路

[0004]有鉴于此，本专利技术旨在提出基于神经网络的混凝土预应力空心桩干燥时间预测方法，以期解决上述部分技术问题中的至少之一。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：
[0006]本专利技术第一方面提出了，基于神经网络的混凝土预应力空心桩干燥时间预测方法，包括以下步骤：
[0007]S1、采集混凝土预应力空心桩历史干燥数据，历史干燥数据包括混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据、历史干燥时长数据；
[0008]S2、搭建神经网络模型；
[0009]S3、将混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据作为自变量数据，将历史干燥时长数据作为因变量数据，使用自变量数据和因变量数据训练神经网络模型形成干燥时长预测模型；
[0010]S4、采集混凝土预应力空心桩实时制造数据输入干燥时长预测模型生成预测干燥时长。
[0011]进一步的，所述步骤S1中，所述温度为混凝土预应力空心桩干燥的环境温度；
[0012]温度的采集过程包括以下步骤：
[0013]S11、环境温度采集间隔为1分钟，计算1小时内的小时平均温度t1，计算周期为1
‑
6小时内的周期平均温度t2；
[0014]S12、如果周期平均温度t2
×
110%＜周期内最大小时平均温度t1，且周期平均温度t2
×
90%＞周期内最小小时平均温度t1；
[0015]则周期平均温度t2作为周期内的温度；
[0016]如果周期平均温度t2
×
110%＞周期内最大小时平均温度t1，或周期平均温度t2
×
90%小于周期内最小小时平均温度t1；
[0017]则缩短周期时长直至周期平均温度t2满足满足t2
×
110%＜周期内最大小时平均温度t1，且周期平均温度t2
×
90%＞周期内最小小时平均温度t1的条件；
[0018]S13、多个周期内的温度按照时间排序生成温度数据。
[0019]进一步的，步骤S4中，实时制造数据包括混凝土预应力空心桩类型数据、实时温度数据、实时湿度数据、实时风速数据、实时养护水量数据。
[0020]进一步的，使用自变量数据和因变量数据训练神经网络模型的过程如下：
[0021]S31、将自变量数据输入神经网络模型中，通过矩阵运算将自变量数据转换为自变量矩阵；
[0022]S32、将自变量矩阵中的数据输入神经网络模型的各个神经元中，对各个神经元进行权重赋值后，使用非线性函数对自变量矩阵进行前向传播计算，得到输出结果；
[0023]S33、将输出结果与因变量数据进行差值计算得到结果误差值，根据各个神经元的权重值，对结果误差值进行反向传播计算；
[0024]S34、根据反向传播计算得到的各个神经元的单元误差值，修正相应神经元的权重值；
[0025]S35、重复S31至S34直到输出结果的交叉熵损失满足模型精度需要。
[0026]进一步的，步骤S32中进行权重赋值的过程如下：
[0027]计算每个神经元内的自变量数据与相应的因变量数据之间的卡方统计量和p值，根据卡方统计量的大小和p值的显著性，评估自变量数据与相应的因变量数据之间的相关性，根据相关性进行权重赋值。
[0028]进一步的，步骤S33、S34的过程如下：
[0029]计算输出结果与实际的因变量数据的差值，得到结果误差值，将结果误差值通过权重矩阵反向传播，计算神经元的单元误差值，根据神经元的单元误差值和神经元的输入值，计算权重的调整量，通过将权重调整量加到原始权重值上，更新神经元的权重值。
[0030]进一步的，在步骤S35计算交叉熵的过程中增加正则化计算，并在后续的反向传播计算中使用正则化计算调整权重更新过程中的权重梯度。
[0031]本专利技术第二方面提出了，一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述第一方面任一所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
[0032]本专利技术第三方面提出了，一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如第一方面任一所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
[0033]本专利技术第四方面提出了，一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现第一方面任一项所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法。
[0034]相对于现有技术，本专利技术所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法具有以下有益效果：
[0035]（1）本专利技术所述的一种基于神经网络的混凝土预应力空心桩干燥时间预测方法，通过建立干燥时长预测模型，可以提高生产计划的准确性，节约能源和成本，提高混凝土预
应力空心桩的质量和可靠性，从而带来更高的生产效率和经济效益。
[0036]（2）本专利技术所述的一种基于神经网络的混凝土预应力空心桩干燥时间预测方法，通过计算周期平均温度t2和周期平均相对湿度p2不仅可以缩短模型的训练和预测时长，且通过数据平均计算保证了数据稳定性，防止数据突然波动造成的数据误差，进而确保了训练模型的准确性。
[0037]（3）本专利技术所述的一种基于神经网络的混凝土预应力空心桩干燥时间预测方法，根据每个神经元内的自变量数据与相应的因变量数据之间的卡方统计量和p值，评估自变量数据与相应的因变量数据之间的相关性，根据相关性进行权重赋值，提高了模型的权重赋值效率。
附图说明
[0038]构成本专利技术的一部分的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。在附图中：
[0039]图1为本专利技术实施例所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法流程示意图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于，包括以下步骤：S1、采集混凝土预应力空心桩历史干燥数据，历史干燥数据包括混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据、历史干燥时长数据；S2、搭建神经网络模型；S3、将混凝土预应力空心桩类型数据、历史温度数据、历史湿度数据、历史风速数据、历史养护水量数据作为自变量数据，将历史干燥时长数据作为因变量数据，使用自变量数据和因变量数据训练神经网络模型形成干燥时长预测模型；S4、采集混凝土预应力空心桩实时制造数据输入干燥时长预测模型生成预测干燥时长。2.根据权利要求1所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于：所述步骤S1中，所述温度为混凝土预应力空心桩干燥的环境温度；温度的采集过程包括以下步骤：S11、环境温度采集间隔为1分钟，计算1小时内的小时平均温度t1，计算周期为1
‑
6小时内的周期平均温度t2；S12、如果周期平均温度t2
×
110%＜周期内最大小时平均温度t1，且周期平均温度t2
×
90%＞周期内最小小时平均温度t1；则周期平均温度t2作为周期内的温度；如果周期平均温度t2
×
110%＞周期内最大小时平均温度t1，或周期平均温度t2
×
90%小于周期内最小小时平均温度t1；则缩短周期时长直至周期平均温度t2满足t2
×
110%＜周期内最大小时平均温度t1，且周期平均温度t2
×
90%＞周期内最小小时平均温度t1的条件；S13、多个周期内的温度按照时间排序生成温度数据。3.根据权利要求1所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于：步骤S4中，实时制造数据包括混凝土预应力空心桩类型数据、实时温度数据、实时湿度数据、实时风速数据、实时养护水量数据。4.根据权利要求1所述的基于神经网络的混凝土预应力空心桩干燥时间预测方法，其特征在于：使用自变量数据和因变量数据训练神经网络模型的过程如下：S31、将自变量数据输入神经网络模型中，通过矩阵运算将自变量数据转换为自变量矩阵；S32、将自变量矩阵中的数...

【专利技术属性】
技术研发人员：刘永超，宋晓光，李刚，刘洁，陆鸿宇，张阳，王玉琢，孙友为，董春昊，曹伟，
申请(专利权)人：天津建城基业集团有限公司，
类型：发明
国别省市：