基于可解释性神经网络的冻融混凝土强度评价方法及装置制造方法及图纸

本发明专利技术公开了一种基于可解释性神经网络的冻融混凝土强度评价方法及装置，获得冻融混凝土构件试验参数和评价参数；将冻融混凝土样本数据集分成训练集和测试集；建立可解释性神经网络机器学习模型，模型的输入为每组冻融混凝土样本中各种原料组分的用量，输出为冻融混凝土强度；将实时特征数据带入到建立的可解释性神经网络机器学习模型中，预测冻融混凝土的强度。本发明专利技术取代了传统的试验方法预测冻融混凝土的强度，节省了大量的时间和成本；与传统的机器学习算法相比，本发明专利技术采用的广义加性可解释性神经网络机器学习算法建立的预测模型，提供了准确的、可解释的预测结果。可解释的预测结果。可解释的预测结果。

【技术实现步骤摘要】
基于可解释性神经网络的冻融混凝土强度评价方法及装置


[0001]本专利技术涉及冻融混凝土强度评价与检测
，具体是一种基于可解释性神经网络的冻融混凝土强度评价方法及装置。

技术介绍

[0002]混凝土强度一直是评价混凝土耐久性的重要指标之一，寒地条件下的混凝土构件常常因为荷载应力的破坏作用产生裂缝从而导致耐久性下降甚至失效，在一定程度上影响了建筑的舒适性和安全性，因此，能够快速、合理有效地得到冻融混凝土强度数据，对于判断结构安全性具有重要的指导意义，从而最大程度上延长混凝土的使用寿命。
[0003]通常情况下，混凝土的生产原料包括水泥、高炉渣、粉煤灰、水、引气剂、超塑化剂、细骨料、粗骨料等，目前大部分的传统混凝土强度的直接测定需要大量的时间和人工成本，相关的经验模型也存在精度不足等问题。因此一种根据混凝土原料组分信息和养护条件快速预测冻融混凝土强度的方法，对原始混凝土配合比的优化具有重要意义。
[0004]目前对于冻融混凝土性能的预测与分析中，传统的机器学习模型由于缺乏可解释性，通过算法训练出来的模型被看成一个黑盒，伴随着机器学习模型复杂度的增加，人们往往难以理解和接受其预测结果，因此，基于广义加性可解释性神经网络机器学习模型可以在一预测问题上得到更优的结果。

技术实现思路

[0005]为了克服传统混凝土耐久性测试试验周期长、实验复杂以及普通机器学习模型缺乏可解释性的问题，本专利技术提供了一种基于可解释性神经网络的冻融混凝土强度评价方法及装置。
[0006]为解决上述技术问题，第一方面，本专利技术提供了一种基于可解释性神经网络的冻融混凝土强度评价方法，包括以下步骤：
[0007](1)获得冻融混凝土构件试验数据，包括混凝土特征数据和抗压强度评价数据；
[0008](2)基于步骤(1)构建数据集，将数据集在随机排列后分成训练集和测试集；
[0009](3)建立可解释性神经网络机器学习模型，并基于步骤(2)中训练集进行模型训练，模型的输入为每组混凝土样本的特征数据即原料用量和养护条件，输出为混凝土的评价数据即抗压强度；可解释性神经网络机器学习模型为一种可解释神经网络xNN结构，包括一个全连接的多层感知器被分解成一个投影层，然后是多个子网络，其中每个子网络代表一个非线性形状函数，xNN对主效应和成对相互作用均采用神经网络参数化；用由一个或两个输入节点组成的完全连接的子网络来模拟每个主效应或成对的相互作用，这些子网络被加在一起，形成最终的输出；
[0010]可解释性神经网络机器学习模型训练过程为三阶段的自适应训练：首先，对主效应的子网络进行训练和修剪拟合；其次，选择、拟合和修剪重要的成对相互作用，并在遗传约束下对残差进行拟合；最后，对所有重要的主效应和成对的相互作用进行集体微调；
[0011]可解释性神经网络机器学习模型表述为：
[0012][0013]其中，E(y|x)表示在给定特征x的条件下抗压强度y的期望，S1，S2分别表示主效应和成对相互作用的集合，g是模型的函数，h
j
和f
jk
是对应主效应和成对相互作用的形状函数，μ是截距，j表示第j个主效应，jk表示成对相互作用；x
j
和x
k
分别表示为第j个和第k个混凝土样本的特征数据，作为模型的输入；
[0014]每一个主效应和成对相互作用均被假定为零平均值，即
[0015][0016]其中F(x
j
)和F(x
j
，x
k
)代表相应的第j个主效应和第jk个成对相互作用的累积分布函数；
[0017](4)采用步骤(2)中测试集检验已经训练完成模型的预测性能，若预测精度不满足要求，通过调整可解释性神经网络机器学习模型参数进行修正，直至达到满足要求的预测精度；
[0018](5)将实时采集的冻融混凝土特征数据输入到满足要求的可解释性神经网络机器学习模型中，预测冻融混凝土的抗压强度。
[0019]进一步地，训练模型具有稀疏性、遗传性和边际清晰度的约束。
[0020]进一步地，模型训练将在达到最大的训练历时数或验证性能在一定的历时数内没有得到改善时停止，每个主效应或成对相互作用被归一化，使其具有零平均值，输出层的偏置节点代表总体平均值，子网络根据稀疏性约束进行修剪。
[0021]进一步地，模型训练服从边际清晰正则化，其中，微调阶段所有的主效应和成对相互作用均被重新归一化。
[0022]进一步地，模型具有内在可解释性，检查每个单独变量对整体预测的贡献，每个主效应的重要性比率IR通过以下方式进行定量测量：
[0023]IR(j)＝D(h
j
)/T
[0024]IR(j，k)＝D(f
jk
)/T
[0025]其中，D(h
j
)和D(f
jk
)为对应主效应和成对相互作用的形状函数的方差，T表示D(h
j
)和D(f
jk
)的和，j表示第j个主效应，jk表示成对相互作用。
[0026]进一步地，评价所述建立的可解释性神经网络机器学习模型的评价方式为计算测试集目标值与预测目标值的均方根误差和相关系数：
[0027][0028][0029]其中，N
i
和P
i
分别是测试集的第i个测试目标值和测试集的第i个预测目标值；N是平均测试目标值；n是样本的数量。
[0030]第二方面，本专利技术还提供了一种基于可解释性神经网络的冻融混凝土强度评价装
置，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的基于可解释性神经网络的冻融混凝土强度评价方法。
[0031]第三方面，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的基于可解释性神经网络的冻融混凝土强度评价方法。
[0032]本专利技术的有益效果：本专利技术提供的一种基于可解释性神经网络的冻融混凝土强度评价方法及装置，取代了传统的试验方法预测冻融混凝土的强度，节省了大量的时间和成本；与传统的机器学习算法相比，本专利技术采用的广义加性可解释性神经网络机器学习算法建立的预测模型，提供了准确的、可解释的预测结果。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
[0034]图1为本专利技术提供了一种基于可解释性神经网络的冻融混凝土强度评价方法的流程示意图；
[0035]图2为本专利技术实施例一中机器学习训练阶段模型参数变化示意图；
[0036]图3为本专利技术实施例一中预测结果的全局解释；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可解释性神经网络的冻融混凝土强度评价方法，其特征在于，包括以下步骤：(1)获得冻融混凝土构件试验数据，包括混凝土特征数据和抗压强度评价数据；(2)基于步骤(1)构建数据集，将数据集在随机排列后分成训练集和测试集；(3)建立可解释性神经网络机器学习模型，并基于步骤(2)中训练集进行模型训练，模型的输入为每组混凝土样本的特征数据即原料用量和养护条件，输出为混凝土的评价数据即抗压强度；可解释性神经网络机器学习模型为一种可解释神经网络xNN结构，包括一个全连接的多层感知器被分解成一个投影层，然后是多个子网络，其中每个子网络代表一个非线性形状函数，xNN对主效应和成对相互作用均采用神经网络参数化；用由一个或两个输入节点组成的完全连接的子网络来模拟每个主效应或成对的相互作用，这些子网络被加在一起，形成最终的输出；可解释性神经网络机器学习模型训练过程为三阶段的自适应训练：首先，对主效应的子网络进行训练和修剪拟合；其次，选择、拟合和修剪重要的成对相互作用，并在遗传约束下对残差进行拟合；最后，对所有重要的主效应和成对的相互作用进行集体微调；可解释性神经网络机器学习模型表述为：其中，E(y|x)表示在给定特征x的条件下抗压强度y的期望，S1,S2分别表示主效应和成对相互作用的集合，g是模型的函数，h
j
和f
jk
是对应主效应和成对相互作用的形状函数，μ是截距，j表示第j个主效应，jk表示成对相互作用；x
j
和x
k
分别表示为第j个和第k个混凝土样本的特征数据，作为模型的输入；每一个主效应和成对相互作用均被假定为零平均值，即其中F(x
j
)和F(x
j
，x
k
)代表相应的第j个主效应和第jk个成对相互作用的累积分布函数；(4)采用步骤(2)中测试集检验已经训练完成模型的预测性能，若预测精度不满足要求，通过调整可解释性神经网络机器学习模型参数进行修正，直至达到满足要求的预测精度；(5)将实时采集的冻融混凝土特征数据输入到满足要求的可解释性神经网络机器学习模型中，预测冻融混凝土的抗压强度。2.根据权利要求1所述的一种基于可解释性神经...

【专利技术属性】
技术研发人员：孙博超，赵唯坚，郑皓阳，
申请(专利权)人：浙江大学，
类型：发明
国别省市：