【技术实现步骤摘要】
本专利技术涉及结构粘结滑移监测，特别是一种基于ssa-elm的钢筋混凝土结构失效模式预测方法。
技术介绍
1、钢筋混凝土(rc)结构在经受外界荷载时，粘结滑移现象会发生在结构裂缝产生的地方。随着结构使用时间的增加，钢筋与混凝土之间的粘结行为会受到各种外界环境以及自身特性的影响。粘结失效模式作为粘结行为的一部分，对于rc结构的力学性能同样至关重要。因此，全面了解rc结构并且准确预测失效模式对于结构寿命预测至关重要。
2、为充分了解钢筋与混凝土之间的粘结滑移行为，大量的研究人员对rc结构进行了广泛研究。早期学者们根据试验结果以及厚壁圆筒弹性理论等假设，提出了许多典型的粘结应力-滑移本构关系。但是，对于拉拔试件的破坏形式，学者们多数是针对试验破坏现象描述和分类讨论不同破坏模式下的粘结滑移模型。与粘结强度相比，粘结破坏模式尚未得到深入的研究。因此，将钢筋混凝土结构的各种因素作为输入特征参数，试件失效模式作为输出指标，可以通过机器学习分类算法实现预测并显著优于经验模型的预测性能。如何通过相关指标的选择以及运用高效精准的模型进行预测，是本领域技术人员尚待解决的问题。
技术实现思路
1、为解决现有技术中存在的问题，本专利技术的目的是提供一种基于ssa-elm的钢筋混凝土结构失效模式预测方法，本专利技术本通过麻雀搜索算法优化极限学习机模型，相比其他典型机器学习分类模型具有更好地分类预测效果。
2、为实现上述目的，本专利技术采用的技术方案是：一种基于ssa-elm的钢筋混凝土
3、步骤1、收集钢筋混凝土结构粘滑失效模式与影响因素的数据，形成初始的样本数据库，并对所述样本数据库进行数据清理和归一化处理；
4、步骤2、利用随机森林算法选择出对结构粘滑失效模式影响较大的特征，并通过相关性分析验证特征选择的合理性以及分类模型数据的合理性；
5、步骤3、将数据集按照一定比例随机划分训练集和测试集；通过训练集数据建立粘滑失效模式的极限学习机分类模型elm，初始化elm结构中的权值和阈值；
6、步骤4、设置麻雀搜索算法ssa的初始种群参数，根据麻雀种群觅食特征对elm的权值和阈值进行寻优，得到最优参数；建立对结构破坏模式预测的ssa-elm模型；
7、步骤5、将麻雀算法寻优得到的最优权值和阈值训练elm，通过样本测试集验证模型的准确率和召回率；最终输入实际结构数据进行ssa-elm预测结构失效模式。
8、作为本专利技术的进一步改进，在步骤1中，所述样本数据库中包含16种结构自身特性指标和7种外界环境特征指标。
9、作为本专利技术的进一步改进，在步骤1中，对所述样本数据库进行数据清理包括补全缺失值数据，依达拉法则处理异常的数据值；为消除不同量纲单位的输入特征数据，采用最大最小标准化进行归一化处理，在[0,1]范围内采用如下公式：
10、
11、其中xi表示输入或者输出数据，xmax表示变换特征数据的最大值，xmin表示变换特征数据的最小值。
12、作为本专利技术的进一步改进，在步骤2中，依据随机森林算法实现初始数据的特征选择，在树的模型中选择基于综合袋外误差oob计算特征重要性评分vim；主要分析步骤如下：
13、在每棵决策树得到oob误差bo后，对于每一个参与决策树运算的特征变量，保持其他特征取值不变，将该特征变量袋外数据取值随机打乱，重新计算决策树的oob误差bn；所有决策树两类oob误差的差值和的百分比即为被打乱特征的vim；对于任意特征fa，决策树编号为t，特征重要性评分vim(fa)表示为：
14、
15、式中，表示任意特征fa值未被打乱时第t棵决策树的oob误差；表示任意特征fa值被打乱时第t棵决策树的oob误差。
16、作为本专利技术的进一步改进，在步骤2中，通过pearson相关性分析和互信息理论，验证进行极限学习机分类模型elm预测的可行性，pearson相关性计算公式如下：
17、
18、式中，x＝(x1,x2,…,xn)和y＝(y1,y2,…,yn)是两个随机变量，r的绝对值越大则两变量越相关；r的正负值分别表示两变量是正相关和负相关；当r为0时表示两变量无相关性；
19、假设两个离散型随机变量x＝(x1,x2,…,xn)和y＝(y1,y2,…,yn)，且p(x,y)，p(x)和p(y)分别为(x,y)的联合分布函数，x的边缘分布函数,y的边缘分布函数；则x，y之间的互信息i(x，y)计算公式如下：
20、
21、式中，若x,y相互独立，那么他们的互信息为0。
22、作为本专利技术的进一步改进，在步骤3中，将训练集数据带入elm模型进行训练时，同时考虑了5折交叉验证的作用，作为极限学习机分类模型elm的性能评估和避免过拟合和欠拟合状态的发生。
23、作为本专利技术的进一步改进，在步骤3中；通过训练集数据建立粘滑失效模式的极限学习机分类模型elm具体包括：
24、对于n个不同的训练数据(xi,yi)，且xi＝[xi1,xi2,…,xin]t与yi＝[yi1,yi2,…,yin]t；l表示隐藏层中的节点数，h(x)是激活函数，elm的输出描述为：
25、
26、式中：wi是连接输入层节点和第i个隐藏层节点的权重，βi是连接第i个隐藏层节点和输出层节点的权重，bi是隐藏层中第i个节点的阈值层，qi是elm网络的输出；将elm的隐层输出矩阵设置为h，则模型的训练结果在经过一定的训练时间后可以零误差接近实际训练数据。
27、作为本专利技术的进一步改进，在步骤4中，将破坏模式预测平均错误率定义为分类模型的适应度目标函数，并通过麻雀搜索算法寻找种群最佳适应度值。
28、作为本专利技术的进一步改进，在步骤5中，选择准确率(accuracy)、精确率(precision)、召回率(recall)来衡量二分类中不同模型算法的预测水平；通过构建混淆矩阵分析训练集和测试集下模型的预测效果；统计指标计算公式如下：
29、accuracy＝(tp+tn)/(tp+fp+fn+tn)
30、precision＝tp/(tp+fp)
31、recall＝tp/(tp+fn)
32、其中:accuracy表示分类正确的样本数占总样本数的比例；precision表示预测为正的样本占所有正样本的比重；recall表示正确预测的数据在总样本中的比重。其他变量表示混淆矩阵各元素的数值。
33、作为本专利技术的进一步改进，该预测方法用于粘结滑移力学试验的预测破坏模式或用于实际钢筋混凝土结构健康检测的评估效果。
34、本专利技术的有益效果是：
35、本专利技术立足于钢筋混凝土结构粘结滑移试验，以期应用于试验设计和实际工程结构破坏模式的预测评估。首先通过搜集试验数据构建钢筋混凝土本文档来自技高网...
【技术保护点】
1.一种基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤1中，所述样本数据库中包含16种结构自身特性指标和7种外界环境特征指标。
3.根据权利要求1所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤1中，对所述样本数据库进行数据清理包括补全缺失值数据，依达拉法则处理异常的数据值；为消除不同量纲单位的输入特征数据，采用最大最小标准化进行归一化处理，在[0,1]范围内采用如下公式：
4.根据权利要求1所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤2中，依据随机森林算法实现初始数据的特征选择，在树的模型中选择基于综合袋外误差OOB计算特征重要性评分VIM；主要分析步骤如下：
5.根据权利要求4所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤2中，通过Pearson相关性分析和互信息理论，验证进行极限学习机分类模型ELM预测的可行性，
6.根据权利要求1所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤3中，将训练集数据带入ELM模型进行训练时，同时考虑了5折交叉验证的作用，作为极限学习机分类模型ELM的性能评估和避免过拟合和欠拟合状态的发生。
7.根据权利要求1所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤3中；通过训练集数据建立粘滑失效模式的极限学习机分类模型ELM具体包括：
8.根据权利要求1所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤4中，将破坏模式预测平均错误率定义为分类模型的适应度目标函数，并通过麻雀搜索算法寻找种群最佳适应度值。
9.根据权利要求1所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤5中，选择准确率(Accuracy)、精确率(Precision)、召回率(Recal l)来衡量二分类中不同模型算法的预测水平；通过构建混淆矩阵分析训练集和测试集下模型的预测效果；统计指标计算公式如下：
10.根据权利要求1-9任一项所述的基于SSA-ELM的钢筋混凝土结构失效模式预测方法，其特征在于，该预测方法用于粘结滑移力学试验的预测破坏模式或用于实际钢筋混凝土结构健康检测的评估效果。
...【技术特征摘要】
1.一种基于ssa-elm的钢筋混凝土结构失效模式预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ssa-elm的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤1中，所述样本数据库中包含16种结构自身特性指标和7种外界环境特征指标。
3.根据权利要求1所述的基于ssa-elm的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤1中，对所述样本数据库进行数据清理包括补全缺失值数据，依达拉法则处理异常的数据值；为消除不同量纲单位的输入特征数据，采用最大最小标准化进行归一化处理，在[0,1]范围内采用如下公式：
4.根据权利要求1所述的基于ssa-elm的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤2中，依据随机森林算法实现初始数据的特征选择，在树的模型中选择基于综合袋外误差oob计算特征重要性评分vim；主要分析步骤如下：
5.根据权利要求4所述的基于ssa-elm的钢筋混凝土结构失效模式预测方法，其特征在于，在步骤2中，通过pearson相关性分析和互信息理论，验证进行极限学习机分类模型elm预测的可行性，pearson相关性计算公式如下：
6.根据权利要求1所述的基于ssa-elm的钢筋混...
【专利技术属性】
技术研发人员：范聪聪，郑元勋，胡少伟，张鹏，吴靖江，郭攀，王俊立，叶雨山，张帅杰，秦镜博，
申请(专利权)人：郑州大学，
类型：发明
国别省市：
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。