【技术实现步骤摘要】
本专利技术涉及及建筑材料，具体涉及一种基于深度学习的高性能混凝土配合比设计和性能预测方法。
技术介绍
1、混凝土的原材料来源广泛、成本低廉且便于施工，是建筑、桥梁、隧道、海洋和道路等领域中应用最为广泛的人造材料。随着国民经济的快速发展，各类基础工程设施的结构形式日趋复杂，高温、低温和酸碱盐腐蚀等极端服役环境屡见不鲜，普通混凝土已难以满足多数实际工程需求。超高性能混凝土(uhpc)的力学性能优异、耐久性好，已经在土木工程领域得到了应用，预计未来是我国工程建设领域的重要支撑之一。uhpc涉及的原材料种类较多，包括细骨料、水泥、硅灰、粉煤灰、钢纤维、减水剂和水，其配合比是影响服役性能和生产成本的关键。在实际工程中，为了确保uhpc性能满足应用需求的同时降低生产成本，需要对uhpc的配合比进行科学合理的设计。
2、目前，uhpc的配合比设计主要以最密堆积理论为基础，通过不断调整原材料的颗粒级配来提高其密实性，同时引入适量纤维来增强其韧性，从而使其耐久性和和力学特性都得到显著提升。这种以“试错法”为主的uhpc配合比设计方法在原材料的选取和用量上都有较强的盲目性，后期需要开展大量试验来论证其合理性，研发周期长、效率低，且浪费原材料，导致研发成本居高不下。另外，当下这种研发模式只能从有限的若干组样本中筛选得到满足工程需求的uhpc，而未必是性能最优或综合成本最低的uhpc，更是缺乏对其微纳观本质特性的设计，导致材料与设计目标往往存在较大偏差。
技术实现思路
1、为解决现有技术中存在
2、为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的高性能混凝土配合比设计和性能预测方法，包括如下步骤：
3、s1、建立uhpc多尺度性能数据库；
4、s2、建立uhpc配合比预测模型；
5、s3、建立uhpc多尺度性能预测模型；
6、s4、uhpc配合比预测模型和多尺度性能预测模型的评估与优化；
7、s5、完成uhpc的配合比设计及多尺度性能预测。
8、优选的，在步骤s1中，具体包括：
9、s11、预制多组不同配合比的uhpc材料，通过uhpc的配合比设计原则，改变细骨料的级配和用量、水泥的标号和用量、硅灰的用量、粉煤灰的用量、钢纤维的用量、减水剂的用量、水胶比，制备多组不同配合比的uhpc；
10、s12、开展室内试验，获得uhpc在宏观、微观和纳观多尺度上的物理力学性能，建立uhpc多尺度性能数据库。
11、优选的，在步骤s12中，uhpc的宏观性能包括流动性、抗压强度、抗拉强度、抗弯强度，分别通过坍落度试验、单轴压缩试验、直接拉伸试验、三点弯曲试验或深度相机拍照获得；
12、微观性能中，采用低熔点金属压入与扫描电子显微镜背散射模式相结合的测试技术，获得uhpc的微观孔隙结构特征；
13、纳观性能中，采用基于原子力显微镜的peak force qnm测试技术，获得uhpc的纳米尺度力学特性。
14、优选的，在步骤s2中，以uhpc的流动性、抗压强度、抗拉强度和抗弯强度为输入变量，以配合比为输出变量，将数据库中的数据按8:2的比例划分为训练数据集和测试数据集，选取bp神经网络和卷积神经网络深度学习算法，建立基于宏观性能要求的uhpc配合比预测模型。
15、优选的，在步骤s3中，以uhpc细骨料的级配、细骨料的用量、水泥的标号、水泥的用量、硅灰的用量、粉煤灰的用量、钢纤维的用量、减水剂的用量、水胶比为输入变量，以宏观性能、微观结构和纳观力学特性为输出变量，将数据库中的数据按8:2的比例划分为训练数据集和测试数据集，选取transformer语言模型、对抗生成类模型和卷积神经网络深度学习算法，建立uhpc多尺度性能预测模型。
16、优选的，所述uhpc配合比预测模型和uhpc多尺度性能预测模型均采用均方根误差rmse和拟合优度r2作为模型性能评估指标，具体表达如下：
17、
18、
19、式中xi表示实际值、表示预测值、表示实际值的平均值，n表示测试数据样本的数量。
20、优选的，在步骤s4中，具体包括如下：
21、s41、随机生成n组目标性能作为新的测试数据集，将目标性能依次输入到步骤s2建立的uhpc配合比预测模型中，得到满足每种目标性能要求的uhpc的配合比预测值，
22、s42、将得到的uhpc配合比预测值输入到步骤s3建立的uhpc多尺度性能预测模型中，预测得到每种配合比下uhpc的宏观、微观和纳观尺度的性能；
23、s43、将预测得到的每种配合比下uhpc的宏观性能和已知的目标性能进行对比，结合误差情况返回步骤s2和步骤s3，对uhpc配合比预测模型和uhpc多尺度性能预测模型进行重新优化和训练，直到n组测试数据集中不少于95％的宏观性能预测值和目标性能的误差均满足精度要求，将此时的uhpc配合比预测模型和uhpc多尺度性能预测模型作为最终的模型。
24、优选的，所述误差计算公式为：
25、
26、式中，yi表示第i种宏观性能的已知目标实际值，表示第i种宏观性能预测值，△i表示预测误差和实际值的比率。
27、优选的，在步骤s5中，具体包括如下：
28、s51、配合比设计：将目标性能包括流动度、抗压强度、抗拉强度和抗弯强度的具体要求输入到最终的uhpc配合比预测模型中，得到满足目标性能要求的uhpc的配合比；
29、s52、多尺度性能预测：将任意已知的uhpc配合比输入到最终的uhpc多尺度性能预测模型中，预测得到该配合比下uhpc材料的多尺度性能。
30、本专利技术的有益效果是：
31、1)本专利技术将深度学习算法应用于超高性能混凝土的研发，以实际工程对uhpc的性能需求为导向，快速筛选出满足性能要求的uhpc的配合比设计，减少了盲目试错导致的人力、物力和时间的浪费，研发效率更高、综合成本更低；
32、2)将深度学习算法应用于超高性能混凝土的性能预测，提升了对实际工程中uhpc的性能评估效率，对其适用性做出快速判断；
33、3)将uhpc材料的纳米强度和微观结构特征都纳入了样本数据集，以更大的数据量训练深度学习网络，可提高性能预测模型鲁棒性、泛化性以及预测精度，从而使基于预测性能结果而得到的配合比设计的可信度更高。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤S1中，具体包括：
3.根据权利要求2所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤S12中，UHPC的宏观性能包括流动性、抗压强度、抗拉强度、抗弯强度，分别通过坍落度试验、单轴压缩试验、直接拉伸试验、三点弯曲试验或深度相机拍照获得；
4.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤S2中，以UHPC的流动性、抗压强度、抗拉强度和抗弯强度为输入变量，以配合比为输出变量，将数据库中的数据按8:2的比例划分为训练数据集和测试数据集，选取BP神经网络和卷积神经网络深度学习算法，建立基于宏观性能要求的UHPC配合比预测模型。
5.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤S3中，以UHPC细骨料的级配、细骨料的用量、水泥的标号、水泥的用量、
6.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：所述UHPC配合比预测模型和UHPC多尺度性能预测模型均采用均方根误差RMSE和拟合优度R2作为模型性能评估指标，具体表达如下：
7.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤S4中，具体包括如下：
8.根据权利要求7所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：所述误差计算公式为：
9.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤S5中，具体包括如下：
...【技术特征摘要】
1.一种基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤s1中，具体包括：
3.根据权利要求2所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤s12中，uhpc的宏观性能包括流动性、抗压强度、抗拉强度、抗弯强度，分别通过坍落度试验、单轴压缩试验、直接拉伸试验、三点弯曲试验或深度相机拍照获得；
4.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤s2中，以uhpc的流动性、抗压强度、抗拉强度和抗弯强度为输入变量，以配合比为输出变量，将数据库中的数据按8:2的比例划分为训练数据集和测试数据集，选取bp神经网络和卷积神经网络深度学习算法，建立基于宏观性能要求的uhpc配合比预测模型。
5.根据权利要求1所述的基于深度学习的高性能混凝土配合比设计和性能预测方法，其特征在于：在步骤s3中，以uhpc细骨料...
【专利技术属性】
技术研发人员：姚煦霈，杜明瑞，方宏远，苏海健，赵鹏，张勃阳，杜雪明，李斌，
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。