【技术实现步骤摘要】
本专利技术涉及生产管理和机器学习，尤其是一种大型预制t梁强度预测模型、方法、系统和可读介质。
技术介绍
1、质量控制是大型预制t梁生产与应用中的核心问题，直接关系到桥梁的结构安全和整体性能。混凝土强度作为构件质量的核心指标，其稳定性与均匀性对预制t梁的结构安全至关重要。在混凝土质量控制中，强度预测是一个核心且颇具挑战性的环节。传统的强度预测方法依赖实验室测试和统计分析，不仅耗时耗力，而且易受实验条件和样本数量的限制。
技术实现思路
1、为了克服上述现有技术中大型预制t梁生产过程中，混凝土强度预测耗时耗力，而且易受实验条件和样本数量的限制缺陷，本专利技术提出了一种大型预制t梁强度预测模型的构建方法，大大提高了模型收敛速度和t梁强度预测精度。
2、本专利技术提出的一种大型预制t梁强度预测模型的构建方法，包括：
3、s1、结合t梁过程进行施工参数数据采样，构建学习样本{d'，y}，d'为单位时间内的施工参数预处理序列，y为该时间内生产的t梁的强度，将学习样本划分为训练样本和验证样本；基于神经网络模型构建强度预测模型，强度预测模型基于数据序列d'预测对应时间上生产的t梁强度；
4、s2、初始化强度预测模型和蝴蝶算法种群，每只蝴蝶的解向量即为强度预测模型的权重矩阵和偏置向量集合；
5、s3、令加载各蝴蝶的解向量的强度预测模型对训练样本进行机器学习，然后选择验证样本代入强度预测模型，获取强度预测模型输出的强度预测值，并计算强度预测模型的均方差损失
6、s4、选择随机数r，r在0到1之间取值；判断是否满足r≤p；
7、如果r≤p，采用全局搜索算法迭代蝴蝶种群；如果r>p，采用以下公式迭代蝴蝶种群；
8、
9、其中，表示第t+1次迭代后种群c中第z只蝴蝶的解向量，表示第t次迭代后种群c中第z只蝴蝶的解向量，t的初始值为0，δt+1表示第t+1次搜索的步长因子，表示探索方向，表示第t次迭代后种群c中第z只蝴蝶的右侧搜索区域，表示第t次迭代后种群c中第z只蝴蝶的左侧搜索区域；fit(.)表示最小化目标的适应度函数，sign表示符号函数；
10、s5、判断蝴蝶种群迭代次数是否达到设定值；否，则返回步骤s3；是，则根据mse输出最优种群的最优个体作为最终解向量，将最终解向量赋予强度预测模型并固定模型。
11、优选的：δt+1＝c1δt+δ0
12、其中，δt表示第t次搜索的步长因子；δ0表示设定的初始步长，c1为设定常数。
13、优选的，令dt表示第t次迭代中蝴蝶的搜索距离，dt＝2r，r为过渡值，有：
14、dt＝δt/c2
15、
16、其中，c2为设定常数，[1]表示元素均为1的矩阵。
17、优选的：
18、
19、其中，rand表示去随机值，rand(.)为随机函数，rand(k'，1)表示生成一个随机的k'×1维的向量；||.||表示二范数。
20、优选的，施工参数预处理序列d'的获取方法为：采集t梁生产过程中的施工参数数据序列，首先对施工参数数据序列进行缺失值处理和异常值处理，再进行数据归一化处理，以得到施工参数预处理序列d'；施工参数数据包含多个施工参数。
21、优选的，数据的缺失值处理方式为：当某个时间点上的某个施工参数缺失，则取单位时间内剩余时间点上该施工参数的均值补充到该时间点上。
22、优选的，异常值处理方式为：对施工参数数据序列中各个施工参数进行异常值判断，如果某个施工参数被判定为异常，则从施工参数数据序列中删除该施工参数所在的施工参数数据。
23、本专利技术提出的一种采用所述的大型预制t梁强度预测模型的构建方法的大型预制t梁强度预测方法，其特征在于，首先采用所述的大型预制t梁强度预测模型的构建方法构建强度预测模型；然后采集t梁生产过程中的施工参数数据序列并进行预处理，将预处理数据序列输入强度预测模型，获取强度预测模型输出的强度预测值。
24、本专利技术提出的一种大型预制t梁强度预测系统，包括存储器和处理器，存储器中存储有计算机程序和采用所述的大型预制t梁强度预测模型的构建方法构建的强度预测模型，处理器连接存储器，处理器用于执行所述计算机程序，以实现所述的大型预制t梁强度预测方法。
25、本专利技术提出的一种可读介质，存储有计算机程序，所述计算机程序被执行时用于实现所述的大型预制t梁强度预测方法。
26、本专利技术的优点在于：
27、(1)本专利技术提出的大型预制t梁强度预测模型的构建方法，基于深度神经网络构建强度预测模型，结合改进蝴蝶算法对强度预测模型的权重进行优化，精确地捕捉混凝土强度与生产线施工参数之间的复杂关系，为混凝土结构的评估提供了更为可靠的预测结果。通过应用改进蝴蝶算法优化深度神经网络，预制企业能够优化生产计划，提高生产效率，降低成本，并确保预制t梁的质量和安全性。本专利技术中通过优化蝴蝶算法的局部搜索策略，显著提升了种群迭代的收敛速度和精度，同时降低了陷入局部最优解的风险。
28、(2)本专利技术提出了一种大型预制t梁生产过程中混凝土强度的预测方法。所述方法通过施工参数数据序列预处理，提取了生产线上的各个工序的关键控制点，利用预制工艺过程数据构建基于改进深度神经网络的蒸养后即时混凝土强度预测模型，结合改进蝴蝶算法对模型权重进行优化，精确地捕捉混凝土强度与相关因素之间的复杂关系，为混凝土结构的评估提供了更为可靠的预测结果。
29、(3)本专利技术中可根据需求具体设置种群迭代终止条件，有利于兼顾对不同工序组合的全面评估和提高计算效率。
30、(4)本专利技术中对数据进行了预处理，主要包括缺失值处理、异常值检测与修正，以及数据的无量纲化，确保了数据集为后续分析提供坚实基础。
本文档来自技高网...【技术保护点】
1.一种大型预制T梁强度预测模型的构建方法，其特征在于，包括：
2.如权利要求1所述的大型预制T梁强度预测模型的构建方法，其特征在于：δt+1＝c1δt+δ0
3.如权利要求2所述的大型预制T梁强度预测模型的构建方法，其特征在于，令dt表示第t次迭代中蝴蝶的搜索距离，dt＝2R，R为过渡值，有：
4.如权利要求1所述的大型预制T梁强度预测模型的构建方法，其特征在于：
5.如权利要求1所述的大型预制T梁强度预测模型的构建方法，其特征在于，施工参数预处理序列D'的获取方法为：采集T梁生产过程中的施工参数数据序列，首先对施工参数数据序列进行缺失值处理和异常值处理，再进行数据归一化处理，以得到施工参数预处理序列D'；施工参数数据包含多个施工参数。
6.如权利要求5所述的大型预制T梁强度预测模型的构建方法，其特征在于，数据的缺失值处理方式为：当某个时间点上的某个施工参数缺失，则取单位时间内剩余时间点上该施工参数的均值补充到该时间点上。
7.如权利要求5所述的大型预制T梁强度预测模型的构建方法，其特征在于，异常值处理方式
8.一种采用如权利要求1-7任一项所述的大型预制T梁强度预测模型的构建方法的大型预制T梁强度预测方法，其特征在于，首先采用如权利要求1-7任一项所述的大型预制T梁强度预测模型的构建方法构建强度预测模型；然后采集T梁生产过程中的施工参数数据序列并进行预处理，将预处理数据序列输入强度预测模型，获取强度预测模型输出的强度预测值。
9.一种大型预制T梁强度预测系统，其特征在于，包括存储器和处理器，存储器中存储有计算机程序和采用如权利要求1-7任一项所述的大型预制T梁强度预测模型的构建方法构建的强度预测模型，处理器连接存储器，处理器用于执行所述计算机程序，以实现如权利要求8所述的大型预制T梁强度预测方法。
10.一种可读介质，其特征在于，存储有计算机程序，所述计算机程序被执行时用于实现如权利要求8所述的大型预制T梁强度预测方法。
...【技术特征摘要】
1.一种大型预制t梁强度预测模型的构建方法，其特征在于，包括：
2.如权利要求1所述的大型预制t梁强度预测模型的构建方法，其特征在于：δt+1＝c1δt+δ0
3.如权利要求2所述的大型预制t梁强度预测模型的构建方法，其特征在于，令dt表示第t次迭代中蝴蝶的搜索距离，dt＝2r，r为过渡值，有：
4.如权利要求1所述的大型预制t梁强度预测模型的构建方法，其特征在于：
5.如权利要求1所述的大型预制t梁强度预测模型的构建方法，其特征在于，施工参数预处理序列d'的获取方法为：采集t梁生产过程中的施工参数数据序列，首先对施工参数数据序列进行缺失值处理和异常值处理，再进行数据归一化处理，以得到施工参数预处理序列d'；施工参数数据包含多个施工参数。
6.如权利要求5所述的大型预制t梁强度预测模型的构建方法，其特征在于，数据的缺失值处理方式为：当某个时间点上的某个施工参数缺失，则取单位时间内剩余时间点上该施工参数的均值补充到该时间点上。
7.如权利要求5所述的大型预制t梁强度预...
【专利技术属性】
技术研发人员：苏颖，于竞宇，钱叶琳，王静峰，李建成，李长春，石青宇，刘佳佳，张丹，宇锦涛，
申请(专利权)人：合肥工业大学，
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。