【技术实现步骤摘要】
本申请属于结构设计，尤其涉及混凝土界面抗剪强度预测方法、装置、设备及存储介质。
技术介绍
1、随着预制装配式建筑、桥梁等结构的广泛应用，以及既有建筑的加固改造，新旧混凝土界面的剪切强度预测问题成为土木工程领域的重要课题。现有的预测方法通常依赖于经验公式或简化的理论模型，然而由于工况复杂，涉及多维参数之间的非线性关系，现有方法的精度往往有限。近年来，机器学习技术的发展为解决这一问题提供了新的可能性。机器学习通过从大量数据中自动学习复杂的非线性关系，可以更有效地处理多种参数和复杂工况，在土木工程领域得到了广泛应用。
2、在各种机器学习模型中，lightgbm(light gradient boosting machine)凭借其高效的学习机制和出色的泛化能力，成为预测新旧混凝土界面剪切强度的有力工具。lightgbm能够通过多棵弱决策树的组合捕捉数据中的非线性特征，并且在回归问题中展现出较高的预测准确性。然而，lightgbm模型的超参数对于预测性能的影响非常显著，若超参数选择不当，可能会导致模型性能下降。尽管常见的网格搜索和随...
【技术保护点】
1.一种混凝土界面抗剪强度预测方法，其特征在于，包括：
2.如权利要求1所述的混凝土界面抗剪强度预测方法，其特征在于，所述基于协同群优化算法和遗传算法，对所述第一模型的超参数进行优化，得到目标超参数集合，包括：
3.如权利要求2所述的混凝土界面抗剪强度预测方法，其特征在于，所述基于所述更新后的粒子中最优粒子的适应度值，确定所述遗传算法的选择概率，包括：
4.如权利要求2所述的混凝土界面抗剪强度预测方法，其特征在于，所述初始化协同群优化算法的参数、遗传算法的参数和种群参数，包括：
5.如权利要求1所述的混凝土界面抗剪强度预...
【技术特征摘要】
1.一种混凝土界面抗剪强度预测方法，其特征在于，包括：
2.如权利要求1所述的混凝土界面抗剪强度预测方法，其特征在于，所述基于协同群优化算法和遗传算法，对所述第一模型的超参数进行优化，得到目标超参数集合，包括：
3.如权利要求2所述的混凝土界面抗剪强度预测方法，其特征在于，所述基于所述更新后的粒子中最优粒子的适应度值，确定所述遗传算法的选择概率，包括：
4.如权利要求2所述的混凝土界面抗剪强度预测方法，其特征在于，所述初始化协同群优化算法的参数、遗传算法的参数和种群参数，包括：
5.如权利要求1所述的混凝土界面抗剪强度预测方法，其特征在于，所述基于训练集和测试集训练所述第二模型，得到抗剪强度预测模型，包括：
6.如权利要求1所述的混凝土界面抗剪强度预测...
【专利技术属性】
技术研发人员：潘军，陈徳位，赵鹏宇，刘金铎，张航，徐志坤，梁栋，李娟，黄海宾，陈旭，张一搏，马崇峰，程木祥，赵天梓，于敬飞，王承霖，呼耀宗，赵戎戎，王超，孙少华，陈邦昊，
申请(专利权)人：沧州路桥建设集团有限公司，
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。