浅谈机器学习在混凝土强度预测上的应用

浅谈机器学习在混凝土强度预测上的应用

王奕飞1, ,王安卿1  ,李响1  ,黄欣2  ,杨成1

1. 南京工程学院  建筑工程学院，南京 211167  2.南京工程学院  经济与管理学院，南京 211167

摘要：机器学习技术能够对各种信息模型、复杂系统、算法和方法进行快速访问。在应对一些复杂模型的信息预测上，人工神经网络、决策树、支持向量机算法等都有较多的应用。其在混凝土性能预测方面也有帮助，本文主要将ML模型分为神经网络(ANN)、支持向量机(SVM)、决策树(decision tree)三大类，综述了这些模型在混凝土抗压强度、抗剪强度等强度预测中的应用，进行了分析与总结。

关键词：机器学习；3D打印；混凝土；测试预测模型

0引言

随时代的发展，建筑工程中对施工技术的要求也越来越高，为了适应这种需求，各种新型的技术应用层出不穷，如3D打印、大数据深度学习、BIM等等。原本在工程施工前要进行长时间的试验，耗费了大量的人力物力，为了摆脱传统的试验方法，缩短实验周期，可见建立一个强度预测模型有多么重要。为了能够更好的应对和适应各种设计规范和标准的要求，混凝土力学性能的预测已经成为一项很重要的研究任务。传统的混凝土力学、流变学、耐久性和其他性能预测模型基本上是由实验数据的统计分析发展而来的经验关系，其中已经建立了线性和非线性回归模型[1-2]。科研人员运用各种各样的回归模型来预测混凝土的力学性能，这些模型在某些情况下证明是很有效的，可以节省一定的时间和成本，但也还有一定的缺陷，比如难于处理复杂材料混凝土试块，建立经验模型需要大量实验数据的支撑等等。为了弥补传统线性和非线性回归模型的缺点，ML技术最近被引入预测混凝土力学强度的有力竞争者。使用这种预测工具可以节省昂贵的成本和耗时的试验批次和相关的实验工作，以达到所需的混凝土强度[3]。ML技术研究中应用最广泛最常见和应用最早的主要有下列四类模型可以同时用于计算预估钢筋混凝土试压块的强度它们的分别的名称缩写为:人工神经网络模型(ANN)、支持向量机模型(SVM)、决策树模型(Decision trees)、进化算法(EA)。本文主要介绍ML技术中的人工神经网络(ANN)、支持向量机(SVM)、决策树(Decision trees)三种模型。

1机器学习中几种常用模型在混凝土强度预测方面应用

1.1人工神经网络(ANN)

神经网络实际上即为模拟化的人类精神网络，从信息传递的方向，收集已知的信息，分类为不同的网络，所以得名。神经网络之所以拥有一种可以被实时机器学习使用的特性，原因首先在于它通过连接大量的处理信息单元来共同构建这样一种实时运算处理信息单元的网络模型，该模型还具有了非线性、自适应等特点，再搭配上分布式系统，才得以彰显这种特性。现在经常使用的有两类:递归神经网络和卷积神经网络。人工神经网络技术被运用到混凝土的某些领域。例如，Elsanadedy等人曾比较过神经网络模型和线性回归模型对纤维增强混凝土的性能。结果表明，人工神经网络对其抗压强度的预测效率较高，R2(0.94)高于线性方法(0.73)[4]。我们可将人工神经网络技术运用到混凝土试块性能测试实验中，进行混凝土试块的性能的提前预测，减少实验花费的时间和成本，从而让实验更加简便快捷。

1.2支持向量机(SVM)

通常在我们遇到的样本过少、模型问题较多的时候，我们往往会想到使用支持向量机算法，它所用到的主要原理即为数理统计学这门学科，这样才能做到通过调整模型参数来自动地调控模型结构，让控制结构风险达到了最小化，面对这些模型问题才可以真正表现出其良好的模型预测能力。支持向量机算法列表里主要就包含有区块化算法、分解算法、序列中的最小优化算法、增量算法等这四种算法，在数据挖掘、图像处理、故障诊断等国内外诸多重要领域[5]有着广泛的应用，支持向量机算法对混凝土研究方向也有帮助，支持向量机算法可用于多种混凝土强度的预测，结论是这种机器学习技术优于非线性回归方法得出的结果。

1.3决策树(Decision trees)

决策树模型是一个重要的分类决策方法。决策树算法现在已经可以有效地被应用于在许多重要应用和领域中，特别是在3D打印、医疗诊断、和网络安全等模块已经产生了巨大的作用。决策树技术可按特点大体分为以下两类技术，即单分类决策树模型技术和集成单分类决策树模型技术，其中，单分类决策树模型技术更可长期地维护和可持续地更新单个分类的树模型，它并且能有效而迅速地对概念之间的漂移或变化做出回应。相对独立应用于单个的分类模型，集成的分类模型只需要通过使用比单一分类模型更快速且简单高效的技术即可实现分类模型的更新，且它们之间同样都是可以做到有效快速的处理概念漂移。集成分类器在分析处理概念漂移导致的问题时的效果明显的优于单个分类器。通过以上原理，将决策树模型运用于预测混凝土强度方面还是大有裨益的。

2高斯过程机器学习的新应用

高斯过程机器学习混凝土预测模型，通过研究分析表明了此预测模型与神经网络、支持向量机预测相比，该预测模型还是具有相对很高程度模型预测精度的，所以为了真正解决高强混凝土参数与其影响因素参数间存在的一系列复杂数学关系，将高斯过程参数放进对高强混凝土的分析研究，是完全可以给出很好的解决方案的，由此提出了基于高强混凝土强度预测算法的高斯过程机器学习模型[6]。它的优点就是在于它只须需要输入少量的实验结果数据，建立一种简单有效的计算模型，来正确预测高强混凝土结构的力学强度及随其影响强度因素的变化，在工程实际工程操作应用中只有尽可能的多途径地广泛收集大量实验数据，减少实验数据误差量和降低操作计算精确度等来保证完善计算数据的质量，才能有效不断的提高高斯过程机器学习计算模型工作的可靠性。

3结语

论述了几项混凝土强度预测的研究，探讨了一些机器学习方法的优点，特别是通过传统的统计和经验模型预测复杂混凝土混合物的强度一直是一个根本性的挑战，因为这些模型通常是不准确的，而且它们的开发是昂贵和耗时的。本文提出的几种混凝土强度预测模型有以下几处较明显的优势：

（1）缩短试验周期，更快投入施工，压缩花费的时间与成本。

（2）实验样本数量减少，依赖性下降，使实验操作变得简便。

（3）准确性较传统的统计和经验模型预测要高。

由于ML模型能够提供准确的进行混凝土强度估计，我们需要进一步研究ML模型在预测更创新的混凝土类型性能方面的可靠性，这样会有助于工程师选择合适的模型来预测混凝土强度。

参考文献：

[1] M.Y. Cheng, J.S. Chou, A.F.V. Roy, Y.W. Wu, High-performance concretecompressive strength prediction using time-weighted evolutionary fuzzy support vector machines inference model, Autom. Constr. 28 (2012) 106–115.

[2] Z. Yuan, L. Wang, X. Ji, Advances in Engineering Software Prediction of concrete compressive strength: research on hybrid models genetic based. algorithms and ANFIS, 67 (2014) 156–163. doi:10.1016/j.advengsoft.2013.09.004.

[3] Z. Mundher, R.C. Deo, A. Hilal, A.M. Abd, L. Cornejo, S. Salcedo-sanz, M.L. Nehdi,Advances in Engineering Software Predicting compressive strength of lightweight foamed concrete using extreme learning machine model, Adv. Eng.Softw. 115 (2018) 112–125, https://doi.org/10.1016/j.advengsoft.2017.09.004.

[4] Elsanadedy, H. Al-Salloum, Y. Abbas, H. & Alsayed, S. J. C. P. B. E. (2012). Prediction of strength parameters of FRP-confined concrete. 43(2), 228-239.

[5] 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10.

[6]张研,苏国韶,燕柳斌.高强混凝土强度预测的高斯过程机器学习模型[J].混凝土,2011(11):18-20.