一种基于全连接神经网络的受火混凝土破坏度预测方法技术

本发明专利技术公开了一种基于全连接神经网络的受火混凝土破坏度预测方法，属于混凝土结构健康监测技术领域。本发明专利技术采用改进后的全连接神经网络模型，首先对混凝土数据预处理，对图像进行数组转化、压缩和存储；然后分析混凝土条件属性；最后将混凝土数据标准化作为全连接神经网络的训练集、测试集和验证集的输入，由深度学习全连接神经网络做出高准确率的预测识别，确定不同的混凝土混合物性能和最终合成过程的视觉表示之间的关系，实现受火混凝土破坏度预测。本发明专利技术可以接受样本的混凝土属性，并产生所需的可视化表示的混凝土混合物，极大程度的提高受火混凝土破坏度预测的正确率，节省了任务运行的时间，有效地节约了资源成本。有效地节约了资源成本。有效地节约了资源成本。

【技术实现步骤摘要】
一种基于全连接神经网络的受火混凝土破坏度预测方法


[0001]本专利技术属于混凝土结构健康监测
，更具体地说，涉及一种基于全连接神经网络的受火混凝土破坏度预测方法。

技术介绍

[0002]近年来，建筑火灾的频繁发生给人们带来严重的生命财产安全和环境资源威胁。混凝土材料作为建筑材料使用最为广泛，在不同的环境条件下都有良好的结构性能。即使在高温下，混凝土仍能保持相当的强度。混凝土温度受火时，内部会发生复杂的物理化学变化。受火影响后混凝土的性能被混凝土内材料的分解温度决定。传统的受火混凝土的结构破坏程度评估方法需要大量的实验工作，而其他一些新技术成本较高，适用性仍需进一步研究。针对这一问题，目前基于深度学习神经网络方法的混凝土破坏度预测技术已成为研究热点之一。

技术实现思路

[0003]针对现有对受火混凝土的结构破坏程度评估工作量大以及评估成本高的问题，本专利技术提供一种基于全连接神经网络的受火混凝土破坏度预测方法，本专利技术由改进的全连接神经网络做出高准确率的预测识别，确定不同的混凝土混合物性能和最终合成过程的视觉之间表示的关系，定量推定混凝土混合物性能并预测获得破坏度，极大程度的提高受火混凝土破坏度预测的正确率，节省了任务运行的时间，有效地节约了资源成本。
[0004]为解决上述问题，本专利技术采用如下的技术方案。
[0005]一种基于全连接神经网络的受火混凝土破坏度预测方法，包括如下步骤，
[0006]步骤S1，获取受火混凝土的样本图像数据，并对受火混凝土的样本图像数据进行预处理；
[0007]步骤S2，获取预处理后的样本图像数据对应的属性数据；
[0008]步骤S3，对预处理后的样本图像数据和其对应的属性数据进行标准化处理，输入到全连接神经网络模型中，进行模型训练。
[0009]步骤S4，获取待预测的受火混凝土的样本图像数据，并对待预测的受火混凝土的样本图像数据进行预处理；
[0010]步骤S5，获取预处理后的待预测的样本图像数据对应的属性数据；
[0011]步骤S6，对预处理后的待预测的样本图像数据和其对应的属性数据进行标准化处理，输入到全连接神经网络模型中，获取待预测的样本图像数据破坏度的预测。
[0012]进一步的技术方案，步骤S3具体包括如下步骤，
[0013]步骤S301，对步骤S1中预处理后的样本图像数据和步骤S2中的属性数据均采用标准差标准化处理，进行均值和方差归一化；
[0014]步骤S302，分别随机选取标准化处理后的10个样本图像数据和属性数据作为验证集；将剩下的样本图像数据和属性数据作为训练集；设置随机数种子为任意常数，使迭代训
练生成的随机样本固定；
[0015]步骤S303，设置模型训练超参数：设置迭代数，批量尺寸和交叉熵数；
[0016]步骤S304，采用训练集训练全连接神经网络模型；
[0017]步骤S305，采用验证集验证步骤S304训练好的全连接神经网络模型，根据全连接神经网络模型输出的模型预测值，采用均方差MSE、均方根差RMSE、平均绝对误差MAE和结构相似性SSIM指标对模型预测值进行预测效果评估；均方差MSE、均方根差RMSE和平均绝对误差MAE值越低且结构相似性SSIM值越高，表明全连接神经网络模型的预测越精准，效果越好；
[0018]步骤S306，通过matplotlib可视化方法输出与提供的混凝土样本图像维度相同的预测图像，进一步可视化验证模型预测效果；
[0019]步骤S307，保存模型。
[0020]进一步的技术方案，步骤S304中，对L2正则化基线模型和三层隐藏层正则化模型利用权重正则化方法进行处理，L2正则化基线模型的惩罚系数λ为0.1，0.01或0.001，三层隐藏层正则化模型的惩罚系数λ为0.001。
[0021]进一步的技术方案，步骤S304中，全连接神经网络模型为三层隐藏层正则化模型；对三层隐藏层正则化模型利用权重正则化方法进行处理，三层隐藏层正则化模型的惩罚系数λ为0.001。
[0022]进一步的技术方案，步骤S304中，全连接神经网络模型为L2正则化基线模型，对L2正则化基线模型利用权重正则化方法进行处理，L2正则化基线模型的惩罚系数λ为0.1，0.01或0.001。
[0023]进一步的技术方案，步骤S304中，全连接神经网络模型为基线模型。
[0024]进一步的技术方案，全连接神经网络模型的神经元由五部分组成：
[0025]输入x：输入一个或多个预处理后的样本图像数据和属性数据；
[0026]权重w：每个输入都有一个权重w，w∈R；
[0027]偏置顶b：b∈R；
[0028]激活函数：利用ReLU(y)＝max(0，y)计算；
[0029]输出y：y＝f(w*x+b)。
[0030]进一步的技术方案，步骤S2中，还包括对预处理后的样本图像数据进行可视化分析，具体步骤为：
[0031]步骤S201，将预处理后的样本图像数据所对应的属性数据进行转置，转置后的属性数据与样本图像数据维度对应，从而获取样本图像数据对应的特征属性或信息熵；
[0032]步骤S202，获取预处理后的样本图像数据的数量和维度信息；
[0033]步骤S203，基于预处理后的样本图像数据和其对应的混凝土特征属性或信息熵，对样本图像数据进行维度数组与矩阵运算，获取数据类型、数量和维度，对预处理后的样本图像数据进行可视化处理，获取密度图、直方图和关系矩阵，从而得到可视化结果图。
[0034]进一步的技术方案，步骤S1中，预处理步骤包括：
[0035]步骤S101，将提供的样本图像数据扁平化为1*m维数组并压缩；
[0036]步骤S102，将扁平化的数组数据分别除以255，使每个像素值在0
‑
1之间；
[0037]步骤S103，将步骤S102处理后的数据存入数组中。
[0038]有益效果：相比于现有技术，本专利技术的技术方案的有益效果为：
[0039]本专利技术的一种基于全连接神经网络的受火混凝土破坏度预测方法，克服了传统的受火混凝土破坏度预测方法执行成本高、耗时长、误差大等缺点；极大程度的提高了破坏度预测执行的准确率，有效地节约了成本和时间，大大提升了整个任务的运行速度，缩短了任务执行所需要消耗的资源。
附图说明
[0040]图1为本专利技术预测方法的流程示意图；
[0041]图2为本专利技术的全连接神经网络的方法路线图；
[0042]图3为本专利技术全连接神经网络的结构图；
[0043]图4为本专利技术的混凝土样本图像；
[0044]图5为本专利技术的预测方法的验证结果图。
具体实施方式
[0045]下面结合具体实施例和附图对本专利技术进一步进行描述。
[0046]实施例
[0047]本实施例提供了一种基于全连接神经网络的受火混凝土破坏度预测方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全连接神经网络的受火混凝土破坏度预测方法，其特征在于：包括如下步骤，步骤S1，获取受火混凝土的样本图像数据，并对受火混凝土的样本图像数据进行预处理；步骤S2，获取预处理后的样本图像数据对应的属性数据；步骤S3，对预处理后的样本图像数据和其对应的属性数据进行标准化处理，输入到全连接神经网络模型中，进行模型训练。步骤S4，获取待预测的受火混凝土的样本图像数据，并对待预测的受火混凝土的样本图像数据进行预处理；步骤S5，获取预处理后的待预测的样本图像数据对应的属性数据；步骤S6，对预处理后的待预测的样本图像数据和其对应的属性数据进行标准化处理，输入到训练好的全连接神经网络模型中，获取待预测的样本图像数据破坏度的预测。2.根据权利要求1所述的一种基于全连接神经网络的受火混凝土破坏度预测方法，其特征在于：步骤S3具体包括如下步骤，步骤S301，对步骤S1中预处理后的样本图像数据和步骤S2中的属性数据均采用标准差标准化处理，进行均值和方差归一化；步骤S302，分别随机选取标准化处理后的10个样本图像数据和属性数据作为验证集；将剩下的样本图像数据和属性数据作为训练集；设置随机数种子为任意常数，使迭代训练生成的随机样本固定；步骤S303，设置模型训练超参数：设置迭代数，批量尺寸和交叉熵数；步骤S304，采用训练集训练全连接神经网络模型；步骤S305，采用验证集验证步骤S304训练好的全连接神经网络模型，根据全连接神经网络模型输出的模型预测值，采用均方差MSE、均方根差RMSE、平均绝对误差MAE和结构相似性SSIM指标对模型预测值进行预测效果评估；均方差MSE、均方根差RMSE和平均绝对误差MAE值越低且结构相似性SSIM值越高，表明全连接神经网络模型的预测越精准，效果越好；步骤S306，通过matplotlib可视化方法输出与提供的混凝土样本图像维度相同的预测图像，进一步可视化验证模型预测效果；步骤S307，保存模型。3.根据权利要求2所述的一种基于全连接神经网络的受火混凝土破坏度预测方法，其特征在于：步骤S304中，全连接神经网络模型为三层...

【专利技术属性】
技术研发人员：刘琦，肖博，路慧，张静，李阳，
申请(专利权)人：远见无锡大数据科技有限公司，
类型：发明
国别省市：