一种多性能控制的混凝土配合比优化方法技术

本发明专利技术属于混凝土配合比优化技术领域，并具体公开了一种多性能控制的混凝土配合比优化方法。包括：收集若干组混凝土配合比实际生产数据，根据上述数据分别建立混凝土强度、工作性和耐久性的深度学习预测模型，在上述强度、工作性、耐久性预测模型的基础上，建立以成本最小为目标，以满足各项性能要求为约束的混凝土配合比数学优化模型。本发明专利技术本结合混凝土配合比自身的特征及其对应混凝土强度、工作性、耐久性特点，基于现有混凝土原料的用量、原料的性能以及其对应的强度、工作性、耐久性去构建深度学习预测模型，充分考虑原料性质对混凝土性能的影响，预测结果更准确，除强度外，还考虑混凝土的工作性和耐久性作为约束，更贴合实际应用。实际应用。实际应用。

【技术实现步骤摘要】
一种多性能控制的混凝土配合比优化方法


[0001]本专利技术属于混凝土配合比优化
，更具体地，涉及一种多性能控制的混凝土配合比优化方法。

技术介绍

[0002]混凝土是当今世界应用最广泛的建筑材料，特别是近10年国内基建和房地产项目的快速发展，给混凝土行业带来了巨大的机遇。然而，国内多数混凝土生产企业，混凝土产品往往存在着质量过剩或质量不达标等问题。一方面，质量过剩会造成生产成本的增加，另一方面，质量不达标最终将影响工程质量。对混凝土的配合比进行优化能很好的解决质量过剩或质量不达标等问题。混凝土配合比优化的整体思想是在满足混凝土性能指标（强度、工作性、耐久性）的前提下，尽量减少原料成本。
[0003]目前对混凝土配合比优化的研究，在影响因素方面只考虑了各原材料的用量，而忽略了原材料的性质对混凝土性能的影响，如骨料的泥含量、水泥的等；在性能控制方面，只考虑强度，而忽略了对工作性和耐久性的控制。这些都导致了对混凝土配合比的优化大多都停留在理论研究上，实际的应用鲜有报道。。
[0004]基于上述缺陷和不足，本领域亟需提出一种多性能控制的混凝土配合比优化方法，考虑各原料的性能，如水泥的强度、粉料的细度、骨料的级配等，并同时考虑混凝土的工作性和耐久性，使得构建的优化模型更贴合实际应用。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种多性能控制的混凝土配合比优化方法，其中结合混凝土配合比自身的特征及其对应混凝土强度、工作性、耐久性特点，相应设计了种多性能控制的混凝土配合比优化方法，基于现有混凝土原料的用量、原料的性能以及其对应的强度、工作性、耐久性去构建深度学习预测模型，同时以成本最小为目标函数，以混凝土原料的用量、原料的性能以及其对应的强度、工作性、耐久性为约束条件去求取最优的混凝土配合比。因而本专利技术充分考虑原料性质对混凝土性能的影响，建立的优化模型更准确，除强度外，优化模型还考虑混凝土的工作性和耐久性作为约束，模型更贴合实际应用。
[0006]为实现上述目的，本专利技术提出了一种多性能控制的混凝土配合比优化方法，包括以下步骤：S1采集多组混凝土配合比实际生产数据以及对应混凝土强度、工作性、耐久性，并对所述配合比实际生产数据以及对应混凝土强度、工作性、耐久性进行标准化处理，并将标准化处理后的配合比实际生产数据以及对应混凝土强度、工作性、耐久性按照指定比例分成训练集和测试集；S2建立混凝土强度、工作性和耐久性的深度学习预测模型，该深度学习预测模型的深度学习框架是TensorFlow，采用训练集中的原料的用量、骨料的含泥量、骨料级配、水
泥的强度、粉料的细度数据作为所述深度学习预测模型的输入，对应混凝土强度、工作性、耐久性作为所述深度学习预测模型的输出，对所述深度学习预测模型进行训练，以对所述深度学习预测模型的各层的权重和偏置进行调整，输出训练后的深度学习预测模型，并将该训练后的深度学习预测模型存储在设备上；S3评价所述建立的深度学习预测模型，将测试集中数据带入到训练后的深度学习预测模型中，对测试集的目标值即混凝土强度、工作性、耐久性进行预测；S4在所述训练后的深度学习预测模型基础上，建立以成本最小为目标构建目标函数，以满足混凝土各项性能要求为约束条件的混凝土配合比数学优化模型，将待测混凝土的配合比生产数据以及所述深度学习预测模型预测的对应混凝土强度、工作性、耐久性代入到所述混凝土配合比数学优化模型中，输出混凝土成本最小目标下混凝土的配合比生产数据以及对应混凝土强度、工作性、耐久性。
[0007]作为进一步优选的，所述配合比实际生产数据为原料的用量、骨料的含泥量、骨料级配、水泥的强度、粉料的细度；其中，所述原料包括水泥、矿粉、粉煤灰、水、减水剂、细骨料、粗骨料。
[0008]作为进一步优选的，步骤S1中，标准化处理的计算模型如下：优选的，步骤S1中，标准化处理的计算模型如下：优选的，步骤S1中，标准化处理的计算模型如下：式中，为数据标准化之后的值，i=1、
……
、n,，n为样本数，x
i
为数据标准化前的值，为该列数据的平均值，s为该列数据的标准差。
[0009]作为进一步优选的，步骤S2中，对所述深度学习预测模型进行训练具体包括以下步骤：
①
无监督的逐层训练，依次训练所述深度学习预测模型中每一个自编码器，隐含层的输出为：其中，H
i
为第i个隐含层的输出，为非线性映射，为第i个自编码器的输入层到隐含层的权重，为第i个自编码器的输入层到隐含层的偏置，为第i个自编码器的输入，保留输入层和隐含层之间的权重和偏置，并将隐含层的输出H
i
作为第i+1个自编码器的输入，通过这种逐层训练的方式，得到m个自编码器的编码过程；
②
有监督的微调，初始化各层网络的权重W和偏置b，利用损失函数调整各层网络
的权重和偏置，损失函数的表达式如下：其中，为实际值，为预测值，在堆叠自编码器的初始过程中，充分利用训练过程的结果，将预训练过程中得到的网络权重和偏置作为堆叠自编码神经网络的初始值，利用梯度下降法对损失函数进行求解，即对各层的权重和偏置进行调整。
[0010]作为进一步优选的，步骤S3中，通过计算均方误差MSE和相关系数R2来判断所述训练后的深度学习预测模型的预测精度，所述均方误差MSE的计算模型如下：所述相关系数R2的计算模型如下：式中，为测试集目标值，为测试集预测值，n为样本数。
[0011]作为进一步优选的，步骤S2中，所述目标函数的计算模型如下：式中，C为原料单方成本，为第i种原料的单价，单位为元/kg，为第i种原料的用量，原料的顺序为水泥、矿粉、粉煤灰、水、减水剂、细骨料、粗骨料。
[0012]作为进一步优选的，步骤S2中，所述约束条件包括：
①
水胶比约束，即，其中，、分别为水胶比下限和上限，x1为水泥用量，x2为矿粉用量，x3为粉煤灰用量，x4为水用量；
②ꢀ
砂率约束，即，其中，分别为砂率下限和上限，x6为细骨料用量，x7为粗骨料用量；
③ꢀ
粉料用量约束，即，其中，分别为粉料用量下限和上限，x1为水泥用量，x2为矿粉用量，x3为粉煤灰用量；
④ꢀ
各原料用量约束，即，其中，YL
i1
、YL
i2
分别为原料i的用量下限和上限，x
i
为第i种原料的用量；
⑤ꢀ
混凝土强度约束，即，其中，为混凝土的最低需求强度,为训练后的深度学习预测模型预测的强度；
⑥ꢀ
混凝土工作性约束，即，其中，为混凝土的最
低需求工作性，为训练后的深度学习预测模型预测的工作性；
⑦ꢀ
混凝土强度约束，即，其中，为混凝土的最低需求耐久度，为训练后的深度学习预测模型预测的耐久性。
[0013]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：1．本专利技术考虑部分原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多性能控制的混凝土配合比优化方法，其特征在于，包括以下步骤：S1采集多组混凝土配合比实际生产数据以及对应混凝土强度、工作性、耐久性，并对所述配合比实际生产数据以及对应混凝土强度、工作性、耐久性进行标准化处理，并将标准化处理后的配合比实际生产数据以及对应混凝土强度、工作性、耐久性按照指定比例分成训练集和测试集；S2建立混凝土强度、工作性和耐久性的深度学习预测模型，该深度学习预测模型的深度学习框架是TensorFlow，采用训练集中的原料的用量、骨料的含泥量、骨料级配、水泥的强度、粉料的细度数据作为所述深度学习预测模型的输入，对应混凝土强度、工作性、耐久性作为所述深度学习预测模型的输出，对所述深度学习预测模型进行训练，以对所述深度学习预测模型的各层的权重和偏置进行调整，输出训练后的深度学习预测模型，并将该训练后的深度学习预测模型存储在设备上；S3评价所述建立的深度学习预测模型，将测试集中数据带入到训练后的深度学习预测模型中，对测试集的目标值即混凝土强度、工作性、耐久性进行预测；S4在所述训练后的深度学习预测模型基础上，建立以成本最小为目标构建目标函数，以满足混凝土各项性能要求为约束条件的混凝土配合比数学优化模型，将待测混凝土的配合比生产数据以及所述深度学习预测模型预测的对应混凝土强度、工作性、耐久性代入到所述混凝土配合比数学优化模型中，输出混凝土成本最小目标下混凝土的配合比生产数据以及对应混凝土强度、工作性、耐久性。2.根据权利要求1所述的一种多性能控制的混凝土配合比优化方法，其特征在于，所述配合比实际生产数据为原料的用量、骨料的含泥量、骨料级配、水泥的强度、粉料的细度；其中，所述原料包括水泥、...

【专利技术属性】
技术研发人员：周力，陈国辉，鄢烈祥，范阳春，
申请(专利权)人：汉谷云智武汉科技有限公司，
类型：发明
国别省市：