一方面是篇幅限制（实际为250组），另一方面达到帮助读者理解本发明的原理即可。 因此，在实际应用中，实验组数越多，预测越准确。另外，实际上不同的地区，构成混凝土的 原材料在组成、性质上都存在着不同程度的差异。因此，该实施例的混凝土配比实验数据不 具有普适性。在实际应用中，必须根据当地混凝土原材料进行配比实验，从而获得上述混凝 土配比实验数据。若已经具有上述实验数据，则该步骤可以省略。
[0041] 本发明一种基于混合模型的混凝土强度预测方法，包括如下步骤：
[0042] 步骤1、在现场按照标准混凝土强度检测方法对n组不同水泥Xl、高炉矿渣粉x2、 粉煤灰x3、水x4、减水剂x5、粗集料&和细集料X7、养护龄期x8混泥土组分配比信息下进行 强度实验，获得混凝土的强度y，其实验样本数据如下：
[0043] Kxjd),x2(l),x3(l),x4(l),x5(l),x6(l),x7(l),x8(l),y(l)> ；
[0044] h⑵，x2 ⑵，x3 ⑵，x4 ⑵，x5 ⑵，x6 ⑵，x7 ⑵，x8⑵，y⑵〉；
[0045] ...；
[0046] i= 1, 2, . . . ,n(1)
[0047] <Xj(i),x2 (i),x3 (i),x4 (i),x5 (i),x6 (i),x7 (i),x8 (i),y(i) > ；
[0048] ...；
[0049] <Xj(n),x2 (n),x3 (n),x4 (n),x5 (n),x6 (n),x7 (n),x8 (n),y(n) >}
[0050] 令x(i) = [XiQhxJihxsQhxJihxsQhxeQhxJihxsQ)]表示式（1)中任 意一组混凝土配比成分实验数据；
[0051] 步骤2、利用步骤1获得的n组实验样本数据，以式（2)表示的最小化相对误差为 优化目标，分别对混合模型中的极限学习机、人工神经网路和支持向量机进行训练，优化目 标如下：
[0052]
[0053] 式⑵中，yk⑴（k= 1~3)分别为极限学习机、人工神经网路和支持向量机在 x(i)的拟合值；
[0054] 在训练过程中，利用常规成熟优化算法，如BFGS、遗传算法、粒子群算法即可获得 各个模型中的最佳参数，训练完成后，可建立x(i) -y(i)的3个映射关系，即3个混凝 土强度预测模型，分别表示为fk(x) =fkUpx2,x3,x4,x5,x6,x7,x8)(k= 1~3)，这里x= [Xpx2,x3,x4,x5,x6,x7,x8]，同时，对于式⑴中任意一组实验数据{x⑴，y⑴}，可以得到对 应的极限学习机、人工神经网路和支持向量机拟合值，分别为yk(i) =fk(x(i))(k= 1~ 3)；
[0055] 步骤3、将新的不同混凝土配比成分，X=<11，七，<，14，15，1 6，1：7，18^带入上述三个 预测模型fk(x) =fkUi,x2,x3,x4,x5,x6,x7,x8)(k= 1~3)中，得到对应的预测结果，即： (k= 1 ~3);
[0056] 步骤4、基于自适应决策函数，计算出对应的混凝土强度预测值：
[0057] /C = l
[0058] 其中ak(k=l~3)为响应权重，
这里为Ak为拟合误差 y(i)-yk(i)Ia=1~n)在f位置附近区域的总误差，具体计算方法如下：
[0059]
[0060] 这里d(i)表示任意一组混凝土配比成分实验数据x(i)与新的不同混凝土配比 成分X#在笛卡尔空间坐标系内直线距离的平方，Ak的表达式意味着在在笛卡尔空间坐标 系内实验数据点X(i)距离点越远，即d越大，则各个点的拟合误差|y(i)-yk(i)|对f 位置附近区域总误差Ak的贡献越小，换言之，与点x#越近的实验数据点x(i)，其拟合误差 y(i)-yk(i)l对f位置附近区域总误差A k的贡献越大，假设实验数据点{x(j)，y(j)}(j =1~M)在点x*附近区域。客观上，实验数据点{x (j)，y (j)} (j = 1~M)对点x *预测值 乂的影响很大，因此实验数据点x(j)的拟合误差对点预测值i误差的影响也很大。因 此，式（3)和（4)符合这一客观实际。
[0061] 步骤5、利用在现场按照标准混凝土强度检测方法实测得到的混凝土强度值y(j) 对预测得到的混凝土强度值太（j)进行检验，以验证其预测精度。
[0062] 重复步骤（3)~（5)，共计进行10组新的不同混凝土配比成分的预测及其强度试 验值，如图2所示，相对误差1~4分别为极限学习机、人工神经网路、支持向量机和本发 明混合模型预测误差结果。上述四种方法平均预测的相对误差为17. 2%、18. 2%、17. 1%、 14. 6%。很显然，本发明混合模型的预测效果较其他三种方法好。
[0063] 本发明的重点在于：
[0064] (1)所采用混合模型分别包括极限学习机、人工神经网路和支持向量机，通过构建 基于自适应权重的决策函数，可以有效实现综合三种建模方法的优点，同时又可以弥补其 各自不足带来的影响，提高了混合模型实际工程应用的鲁棒性。
[0065] (2)该混合模型包含了基于自适应权重的决策函数，有效从上述三种建模模型的 预测结果中获得自适应的预测值，有利于对上述三种建模方法的优缺点扬长避短。
[0066] (3)该混合模型中，其决策函数采用的响应权重以实验样本点在预测点位置附近 区域的总误差为考虑因素，符合距离预测点越近的实验样本点，对预测点预测值及其预测 误差影响大，这一客观实际。
[0067] (4)在训练极限学习机、人工神经网路和支持向量机时，均采用最小化预测输出的 相对误差为优化目标，有利于在多输入单输出系统中，克服输出较小的属性误差特别大这 一缺点。
[0068] 以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围作任何限制，故 凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属 于本发明技术方案的范围内。
【主权项】
1. 一种基于混合模型的混凝土强度预测方法，其特征在于包括如下步骤： 步骤1、在现场按照标准混凝土强度检测方法对n组不同水泥Xl、高炉矿渣粉x2、粉煤 灰x3、水x4、减水剂x5、粗集料&和细集料x7、养护龄期x8混泥土组分配比信息下进行强度 实验，获得混凝土的强度y，其实验样本数据如下： Kxjd),x2(l),x3(l),x4(l),x5(l),x6(l),x7(l),x8(l),y(l)> ； <Xj(2),x2 (2),x3 (2),x4 (2),x5 (2),x6 (2),x7 (2),x8 (2),y(2) > ； ...;i= 1，2，…，n (1) <Xj(i),x2 (i),x3 (i),x4 (i),x5 (i),x6 (i),x7 (i),x8 (i),y(i) > ； ? ? ? ? ， <Xj(n),x2 (n),x3 (n),x4 (n),x5 (n),x6 (n),x7 (n),x8 (n),y(n) >} 令x(i) = [XiQhxJihxsQhxJihxsQhxeQhxJihxsQ)]表示式⑴中任意一 组混凝土配比成分实验数据； 步骤2、利用步骤1获得的n组实验样本数据，以式（2)表示的最小化相对误差为优化 目标，分别对混合模型中的极限学习机、人工神经网路和支持向量机进行训练，优化目标如 下：式（2)中，yk(i)(k= 1~3)分别为极限学习机、人工神经网路和支持向量机在x(i) 的拟合值； 在训练过程中，利用常规成熟优化算法即可获得各个模型中的最佳参数，训练完成后， 可建立x(i) -y(i)的3个映射关系，即3个混凝土强度预测模型，分别表示为fk(x)= ^(xj,x2,x3,x4,Xg,x6,x7,x8)(k- 1 ~3)，这里x- [x"x2,x3,x4,x5,x6,x7,x8]，同时，对于式 (1)中任意一组实验数据lx(i)，y(i)}，可以得到对应的极限学习机、人工神经网路和支持 向量机拟合值，分别为yk(i) =fk(x(i))(k= 1~3); 步骤3、将新的不同混凝土配比成分，x"* = (.<，x:二>带入上述三个预 测模型fk (x) =fk(Xpx2,x3,x4,x5,x6,x7,x8)(k= 1~3)中，得到对应的预测结果，即： V： (k=r3>; 步骤4、基于自适应决策函数，计算出对应的混凝土强度预测值：其中ak(k= 1~3)为响应权重，这里为Ak为拟合误差 y(i)-yk(i)I(i= 1~n)在f位置附近区域的总误差，具体计算方法如下：d(i)表示任意一组混凝土配比成分实验数据x(i)与新的不同混凝土配比成分f在笛 卡尔空间坐标系内直线距离的平方，Ak的表达式意味着在在笛卡尔空间坐标系内实验数 据点x(i)距离点x#越远，S卩d越大，则各个点的拟合误差|y(i)-yk(i) |对f位置附近区域 总误差Ak的贡献越小，换言之，与点越近的实验数据点x(i)，其拟合误差|y(i)-yk(i) 对f位置附近区域总误差Ak的贡献越大； 步骤5、利用在现场按照标准混凝土强度检测方法实测得到的混凝土强度值y(j)对预 测得到的混凝土强度值太（j)进行检验，以验证其预测精度。
【专利摘要】本发明一种基于混合模型的混凝土强度预测方法，先在现场按照标准混凝土强度检测方法对不同混凝土配比进行强度实验，获得多组“水泥x1、高炉矿渣粉x2、粉煤灰x3、水x4、减水剂x5、粗集料x6和细集料x7、养护龄期x8混泥土组分配比信息-混凝土强度y”的学习样本，并对混合模型中的极限学习机、人工神经网路和支持向量机进行训练，通过以最小化相对误差为优化目标确定最佳的极限学习机、人工神经网路和支持向量机，在此基础上，基于自适应权重的决策函数可根据三种建模方法的预测值，确定最佳的混凝土预测强度y，用于判断该混凝土组分输入信息是否达到工程设计要求；本发明对三种建模方法的优缺点扬长避短，综合预测效果更好，从而提高对不同实际工况的适应性，即鲁棒性，这对于混凝土快速配合比设计和质量控制具有重要意义。
【IPC分类】G01N33/38
【公开号】CN104991051
【申请号】CN201510372029
【发明人】赖雄鸣, 苏健航, 王成, 黄河, 张勇, 缑锦, 言兰
【申请人】华侨大学
【公开日】2015年10月21日
【申请日】2015年6月30日