一种基于机器学习的混凝土配合比智能化设计方法与流程

marquardt作为训练算法。
8.优选地，步骤1.2）中用mapminmax函数和apply指令对数据进行归一化处理。
9.优选地，基于混凝土配合比中各原材料的价格，计算出符合要求的所有混凝土配合比单位体积成本，将单位体积成本最低的混凝土配合比作为设计结果。
10.优选地，步骤2）希望的混凝土性能参数采用m语言设计并利用归一化结构函数对其进行归一化处理，步骤3）模型输出的混凝土配合比再进行反归一化处理，作为最终混凝土配合比输出结果。
11.所述混凝土配合比包括由水泥、掺合料、细集料、粗集料、外加剂和水中的其中几种或者全部形成的混凝土配合比。
12.具体地，所述掺合料包括粉煤灰、矿渣粉、硅灰、石灰石粉、微珠中的一种或者几种；所述细集料包括机制砂、天然砂中的一种或者两种；所述外加剂包括减水剂、引气剂、缓凝剂、保坍剂、促凝剂、膨胀剂中的一种或者几种。
13.与现有技术相比，本发明具有以下有益效果：本发明基于混凝土配合比智能化设计模型，可以根据期望的产品性能要求（如强度和流动性）快速获得满足设计要求且成本较优的混凝土配合比方案。基于matlab软件的app设计工具开发了相应的混凝土智能化设计app，与传统的设计方法相比，不但大大节省了实验所需时间，而且得到的混凝土产品经济性也更优。
14.本发明混凝土配合比智能化设计方法是计算机广泛应用、社会大力推广智能化和数字化技术的背景下，适应新时代的混凝土配合比设计方法之一，具有良好的应用前景。
附图说明
15.图1为本发明混凝土配合比智能化设计流程图。
16.图2为本发明机器学习训练阶段模型参数变化示意图。
17.图3为本发明训练集、验证集、测试集和总体的均方误差随训练次数的变化示意图。
18.图4为本发明混凝土配合比优化设计结果示意图。
19.图5为本发明app打开界面图。
20.图6为本发明输入目标及原料价格后的设计界面图。
21.图7为本发明实施例得到的混凝土配合比的散点图。其中x1表示水泥用量，x2表示粉煤灰用量，x3表示矿渣粉用量，x4表示机制砂用量，x5表示粗集料用量，x6表示减水剂用量，x7表示用水量。
具体实施方式
22.为详细说明本发明的技术内容、所实现目的及效果，下面结合附图和具体实施方式对本发明作进一步详细说明。
23.本发明一种基于机器学习的混凝土配合比智能化设计方法，具体步骤如下，同时参见图1：1）通过机器学习建立混凝土配合比设计模型，模型的输入为混凝土的性能，输出为满足性能要求的混凝土配合比；
2）通过模型输入设计希望的混凝土性能参数，模型的输出即为所有符合要求的混凝土配合比；3）在步骤2）输出的所有混凝土配合比中选择出需要的混凝土配合比作为设计结果。
24.具体地，步骤1）中混凝土配合比设计模型按如下方法建立，1.1）数据收集：将混凝土企业生产和实验数据收集起来，形成混凝土配合比设计数据库；生产和实验数据包括混凝土配合比及其对应的性能；1.2）数据处理：对数据库中的数据进行整理和清洗，然后用mapminmax函数和apply指令进行归一化处理以减小计算误差，再利用dividerand函数对数据集进行化分，将数据集分成训练集、测试集和验证集，用于机器学习训练；1.3）数据训练：然后以混凝土性能作为输入变量，各个材料用量作为输出变量，利用神经网络模型对数据样本进行训练，从而建立混凝土性能与混凝土各个材料用量的混凝土配合比设计模型。
25.机器学习训练效果见图2、图3。图2表示训练阶段模型性能参数的变化情况：（1）梯度随训练的进行而减小；（2）最小性能梯度mu随训练的进行发生变化；（3）在后期（epoch=130）发生过拟合现象，连续6次过拟合，终止网络训练，过拟合现象在训练中无法避免，默认发生连续6次过拟合则停止训练，可设置过拟合连续的最大次数停止准则。图3表示训练集、验证集、测试集和总体的均方误差随训练次数的变化图像，小圆圈位置代表终止的训练次数处的均方误差。
26.本实施例中，神经网络模型设置双隐含层，第一层神经元数为3-8，第二层神经元数为8-15时精度较佳。利用误差反向传播算法levenberg-marquardt作为训练算法。
27.为对得到的多个混凝土配合比进行优化筛选，本发明还基于混凝土配合比中各原材料的价格，计算出符合要求的所有混凝土配合比对应的单位体积成本，将单位体积成本最低的混凝土配合比作为设计结果。这是因为在输入设计目标参数后，可能有多个混凝土配合比结果满足性能要求，本发明通过价格因素进一步优化，得到成本较优的混凝土配合比。避免了在众多结果中如何选择的问题。
28.本发明采用m语言设计所需要的混凝土强度范围、流动性范围组合，利用归一化结构函数对其进行归一化处理，通过上述训练好的模型智能化设计对应的混凝土配合比，接着利用mapminmax函数和reverse指令进行反归一化，形成智能化设计的混凝土配合比输出值。即通过模型得到了所需性能的混凝土配合比及其对应流动度、强度的数据库。
29.所述混凝土配合比包括但不限于由水泥、掺合料、细集料、粗集料、外加剂和水中的其中几种或者全部形成的混凝土配合比。其中，掺合料包括但不限于粉煤灰、矿渣粉、硅灰、石灰石粉、微珠中的一种或者几种；细集料包括但不限于机制砂、天然砂中的一种或者两种；外加剂包括但不限于减水剂、引气剂、缓凝剂、保坍剂、促凝剂、膨胀剂中的一种或者几种。混凝土的性能包括但不限于混凝土强度和流动性。这取决于训练数据中混凝土配合比的构成和对应的性能指标。
30.本发明将混凝土原材料单价并入数据库，此时可根据设计要求，满足混凝土配制强度、目标流动性的条件下，通过寻优函数，在数据库中优化出成本最低的目标混凝土配合比。图4和表1即为本发明通过智能化设计模型给出的满足坍落度大于180mm，28d抗压强度
满足目标混凝土强度设计要求的混凝土配合比。
31.表1 混凝土配合比优化设计结果
强度等级水泥(kg)粉煤灰(kg)矿粉(kg)机制砂(kg)粗集料(kg)减水剂(kg)水(kg)28d强度(mpa)坍落度(mm)c15220382889111583.1516721.6197c20223424086811593.4616726.6196c25273314187210694.1816631.6230c30293253986310854.5416638.2230c40350345381410815.9016448.2220c5039104392010335.6916359.9226c5543203590610306.2716264.9224
智能化设计方法效果验证：对本发明智能化设计方法输出的混凝土配合比（见表1）进行混凝土试配，测试混凝土拌合物流动性和硬化混凝土28d抗压强度，所得到的验证结果见下表2。
32.表2 配合比优化设计结果验证
强度等级预测28d强度(mpa)预测坍落度(mm)实测28d强度(mpa)实测坍落度(mm)强度误差(mpa)强度相对误差c1521.619723.91982.39.74%c2026.619627.72001.13.86%c2531.623034.41952.88.17%c3038.223035.4188-2.8-7.86%c4048.222046.6224-1.6-3.32%c5059.922655.8239-4.1-7.29%c5564.922462.9215-2.0-3.24%
按照混凝土配合比智能化设计结果中的配合比进行试验，由验证结果可得：预测28d抗压强度和实测相比，能控制在5.0mpa以内，相对误差在10%以内。混凝土配合比智能化设计方法效果理想。按照智能化模型设计的混凝土配合比与现场常用对应强度等级的混凝土配合比比较，c15至c55混凝土单方成本可节约2%至19%。
33.为了使设计方法更加便捷实用，本发明基于matlab软件开发工具，开发了对应的混凝土配合比智能化设计的app，图5为具体实施例的设计界面。通过图5可以看出，只需要在app界面中输入设计目标（如坍落度，28d抗压强度），原材料价格，点击“自动设计”按钮，app即自动输出设计配合比，包括各原材料的用量、胶材用量、水胶比、砂率、单方成本（元/方）。使用简单，输出结果一目了然。图6为本发明输入设计目标及原料价格后的设计结果对应的界面图。
34.图7为本发明实施例得到的混凝土配合比的散点图。其中x1表示水泥用量，x2表示粉煤灰用量，x3表示矿渣粉用量，x4表示机制砂用量，x5表示粗集料用量，x6表示减水剂用量，x7表示用水量。
35.本发明利用机器学习原理，基于matlab软件进行程序设计和代码编写，用设计的程序对采集整理好的混凝土性能（如流动性、强度）及对应的混凝土配合比数据进行训练学习，建立起混凝土性能与混凝土配合比的非线性关系模型。基于此关系模型对混凝土按照性能组合进行对应的配合比设计，例如将坍落度140mm-240mm，28d抗压强度 10.0-70.0mpa范围内的所有流动性、强度性能组合利用此关系模型设计出对应的配合比。最后再根据使用的具体材料价格计算混凝土配合比方案的成本，即可形成一个包含混凝土配合比方案及其流动性、抗压强度的数据库。再通过寻优函数在数据库中找出满足其设计流动性、强度且成本最优的混凝土配合比。即通过机器学习、利用大数据作为支撑，实现了混凝土配合比智
能化设计。
36.最后需要说明的是，本发明的上述实施例仅是为说明本发明所作的举例，而并非是对本发明实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。