本发明属于混凝土极限抗压强度预测，更具体地，涉及一种基于ctgan的预测混凝土极限抗压强度的方法。
背景技术：
1、近年来，工业固废的有效利用已成为一个热点问题。在混凝土材料中加入高炉矿渣、粉煤灰等工业废弃物，不仅可以提高工作性能，还可以显着降低碳排放，促进土木工程领域的绿色发展。例如，高性能混凝土(hpc)会添加辅助胶凝材料，如粉煤灰、渣和化学外加剂。
2、如今，在实际工程中因为混凝土强度不足而导致结构破坏的事件屡屡发生，混凝土作为一种广泛应用的建筑材料，其结构强度问题越来越受到国内外的广泛关注。混凝土材料在刚性路面的施工中起着重要作用。强度高、稳定性好、耐久性好一直是水泥路面的优点，因此相应的材料性能对于路面的使用寿命和使用质量非常关键。
3、目前国内外许多专家都对混凝土的材料设计进行了相关研究，但传统的材料设计主要是基于室内实验室的，由于测量数据的随机性、系统误差等因素的影响，混凝土的渗透规律具有许多不确定性，采用一般的统计方法，试验观测数据的离散性较大，往往会造成分析结果失真，并且传统的实验方法往往是一项长期而复杂的过程，实验周期长，工作量巨大，研究效率比较低。
4、随着人工智能的不断发展，一些专家也开始将目光转向人工智能领域，基于深度学习的混凝土结构性能评价研究也得到了广泛的应用。采用简单的机器学习、bp神经网络等智能预测模型，虽然有效地解决了研究中出现的一些复杂问题，减小了误差，提高了研究效率，但是由于工程领域数据量普遍较少，易陷入过拟合等固有缺陷，可能会导致不恰当和不可靠的预测结果。此外，对更深层次关系的研究需要大量数据的支持。然而，在混凝土材料试验过程中，由于耗费大量的人力和时间，很难收集到足够的数据，现有技术中扩充原始小型试验数据集的精度有待进一步提高。
5、基于上述缺陷和不足，本领域亟需提出一种新的预测混凝土极限抗压强度的方法，能够对小型实验数据集进行有效扩充，并以此对混凝土极限抗压强度进行精准预测。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本发明提供了一种基于ctgan的预测混凝土极限抗压强度的方法。在有限的实验数据基础上，利用ctgan模型对原始数据集筛选后的特征进行数据增强，以提高预测精度，得到更贴近实际的预测结果，用以解决实际工程中对含工业废料混凝土的抗压强度进行预测的问题。
2、为实现上述目的，本发明的技术方案是：
3、一种基于ctgan的预测混凝土极限抗压强度的方法，其特征在于，包括以下步骤：
4、s1：获取工业废料混凝土原始数据集，计算原始数据集中水用量与水泥用量、高炉矿渣用量和粉煤灰用量之和的比例，同时计算粗骨料用量和细骨料用量之和与水泥用量、高炉矿渣用量和粉煤灰用量之和的比例，找到上述两种比例在原始数据集中的最大值和最小值；
5、将两种比例限制在各自的最大值和最小值中进行取值，形成两种限制条件；
6、s2对原始数据集中的各个特征进行相关性分析，保留相关性系数不大于0.5的特征，重新组合获得筛选数据集；将筛选数据集划分为训练集和测试集，所述筛选数据集的训练集作为ctgan模型的输入，训练ctgan模型学习筛选数据集的数据分布以及各配料与混凝土极限抗压强度之间的相关性，生成虚拟的混凝土配合比数据，所生成虚拟的混凝土配合比数据满足步骤s1中的两种限制条件，输出虚拟数据集；
7、s3构建一维残差卷积模型并利用虚拟数据集训练，获得最终的一维残差卷积模型用于预测混凝土极限抗压强度；
8、所述一维残差卷积模型包括4个卷积层，每个卷积层后设置有批量归一化层和relu激活函数；一维残差卷积模型的输入是一个一维张量，经过四次卷积、批量归一化和relu激活函数的处理，输出一个三维张量；将第一个卷积层后面的relu激活函数的输出连接残差模块，所述残差模块包括依次串联的残差层、bn层和relu函数，残差模块的输出和三维张量一起输入到三个串联的全连接层fc中，前两个全连接层fc后均连接一个批量归一化层和relu激活函数，最后一个全连接层fc的输出为一维残差卷积模型的输出。
9、所述ctgan模型包括生成器和判别器，生成器中包括三层依次串联的异或层xor，每个异或层xor连接一个卷积层conv、bn层和relu激活函数后连接到下一个异或层xor的输入，最后一个异或层xor经卷积层conv、bn层和relu激活函数处理后连接全连接层fc，全连接层fc的输出分别经tanh激活函数和gumbel激活函数处理后输出虚拟样本；第一个异或层xor的输入为随机噪声；
10、所述判别器包括两个卷积层conv，第一个卷积层conv的输出经leaky激活函数和drop层处理后连接第二个卷积层conv，第二个卷积层conv的输出经leaky激活函数和drop层处理后连接一个全连接层fc，全连接层fc输出虚拟样本的得分score给到生成器中；第一个卷积层conv的输入为生成器输出的虚拟样本和筛选数据集中的样本。
11、所述步骤s2具体包括以下步骤：
12、s21根据筛选数据集的特征，在ctgan模型中添加配料之间的步骤s1中的两种限制条件，并调整ctgan模型的超参数，所述ctgan模型中的卷积层conv均为一维卷积层；
13、s22ctgan模型中的生成器对筛选数据集中的样本添加随机噪声，生成虚拟样本给ctgan模型中的判别器，判别器给出虚拟样本的得分反馈给生成器；
14、s23限制ctgan生成的各虚拟样本的特征均为正值，同时，调用sdv库中的create_cus tom_constraint模块创建自定义限制constraints参数，ctgan模型生成虚拟数据之后，进行筛选，排除不符合所述两种限制条件的虚拟样本，保留符合要求的虚拟样本，使生成的虚拟样本更加符合筛选数据集的数据范围；
15、s24重复步骤s22-s23训练生成器和判别器，直至判别器分辨不出样本的真假，得到学习到筛选数据集的数据分布以及各配料与混凝土极限抗压强度之间的相关性的ctgan模型；
16、s25保存步骤s24得到的ctgan模型，生成40000-60000个虚拟样本，组成虚拟数据集。
17、所述两种限制条件的表达式为：
18、
19、
20、其中，water为水用量，cement为水泥用量，slag为高炉矿渣用量，flyash为粉煤灰用量，coarseaggregate为粗骨料用量，fineaggregate为细骨料用量。
21、所述步骤s3具体包含以下步骤：
22、s31将影响混凝土极限抗压强度的原材料和配合比因素作为一维残差卷积模型的输入，极限抗压强度作为输出；
23、s32使用一维残差卷积模型对极限抗压强度进行预测，训练模型时的损失器采用均方误差回归损失函数，优化器采用adam，学习率设置为lr＝0.000001，迭代次数epochs＝5000；
24、s33在测试一维残差卷积模型时采用平均绝对误差和相关系数两个评价指标对一维残差卷积模型的预测结果进行评估；
25、所述平均绝对误差mae表达式为：
26、
27、所述相关系数r2表达式为：
28、
29、其中n为样本数，y为样本数据真实值，为所有样本数据真实值的平均值，为样本数据预测值。
30、作为进一步优选的，在训练ctgan模型之前，先对原始数据集中的混凝土极限抗压强度指标体系中的各个因素进行数据分析，包括各变量之间的pearson相关性分析，各变量间的弱相关性有助于预测模型捕捉到更多的信息和特征，因此选择相关性系数不大于0.5的特征进行保留，组成筛选数据集。
31、总体而言，通过本发明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：
32、1.本发明的ctgan模型的一定程度上提升模型捕捉原始数据集中更深层次的内在特征的能力，使得虚拟样本更加可靠。相对于传统的gan和ctgan模型，基于一维卷积网络的ctgan模型能够更加准确地学习到原始数据的分布和各个特征之间的相关性，从而生成更加可靠的虚拟样本数据。
33、2.本发明的基于一维卷积网络的ctgan模型训练过程中，引入sdv库中的create_custo m_constraint模块创建自定义限制，使生成的虚拟数据更加符合原有数据集的数据范围。
34、3.本发明采用的一维残差卷积模型通过残差模块在不同卷积层之间传递信息，提高了模型的表达能力和准确性；相对传统机器学习模型能学习到数据的各个特征之间更深层次的关系，同时能够有效地加速模型的训练和收敛速度，并且在训练过程中对于过拟合的抑制效果非常明显。
35、4.本发明的方法具有较强的可扩展性，可以应用于其他材料的性能预测和优化设计中。
36、5.本发明的方法可以快速、准确地预测混凝土极限抗压强度，提高工程设计的效率和准确性。