一种海洋环境下混凝土强度劣化预测评价方法与流程

本发明涉及一种混凝土强度预测方法，具体涉及一种海洋环境下混凝土强度预测方法。

背景技术：

随着经济的发展，大量的建筑工程在海洋环境中开展。在海洋环境下，Mg²⁺浓度、SO₄^2-浓度、Cl^-浓度、温度等因素相互之间耦合作用导致混凝土性能劣化，尤其是强度的退化，从而使海洋环境下混凝土建筑物的耐久性成为研究者们关注的问题。而海洋环境下混凝土强度服役状态的预测评价，对于混凝土结构的安全性判定以及建筑物的服役寿命的预测及设计具有重要意义。由于多种因素之间错综复杂，相互耦合以及不可避免的偶然因素，导致预测评价出强度的劣化状态，是非常困难的。

传统的回归统计方法以及半经验半理论推导的方法，得到的结果不是很理想，并且有一定局限性，很难从某一次或者少量的实验数据中得到合理的混凝土性能劣化的规律。因此从大数据分析出发，探索其中的复杂规律势在必行。但是在实际的混凝土服役环境下，能充分考虑服役环境的变化和材料组分变化对混凝土性能的影响，并探究其潜在的显性逻辑关系，是非常困难的。

因此，有必要提出混凝土性能劣化的预测新方法，提取潜在的逻辑推理关系，这对于混凝土设计和以耐久性具有重要意义。

技术实现要素：

发明目的：本发明的目的在于针对现有技术的不足，提供一种海洋环境下混凝土强度劣化预测评价方法，通过处理不同服役条件下、不同时期的劣化数据，并进行分析建模，得到树状IF-THAN决策逻辑规则，最终预测服役混凝土不同年限和服役环境下强度的退化情况。

技术方案：本发明提供了一种海洋环境下混凝土强度劣化预测评价方法，包括以下步骤：

(1)通过实验检测不同配比下混凝土在海洋环境下随龄期强度劣化的数据，并收集已有公开文献中的数据形成数据库；

(2)将获得的运行数据分为训练组和测试组，其中影响混凝土强度的因素作为因素属性集，强度劣化的状态作为劣化结果属性集；

(3)进行决策树建模：

(3.1)将训练组按属性进行划分，计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级，作为决策树的一级中间节点，所对应的劣化状态的属性类别作为一级分支；

(3.2)依次从训练组中取出属性，确定属性的信息增益，直至得到训练组中所有属性的信息增益，对所有属性的信息增益进行排序，信息增益值最大的属性即为特征属性；

(3.3)按照特征属性的类别种类将训练组进行划分，训练群组将已经判定为特征属性的属性去除，并判断剔除的特征属性是否存在使运行类别为劣化状态的类别，如果存在，则劣化状态类别对应的下一节点为叶子节点，该叶子节点中存储劣化的运行类别，并进入步骤(3.4)；若剔除的特征属性不存在劣化状态的类别，则继续寻找其他属性进行分支；

(3.4)在每个新划分的训练群组中计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为r，作为决策树的r级中间节点，其中r＝2，3，4，…N，N为正整数，逐层形成决策树节点；

(3.5)重复步骤(3.3)(3.4)，直至划分的训练群组中只存在最后一个属性，将该属性作为特征属性，特征属性的类别对应的运行类别均存储在下一分支的叶子节点中，决策树构建完成；

(4)按照所述对应属性的属性值选择输出分支，直至到达叶子节点，将叶子节点存放的运行类别作为分析结果输出；

(5)模型性能评估；

(6)采用C4.5算法对建立的决策树减枝。

进一步，属性信息增益确定的方法为：

设S是由属性组成的样本集合，将S划分为c个类C_i(i＝1，2，…，c)，每个类C_i含有的样本数目为n_i，则S划分为c个不同类的信息熵或期望信息：

其中，p_i为S中的样本属于i类C_i的概率，即p_i＝n_i/n，n为S的样本总数；S_V是S中属性Δx的值为V的样本子集，选择Δx导致的信息熵定义为：

其中，E(S_V)是将S_V中的样本划分到各个类的信息熵，属性Δx相对样本集合S的信息增益Gain(S，Δx)定义为：

Gain(S，Δx)＝E(S)-E(S，Δx)

Gain(S，Δx)是指因知道属性Δx的值后导致的熵的期望压缩，Gain(S，Δx)越大，说明选择测试属性Δx对分类提供的信息越多。

进一步，步骤(5)通过将属性值代入决策树，得到劣化的强度数值，并通过平均误差、均方根误差和拟合度检验其精确度。

进一步，步骤(6)使用剔除属性之外的其他属性设置为每一层的叶子节点，通过步骤(5)分析决策树性能，如果误差下降则选择该属性作为新的节点，如果误差没有下降则原有属性无需被代替，依次计算每一个分支节点，得到简化后的决策树。

有益效果：1、与传统的数据拟合公式、理论推导的半经验半理论预测方法相比，适用性更强，并首次使用决策树得到if-then决策树状属性规则，并提出规则优化方法，对混凝土性能劣化进行定量预测。

2、与目前现有的神经网络，支持向量机不同，决策树得到的是数据间的逻辑关系，是一个可见的白盒模型(决策树状图)，而神经网络和支持向量机等模型得到的是黑匣子关系，最终得到的是不同因素和结果之间的非线性映射函数关系。

3、针对复杂混凝土服役环境劣化条件以及最终劣化状态响应，采用ID3算法得到最终的决策树状图，并使用C4.5优化算法对决策树进行减枝，能够明显提高决策树的性能，更好的对海洋服役条件下混凝土强度劣化状态做出预测评价，从而能得到建筑物强度的劣化即时信息，提前对建筑物耐久性破坏造成的危险进行评估。

附图说明

图1实施例中决策树的构建图；

图2(a)(b)为训练集和测试集的实验和预测效果图；

图3(a)(b)为80组训练集和36组测试集相对误差；

图4为C4.5算法减枝后决策树；

图5为116组减枝前后预测效果对比。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例：一种海洋环境下混凝土强度裂化预测评价方法的预测方法，本实施例数据来源于不同实验的116组混凝土实验室人工模拟混凝土强度劣化的数据，具体操作如下：

(1)通过实验检测不同配比下混凝土随龄期强度劣化的数据，并收集已有公开文献中的数据形成数据库。

(2)将获得的运行数据分为(80)训练组和(36)测试组，将各训练组按属性进行划分，其中影响混凝土强度的因素作为因素属性集，在表1所示的训练样例中，训练组分为8个属性：放入海水时的强度(Δx₁)，粉煤灰参量(Δx₂)，矿渣参量(Δx₃)，氯离子浓度(Δx₄)，镁离子浓度(Δx₅)，硫酸根浓度(Δx₆)，时间(Δx₇)，温度(Δx₈)。强度劣化的状态作为劣化结果属性集，本实施例抗压强度f作为输出参数形成劣化结果属性集。

(3)由于期望信息越小，信息增益越大，从而纯度越高。所以构建决策树的核心思想就是选择分裂后信息增益最大的属性作为特征属性，再进行下一步分裂。其中，核心部分就是计算每个属性的信息增益，根据信息增益获得特征属性，具体操作步骤如下：

(3.1)将训练组按属性进行划分，计算每个属性的信息增益，选择信息增益值最大的属性Δx作为特征属性，并设置优先级，作为决策树的中间节点，所对应的劣化状态的属性类别作为一级分支。信息增益计算如下所示：

设S是由8个输入属性组成的样本集合，将样本集划分为10个不同的类C_i(i＝1，2，…，10)，每个类C_i含有的样本数目为8，则S划分为10个不同类的信息熵或期望信息为：

其中，p_i为S中的样本属于i类C_i的概率，即p_i＝n_i/n；S_V是S中属性Δx的值为V的样本子集，选择Δx导致的信息熵定义为：

其中，E(S_V)是将S_V中的样本划分到各个类的信息熵，属性Δx相对样本集合S的信息增益Gain(S，Δx)定义为：

Gain(S，Δx)＝E(S)-E(S，Δx)

Gain(S，Δx)是指因知道属性Δx的值后导致的熵的期望压缩，Gain(S，Δx)越大，说明选择测试属性Δx对分类提供的信息越多。该步骤ID3算法就是在每个节点选择信息增益(S，Δx)最大的属性作为测试属性。

(3.2)依次从训练组中取出属性，重复步骤(3.1)，直至得到训练元组中所有属性的信息增益，对所有属性的信息增益进行排序，息增益值最大的属性即为特征属性。经过计算，在表1所示的训练样本中，训练组中8个属性的信息增益中第Δx₇个属性镁离子的信息增益最大，设为第一层分支节点，如图1第一层节点所示。

表1混凝土强度劣化的部分数据及条件

(3.3)按照特征属性的类别种类将训练组进行划分，训练群组将Δx₇剔除，并判断剔除的特征属性是存在使运行类别为劣化状态的类别，则劣化状态类别对应的下一节点为叶子节点，叶子节点中存储劣化状态的运行类别，转向步骤(3.4)。

(3.4)在每个新划分的训练群组中计算每个属性的信息增益，选择信息增益值最大的属性作为特征属性，并设置优先级为r，作为决策树的r级中间节点，其中r＝2，3，4，…N，N为正整数，逐层形成决策树节点；

(3.5)重复步骤(3.3)(3.4)直至新划分的训练群组中只存在一个属性，将该属性作为特征属性，这个特征属性的类别对应的运行类别均存储在下一分支的叶子节点中，决策树构建完成，如图1所示。

(4)按照所述对应属性的属性值选择输出分支，直至到达叶子节点，将叶子节点存放的运行类别作为分析结果输出，例如图1中，每一个分支的终止就是运行的结果。

(5)评价模型性能

将80组训练集和36组测试集的8个属性值Δx，分别带入(3)中的决策树，得到劣化的强度数值，并通过公式a，b，c检验其精确度。

a.平均误差

b.均方根误差

c.拟合度

式中y为8个属性对应的实验测量值，y_i为输入8个属性值后得到的预测强度劣化值。

(6)由于训练样本太少或数据中存在噪音和孤立点，许多分枝反映的是训练样本集中的异常现象，建立的决策树会过度拟合训练样本集。剪枝方法可以减少训练样本集中噪音的影响，剪枝的时机选择是很关键的。本专利采用C4.5算法，最小分度值为5，即扩展的叶子结点为每5个数据的汇总。

由训练集得到的决策树模型，减枝的主要过程为：使用剔除属性之外的其他属性设置为每一层的叶子节点，通过(4)中的公式分析决策树性能，如果误差下降就选择新的属性作为节点，分别使用其他属性，例如放入海水初始强度(Δx₁)，粉煤灰参量(Δx₂)，矿渣参量(Δx₃)，氯离子浓度(Δx₄)，硫酸根浓度(Δx₆)，时间(Δx₇)，温度(Δx₈)代替镁离子浓度(Δx₅)，作为第一级分支，误差没有下降，则不能代替，依次计算每一个分支节点，得到简化后的决策树，如图4所示。减枝后的决策树预测性能通过图5可以看出。

本实施例实验操作时使用不同配合比的混凝土试件，不同海域的海水浓度对混凝土进行侵蚀试验，通过上文中的提到的建模方式，建立模型生成决策树，得到if-than逻辑决策关系，从而对混凝土的性能劣化做出预测。通过对训练集进行训练，得到图1的决策树，然后检验决策树的性能如图2和3所示，训练集和测试集平均相对偏差为7.64％和13.12％，其性能满足工程需求。采用C4.5减枝算法得到减枝后的决策树如图4所示，此方法将ID3的模型简化并且还能提高预测精度，如图5。其中116组数据中ID3平均相对误差为9.22％，减枝后平均相对误差为7.85％。