一种基于机器学习的砂浆流变特性预测方法与流程

本发明属于桥梁施工领域，尤其涉及一种基于机器学习的砂浆流变特性预测方法。

背景技术：

1、随着复杂地质条件下建造的大型桥梁不断增多，需要使用具有更大承载能力的超大直径和超大桩长的钻孔灌注桩基础。这导致灌注混凝土的方量、时间和质量控制难度都远超常规尺寸灌注桩基础，对混凝土的施工性能提出了更高要求。在桩基础灌注过程中，混凝土必须同时具备良好的流动性和足够的抗离析性，以防止灌注桩出现断桩等质量问题。因此，研究混凝土的流变特性随时间的变化成为确保大直径钻孔灌注桩混凝土施工性能的重要任务。

2、混凝土的流变特性取决于砂浆级配、混合料尺寸和温度等诸多因素。在适当的条件下，可以通过砂浆的流变性能来反映混凝土的流变特性。随着环保意识的增强，天然河砂的使用逐渐减少，机制砂在工程中的应用越来越广泛，因此有必要对使用机制砂配制的混凝土的流变性进行研究。

3、砂浆的流变特性非常复杂，它受到微观结构、水泥水化、自由水含量、温度以及混合物之间的相互作用的影响而变化。机器学习(machine learning，ml)作为一种现代数据处理的方法，能够从提供的数据中自动归纳出逻辑或规则，并根据这些归纳结果对新数据进行预测或分类。如公开号为cn110569920a的中国专利文献公开了一种多任务机器学习的预测方法；公开号为cn108304941a的中国专利文献公开了一种基于机器学习的故障预测方法。

4、机器学习的方法擅长理解复杂材料属性之间的关系，为复杂材料特性建模提供了可行且优越的替代传统统计方法的途径。因此，需要一种采用机器学习整合砂浆的数据信息进行建模的方法，预测其屈服应力与塑性粘度。

技术实现思路

1、本发明提供了一种基于机器学习的砂浆流变特性预测方法，能在没有实验器材的情况下，通过砂浆的配比预测其流变性能的方法。

2、一种基于机器学习的砂浆流变特性预测方法，包括以下步骤：

3、(1)根据砂浆流变性能的影响因素，选取影响砂浆的10个特征变量：砂浆的水泥含量、机制砂含量、粉煤灰含量、矿渣含量、减水剂含量、水含量、砂浆混合后时间、水灰比、骨胶比以及水胶比；以不同配合比配制相应的砂浆，并检测其屈服应力和塑性粘度值作为检测数据，得到最初始数据集；

4、(2)以不同配合比砂浆流变性能的检测数据和影响砂浆流变特性的10个特征变量作为基础，对数据进行特征选择，通过主成分分析pca进行数据降维，得到6维的数据集；

5、(3)采用粒子集群算法pso对支持向量回归svr模型中的惩罚因子进行寻优，建立pso-svr模型，并用6维的数据集训练pso-svr模型，构建出用于预测砂浆流变性能的pso-svr模型；

6、(4)将待测的砂浆样品的10个特征变量作为输入，将pso-svr输出的对应砂浆的屈服应力和塑性粘度值作为砂浆流变性能的预测结果。

7、进一步地，步骤(1)中，使用流变仪采集砂浆的流变特性参数，通过宾汉姆方程得到砂浆的屈服应力与塑性粘度，宾汉姆方程公式具体如下：

8、τ＝τ0+ηγ

9、式中：τ为剪切应力，τ0(pa)为屈服应力；η(pa·s)为塑性粘度；γ(1/s)为剪切速率。

10、步骤(1)中，对初始数据集按8：2随机划分训练集和测试集，并对训练集和测试集进行标准化处理，用以消除量纲的影响，突出变量之间的差异。

11、步骤(2)中，对每一个特征变量进行去中心化，即选取所有特征并分别减去其特征的平均值；再求出该数据维度(10维)的协方差矩阵，通过该协方差矩阵特征值的大小对数据集重新排布，最后得到6维的数据集。

12、步骤(3)中，采用粒子集群算法pso对支持向量回归svr模型中的惩罚因子进行寻优之前，首先，初始化svr模型的惩罚参数、核函数带宽；使用svr模型对样本空间进行超平面划分，将样本

13、d＝{(x1,y1),(x2,y2),...,(xm,γm)},yi∈r从原始空间映射到另一个更高维的特征空间，使样本在该空间中线性可分，线性方程如下：

14、f(x)＝wtφ(x)+b

15、其中，w＝(w1；w2；…；wd)为法向量，决定超平面的方向；φ(x)表示为x映射后的特征向量；b为位移项，决定超平面与远点之间的距离；

16、然后，将回归问题转化为求解最小值优化问题：

17、

18、其中，c为惩罚参数，lε为不敏感损失函数，使得在最大化间隔的同时，不满足约束的样本最少，其方程表达式如下：

19、

20、其中，ε为偏差，z为函数值。

21、由于特征空间维数较高，为减少计算量，引入高斯核函数，从而实现非线性数据样本的回归分析：

22、

23、其中，xi,xj为低维输入空间的特征向量，k(xi,xj)为两个特征向量经非线性映射到高维空间后的内积，g为核函数带宽。

24、采用粒子集群算法pso对支持向量回归svr模型中的惩罚因子进行寻优时，具体过程为：

25、初始化粒子群算法中粒子的位置和速度，评估个体与全局最优位置找到最优解；不断迭代，更新粒子的位置和速度，通过比较当前位置与个体最优位置的适应度来更新个体最优位置；其具体计算公式如下：

26、vi＝ω*vi+c1r1(pbest-wi)+c2r2(gbest-wi)

27、其中，vi为粒子的速度，ω为惯性权重，wi为粒子的当前位置，c1、c2为学习因子，r1、r2为(1,2)之间的随机数，pbest为单次搜索得到的最优位置,gbest为全局搜索得到的最优位置；

28、位置计算公式如下：

29、wi＝wi+vi

30、最终得到对应的最优惩罚参数和核函数带宽。

31、训练pso-svr模型时，将获得的最优惩罚参数和核函数带宽带入到svr模型进行预测，采用k折交叉验证法作为砂浆流变性能预测结果的验证对策，使用决定系数r2和平均绝对百分比误差mape两个指标检验svr模型性能，具体计算公式如下：

32、

33、

34、式中，n是数据样本的数量，ya,i和yp,i表示第i个数据样本的实际和预测输出。

35、与现有技术相比，本发明具有以下有益效果：

36、1、对施工企业来说，需要进行大量的配合比实验才能获得符合流变性能要求的砂浆，这将耗费大量时间和成本，普通企业也不具备相应的实验条件；传统的统计方法是建立非线性方程来预测砂浆的流变性能，但由于变量较多，尤其时间、温度以及减水剂等因素的影响较大，很难快速准确的获得砂浆的流变性能。而本发明通过pso-svr模型可以快速、简单的获得砂浆流变数据，在保证预测准确性的前提下，大幅节省实验成本。

37、2、本发明从多个维度对砂浆流变性能进行建模，并基于数据挖掘技术分析砂浆在时间变化下的流变规律，pso-svr模型可以准确的预测砂浆的流变性能，其准确率超过了95％，为砂浆及混凝土工作性能的准确预测提供了数据基础，具有良好的社会效益和经济效益。