一种钢拱桥钢混连接过渡面的强度预测方法及相关产品与流程

本发明涉及桥梁建筑分析，具体涉及一种钢拱桥钢混连接过渡面的强度预测方法及相关产品。

背景技术：

1、在现代桥梁工程建设中，钢拱桥由于其良好的力学性能、美观的外观以及适应性强等优点，被广泛应用。钢拱桥中的钢混连接过渡面是桥梁结构中的关键部分，其强度和稳定性直接关系到桥梁的安全与耐久性。然而，钢混连接过渡面的强度受多种因素影响，如混凝土的组成成分、浇筑过程参数、钢筋的强度等。传统的强度预测方法往往依赖于经验公式或有限的实验数据，这限制了预测的准确性和适用范围。

技术实现思路

1、本发明为了解决上述技术问题，目的在于提供一种钢拱桥钢混连接过渡面的强度预测方法及相关产品，实现了利用先进的数据分析技术，结合混凝土和钢筋的物理特性，预测钢拱桥在不同条件下的强度表现，从而在钢结构和混凝土工程领域发挥重要作用。

2、本发明通过下述技术方案实现：

3、一种钢拱桥钢混连接过渡面的强度预测方法，包括：

4、制备多个混凝土样本，并获取混凝土样本的组成成分数据和混凝土强度，构建第一训练样本集；

5、构建基于遗传算法和bp神经网络的混凝土强度预测模型，并通过第一训练样本集对混凝土强度预测模型进行训练；

6、获得训练后的混凝土强度预测模型；

7、制备多个钢混连接过渡面样本，并获取制备过程中的浇筑过程参数、钢筋强度、混凝土强度和钢混连接过渡面强度，构建第二训练样本集；

8、构建基于梯度提升决策树算法的钢混强度预测模型，并通过第二训练样本集对钢混强度预测模型进行训练；

9、获得训练后的钢混强度预测模型；

10、将待预测的钢混连接过渡面的混凝土组成成分数据输入至混凝土强度预测模型，获得预测的混凝土强度；

11、将待预测的钢混连接过渡面的浇筑过程参数、钢筋强度以及预测的混凝土强度输入至钢混强度预测模型，获得预测的钢混连接过渡面强度。

12、具体地，构建第一训练样本集时，将组成成分数据作为输入数据，将混凝土强度作为输出数据；

13、构建第二训练样本集时，将浇筑过程参数、钢筋强度和混凝土强度作为输入数据，将钢混连接过渡面强度作为输出数据。

14、具体地，获得训练后的混凝土强度预测模型的方法包括：

15、建立神经模型，其中，为激活函数，为控制作用的偏置系数的输入加权和，，为第个组成成分，为组成成分数据的数量，为的权值；

16、确定bp神经网络的拓扑结构，包括输入层、隐藏层和输出层；并初始化bp神经网络的阈值与权值；

17、随机生成遗传算法的初始种群，种群中的每个个体代表bp神经网络的一组阈值和权值；

18、使用种群中每个个体表示的权值和阈值在bp神经网络中向前传播，并计算预测输出值；并计算获得网络训练误差；

19、将bp神经网络的网络训练误差作为适应度，建立第个个体适应度函数，，其中，为适应度系数，为目标输出值，为预测输出值；

20、利用轮盘赌选择法从种群中选择两个个体，并按照设定交叉概率进行交叉；

21、利用随机选择法从种群中选择一个个体，并按照设定变异概率变异；

22、计算新生成的个体的适应度，并判断是否满足终止条件，若不满足责重新进行交叉和变异；若满足获取最优的权值与阈值，获得混凝土强度预测模型。

23、可选地，交叉算法为：，其中，和为参与交叉的基因位点的值，为父代基因对子代基因的贡献系数；

24、变异算法为：，，其中，为0~1之间的随机数，为当前迭代，为最大进化代数，为变异基因位点的值，和为基因值的最大可能值和最小可能值，为当前代数的变异强度。

25、具体地，终止条件包括迭代次数达到最大迭代次数、误差达到预定阈值或适应度的改变值小于设定值三者中的一个。

26、具体地，获得训练后的钢混强度预测模型的方法包括：

27、初始化基学习器，其中，为损失函数，为损失函数最小化常数，为输入特征集，为样本总数，为第个样本的真实值；

28、建立cart回归树，利用梯度提升方法拟合残差，获得第个样本第次迭代的残差估计值，其中，为迭代次数，为第次迭代后的模型的预测值；

29、利用cart回归树进行拟合，得到第棵树的叶节点区域；

30、确定使对应叶节点区域的平方损失函数最小化的最佳拟合值，为针对叶节点区域的调整值，为第次迭代中cart树的叶节点区域的样本点；

31、更新第次迭代后的模型的学习器，其中，为学习率，为第次迭代中cart树的输出，；为指示函数，当样本在叶节点区域时为1，否则为0；

32、重复次迭代，获得最终的强学习器；

33、获得钢混强度预测模型。

34、进一步，在获得训练后的混凝土强度预测模型和钢混强度预测模型后，通过测试集对模型进行评价，计算模型的相关系数，其中，为实际值，为预测值，为实际平均值，为测试集样本数；

35、若相关系数小于设定值，则修正混凝土强度预测模型/钢混强度预测模型的超参数后，对模型重新进行训练。

36、一种钢拱桥钢混连接过渡面的强度预测终端，包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的钢拱桥钢混连接过渡面的强度预测方法。

37、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的钢拱桥钢混连接过渡面的强度预测方法。

38、一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上所述的钢拱桥钢混连接过渡面的强度预测方法。

39、本发明与现有技术相比，具有如下的优点和有益效果：

40、本发明通过集成遗传算法和bp神经网络以及梯度提升决策树算法，实现对混凝土和钢混连接过渡面的强度进行预测，首先构建基于混凝土样本的混凝土强度预测模型，然后以钢混连接过渡面样本为基础，构建钢混强度预测模型，并通过各自的训练样本集进行精确训练，最终实现了钢混连接连接过渡面的强度预测；

41、本发明结合遗传算法和bp神经网络，以及梯度提升决策树算法的应用，使得预测模型能更准确地模拟和分析钢混连接过渡面的强度行为，能够有效处理复杂的数据特征，提供比传统方法更精确的预测结果。

42、本发明方法适用于各种不同类型和规模的钢拱桥项目。通过调整模型参数，可以灵活应对各种不同的工程需求和环境条件，提高了其普遍适用性。

技术特征：

1.一种钢拱桥钢混连接过渡面的强度预测方法，其特征在于，包括：

2.根据权利要求1所述的一种钢拱桥钢混连接过渡面的强度预测方法，其特征在于，构建第一训练样本集时，将组成成分数据作为输入数据，将混凝土强度作为输出数据；

3.根据权利要求2所述的一种钢拱桥钢混连接过渡面的强度预测方法，其特征在于，获得训练后的混凝土强度预测模型的方法包括：

4.根据权利要求3所述的一种钢拱桥钢混连接过渡面的强度预测方法，其特征在于，交叉算法为：，其中，和为参与交叉的基因位点的值，为父代基因对子代基因的贡献系数；

5.根据权利要求3所述的一种钢拱桥钢混连接过渡面的强度预测方法，其特征在于，终止条件包括迭代次数达到最大迭代次数、误差达到预定阈值或适应度的改变值小于设定值三者中的一个。

6.根据权利要求2所述的一种钢拱桥钢混连接过渡面的强度预测方法，其特征在于，获得训练后的钢混强度预测模型的方法包括：

7.根据权利要求1所述的一种钢拱桥钢混连接过渡面的强度预测方法，其特征在于，在获得训练后的混凝土强度预测模型和钢混强度预测模型后，通过测试集对模型进行评价，计算模型的相关系数，其中，为实际值，为预测值，为实际平均值，为测试集样本数；

8.一种钢拱桥钢混连接过渡面的强度预测终端，包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的钢拱桥钢混连接过渡面的强度预测方法。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的钢拱桥钢混连接过渡面的强度预测方法。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述的钢拱桥钢混连接过渡面的强度预测方法。

技术总结
本发明涉及桥梁建筑分析技术领域，具体涉及一种钢拱桥钢混连接过渡面的强度预测方法及相关产品，制备多个混凝土样本构建第一训练样本集,获得训练后的混凝土强度预测模型；制备多个钢混连接过渡面样本构建第二训练样本集；获得训练后的钢混强度预测模型；将待预测的混凝土组成成分数据输入至混凝土强度预测模型，获得预测的混凝土强度；将待预测的浇筑过程参数、钢筋强度以及预测的混凝土强度输入至钢混强度预测模型，获得预测的钢混连接过渡面强度；本发明首先构建基于混凝土样本的混凝土强度预测模型，然后以钢混连接过渡面样本为基础，构建钢混强度预测模型，并通过各自的训练样本集进行精确训练，最终实现了钢混连接连接过渡面的强度预测。

技术研发人员：宋松科,肖林,权新蕊,彭友松,邵林,刘明刚,石恒俊,刘伟,杜桃明,曾仲,熊伦,苏伟,袁道云,李翱
受保护的技术使用者：四川省交通勘察设计研究院有限公司
技术研发日：
技术公布日：2024/3/27