【技術實現步驟摘要】
本專利技術涉及混凝土質量控制，具體為一種基于svr的混凝土強度預測系統及方法。
技術介紹
1、混凝土質量控制技術是確?；炷列阅芊显O計要求、保障工程質量和安全的關鍵環節，包括原材料質量控制、配合比設計、生產過程控制、養護環境控制與后期檢測?；炷翉姸仁腔炷两Y構質量控制的核心內容，是結構設計和施工的重要依據，是混凝土最重要的性能之一，因此其檢測方法的創新與應用顯得尤為重要。
2、傳統混凝土強度的檢驗方式是將標準立方體試塊的抗壓強度試驗作為評定混凝土強度的主要依據。但是在實際工程應用中可能因試塊留置數量不足、結構實體環境與留置試塊存儲環境的差異性，導致標準立方體試塊抗壓試驗結果無法精準反映結構實體的混凝土強度。因此，為避免以上問題，工程中常通過現場檢測的方法去檢測混凝土強度。常見檢測方法包括局部破損檢測法和無損檢測法。
3、此外，在現代科技高速發展的過程中，機器學習算法愈加成熟，在實際工程應用中也扮演著重要的角色。機器學習是一種人工智能的分支，它利用計算機程序來自動地從數據中學習模式和規律，并通過不斷優化預測模型性能來實現對未知數據進行準確預測或決策。其中的支持向量機回歸算法(svr)是svm的分支，可以有效地解決非線性回歸問題，將低維度的非線性映射問題轉至高維度線性，在高緯空間完成線性回歸后通過逆映射將回歸結果返輸入到空間，直至完成整個樣本數據集的回歸結果，可以解決樣本數據有限、數據關系非線性等問題，剛好符合當前混凝土抗壓強度預測的現狀，同時svr需要更少的參數定義，使建模更加簡便，減少計算成本。>
4、現有的混凝土強度的檢驗方法存在諸多不足。首先，局部破損檢測法在檢測過程中會對結構體產生一定的損壞，會對建筑結構造成一定的損傷，此外檢測后還需對結構體進行一定的維護，增加成本且不利于對結構進行大規模檢測。
5、其次，常用的無損檢測法的檢測精度有限，并且一些無損檢測方法的結果需要專業工程師的人工解讀和分析，這可能導致解讀結果的主觀性，也限制了數據的可解釋性。
6、最后，盡管現有技術已開始嘗試建立基于人工智能的混凝土無損檢測方法，但仍然存在諸多使用條件限制。現有的檢測數據集無法涵蓋所有類型的混凝土和不同的工況條件，導致模型在面對新場景、新樣本時泛化能力較差，容易出現過擬合和欠擬合等問題。
7、針對上述問題，有必要提出一種基于svr的混凝土強度預測系統及方法。
技術實現思路
1、本專利技術的目的在于解決
技術介紹
中存在的問題，而提出一種基于svr的混凝土強度預測系統及方法。
2、本專利技術的目的可以通過以下技術方案實現：
3、一種基于svr的混凝土強度預測系統及方法。
4、第一方面，本專利技術提供一種基于svr的混凝土強度預測系統，包括數據采集模塊、數據預處理模塊、回歸預測模塊、svr預測模塊和數據融合模塊。
5、數據采集模塊收集混凝土試塊的回彈測試、抗壓強度測試和碳化深度值測定的結果數據。
6、對每個混凝土試塊進行編號，并進行抗壓強度測試，記錄破壞時的荷載，計算抗壓強度。
7、在每個試塊上布置測試點，進行回彈測試和碳化深度測定，計算回彈值平均值和碳化深度平均值。
8、數據預處理模塊將所有回彈值、抗壓強度值和碳化深度值輸入到異常值處理程序中，通過格拉布斯準則剔除異常數據，包括回彈值、抗壓強度值和碳化深度值的異常數據剔除。
9、對異常值處理結果進行重新編號，并整合對齊數據，生成數據向量。隨后，將數據向量發送給回歸預測模塊。
10、對所述的數據向量進行z-score標準化處理，包括回彈值、抗壓強度、碳化深度、齡期和設計強度等級的標準化。將標準化處理結果發送給svr預測模塊。
11、回歸預測模塊根據數據向量，通過數學函數對抗壓強度、回彈值和碳化深度進行關系擬合。
12、建立混凝土回彈曲面回歸方程，并通過最小二乘法求解最佳擬合參數。
13、繪制擬合曲面圖像，并保存混凝土回彈曲面回歸方程作為第一預測判據。
14、svr預測模塊構建支持向量回歸模型，包括輸入層、核函數和輸出層。
15、設定超參數，包括正則化參數、誤差容忍度、核函數參數、優化目標函數和約束條件。通過smo優化算法求解模型參數，訓練完成支持向量回歸模型作為第二預測判據。
16、數據融合模塊對第一預測判據和第二預測判據的輸出結果進行數據融合。
17、通過卡爾曼濾波器對兩種預測結果進行加權融合，計算出最優估計。
18、記錄濾波結果，作為最終的混凝土強度預測值進行輸出。
19、第二方面，本專利技術提供一種基于svr的混凝土強度預測方法，包括以下步驟：
20、步驟一、材料分析與數據采集；
21、收集各個混凝土試塊i的回彈測試、抗壓強度測試和碳化深度值測定的結果數據，包括回彈值ri、抗壓強度fi和碳化深度hi。
22、步驟二、數據預處理與清洗；
23、將采集到的所有回彈值ri、抗壓強度fi和碳化深度hi輸入異常值處理程序，并通過格拉布斯準則剔除異常數據，得到異常值處理結果，即數據向量(rj，fj，hj)
24、步驟三、數據擬合與回歸模型建立；
25、s301、回歸模型數據擬合；
26、根據數據向量(rj，fj，hj)，通過數學函數對抗壓強度、回彈值和碳化深度進行關系擬合，得到混凝土回彈曲面回歸方程f＝k×rb×hc中的參數k、b和c。
27、將參數已知的混凝土回彈曲面回歸方程f＝k×rb×hc記為第一預測判據。
28、s302、構建支持向量回歸模型
29、獲取數據向量(rj，fj，hj)中混凝土試塊編號符j對應的混凝土齡期tj和設計強度等級cj，構建新的數據向量(tj，cj，rj，fj，hj)。
30、根據新的數據向量(tj，cj，rj，fj，hj)進行支持向量回歸模型訓練。
31、所述的支持向量回歸模型包括輸入層、核函數和輸出層。
32、其中的輸入層包括4個節點，分別用于輸入rj、hj、tj和cj；核函數層；其中的核函數將輸入數據映射到高維空間，為輸入數據之間賦予非線性關系。
33、其中的輸出層包括1個輸出節點，用于輸出預測的抗壓強度fj。
34、設定超參數：正則化參數c、誤差容忍度ε和超參數γ。
35、設定支持向量回歸模型的不敏感損失系數、核函數、優化目標函數和約束條件。
36、代入新的數據向量(tj，cj，rj，fj，hj)，并結合優化目標函數和約束條件通過smo優化算法求解模型的參數、記錄求解結果作為訓練完成的支持向量回歸模型的最終參數。
37、將訓練完成的支持向量回歸模型作為第二預測判據。
38、步驟四、混凝土強度預測；
39、取用于預測抗壓強度的混凝土，制備若干混凝土本文檔來自技高網...
【技術保護點】
1.一種基于SVR的混凝土強度預測系統，包括數據預處理模塊、回歸預測模塊和SVR預測模塊，其特征在于：
2.根據權利要求1所述的一種基于SVR的混凝土強度預測系統，其特征在于，還包括數據采集模塊和數據融合模塊；
3.根據權利要求1所述的一種基于SVR的混凝土強度預測系統，其特征在于，所述的異常值處理程序具體為：
4.根據權利要求1或3所述的一種基于SVR的混凝土強度預測系統，其特征在于，Z-score標準化處理的具體過程為：
5.根據權利要求1所述的一種基于SVR的混凝土強度預測系統，其特征在于，建立混凝土回彈曲面回歸方程的具體過程為：
6.根據權利要求1所述的一種基于SVR的混凝土強度預測系統，其特征在于，所述的支持向量回歸模型具體為：
7.根據權利要求6所述的一種基于SVR的混凝土強度預測系統，其特征在于，訓練支持向量回歸模型的具體過程為：
8.根據權利要求2所述的一種基于SVR的混凝土強度預測系統，其特征在于，抗壓強度測試、回彈測試和碳化深度測定的具體過程為：
9.根據權利要求2
10.一種基于SVR的混凝土強度預測方法，其特征在于，包括以下步驟：
...【技術特征摘要】
1.一種基于svr的混凝土強度預測系統，包括數據預處理模塊、回歸預測模塊和svr預測模塊，其特征在于：
2.根據權利要求1所述的一種基于svr的混凝土強度預測系統，其特征在于，還包括數據采集模塊和數據融合模塊；
3.根據權利要求1所述的一種基于svr的混凝土強度預測系統，其特征在于，所述的異常值處理程序具體為：
4.根據權利要求1或3所述的一種基于svr的混凝土強度預測系統，其特征在于，z-score標準化處理的具體過程為：
5.根據權利要求1所述的一種基于svr的混凝土強度預測系統，其特征在于，建立混凝土回彈曲面回歸方程的具體過程為：
【專利技術屬性】
技術研發人員：李波，井志彬，劉嘯宇，常江，蔣坤，馬雪濤，
申請(專利權)人：中煤第三建設集團有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。