基于SVR算法的混凝土強度預測

混凝土是由水泥、粗細骨料、水、外加劑、摻合料等按照一定比例配合制成的工程復合材料。其原材料來源豐富，造價低廉，生產工藝簡單、抗壓強度高、耐久性好等特點使混凝土廣泛運用于建筑工程施工過程中。抗壓強度作為混凝土質量控制的核心內容之一，是結構設計和施工的重要依據，其質量好壞直接影響到工程的最終驗收。根據《混凝土結構設計規(guī)范》（GB50010-2010）中規(guī)定混凝土強度等級應按立方體抗壓強度標準值確定，制作、養(yǎng)護的邊長為150mm的立方體試件，在28d以標準實驗方法測得的具有95%保證率的抗壓強度值。然而，在實際施工過程中，由于工期的緊迫性，往往不會等待28d強度測試結果出來后再進行混凝土工程施工，常常出現(xiàn)先施工后出報告的現(xiàn)象，這導致施工現(xiàn)場不能及時得到混凝土的性能信息，一旦出現(xiàn)混凝土抗壓強度不過關，出現(xiàn)大規(guī)模返工的現(xiàn)象，造成人力物力大量損失。因此，及時準確的知道混凝土的抗壓強度可以避免由于信息滯后造成的損失。

為了對混凝土強度進行有效的早期預測，國內外專家做了許多工作：在標準養(yǎng)護的前提下，提出了各種經驗公式：

對數公式：

斯拉特公式：

德國經驗公式：

式中R28 為混凝土28d抗壓強度R7為混凝土7d抗壓強度。由于經驗公式中需要用到混凝土的7d強度值，而7d強度值受到外加劑的影響變化很大。另外，經驗公式大多是用線性回歸的思想用一維方程去擬合混凝土強度變化曲線，所得的結果與實際情況誤差較大。目前在施工生產中運用較多的混凝土強度測算方法是回彈法：

式中fcu，i為混凝土強度換算值，Rm為平均回彈值，dm為平均碳化深度值。K、N、P為系數。通過大量的實驗表明該曲線可以較好的測算混凝土早期強度，誤差不超過20%。但是其結果的準確性受到實驗樣本數量的影響，且不能提前對混凝土強度進行預測，其只能測算混凝土表面抗壓強度，受回彈點骨料組份影響大。給實際操作帶來局限性。

回歸型支持向量機（support vector machine for regression，SVR）是基于Vapnik創(chuàng)建的統(tǒng)計學習理論（statistical learning theory，STL）提出的一種新的機器學習方法，其基本原則是采用結構風險最小化準則（structural risk minimization，SRM），在最小化樣本點誤差的同時，最小化結構風險，提高了模型的泛化能力，且沒有數據維數的限制。在進行回歸擬合分析時，通過尋找一個最優(yōu)分類面使得所有訓練樣本離該最優(yōu)分類面的誤差最小。

1  研究背景

國家高山滑雪中心項目位于北京市松山自然保護區(qū)內，是2022年北京冬奧會雪上項目的舉辦場所之一，由中交隧道工程局承建的國家高山滑雪中心第二標段施工范圍為除C1/B1雪道之外的全部雪道及連接雪道的技術道路。在施工中用到的混凝土方量很大，且施工點分散在山間，混凝土取樣實驗工作量巨大。加之工期緊張、道路坡度過大，車輛通行困難，商混難以保質保量的供應，現(xiàn)場施工采用干拌料現(xiàn)拌混凝土，不同的加水量和外加劑的摻量導致每一盤得到的混凝土抗壓強度都不同，因此急需提出一種合適的算法較準確的預測混凝土強度，以免后期由于混凝土強度不夠而返工。文章基于SVR算法給出一種混凝土強度預測模型，并采用MATLAB進行代碼編寫，以求構建一種適用于混凝土強度預測的模型。

2  SVR算法的推導

設含有l(wèi)個訓練樣本的訓練集樣本對為: 

其中是第i個訓練樣本的輸入列向量 為對應的輸出值。

設在高維特征空間中建立的線性回歸函數為：

    其中，Φ(x)為非線性映射函數。定義為線性不敏感損失函數：

其中，為回歸函數返回的預測值，y為對應的真實值。若與y之間的差別小于等于，則損失為0。線性不敏感損失函數曲線（見圖1）。

圖1 線性不敏感損失函數值

引入松弛變量，得：

其中，C為懲罰因子，C越大表示對訓練誤差大于的樣本懲罰越大，規(guī)定了回歸函數的誤差要求，越小表示回歸函數的誤差越小。引入Largrange函數，并轉換為對偶形式：

    其中，為核函數。假定上式得到的最優(yōu)解為，，則有：

回歸函數為：  

其中不為零的參數為樣本xi的支持向量。SVR算法結構（見圖2）。

圖2  SVR算法結構

3   SVR算法實現(xiàn)

基于上文的理論基礎，利用MATLAB編寫程序進行，實現(xiàn)支持向量機回歸模型的建立及性能評價，程序流程圖（見圖3）：

圖3   SVR算法流程圖

其中產生訓練集和創(chuàng)建SVR模型在上文已詳細描述，此處不再贅述。針對仿真測試得到測試集的均方誤差E和決定系數R2可由下式得出：

其中，l為測試集樣本個體；yi(i=1,2,...,l)為第i個樣本的真實值；(i=1,2,...,l)為第i個樣本的預測值。

由于影響混凝土性能的因素過多，有些因素具有很強的隨機偶然性，本文所述對比對象皆為標養(yǎng)條件實際測得的混凝土石塊抗壓強度，一定程度上降低了偶然因素的影響。實驗采用100個混凝土標準試塊樣本抗壓強度與其含水泥、粗細骨料、水、外加劑、摻合料6種成分的含量大小，通過測試其中的80個樣本構建混凝土28d抗壓強度與混凝土組份之間的回歸數學模型，剩余的20個樣本用來進行算法性能評價。如下表1所示（僅列出部分參數）：

表1 混凝土樣本組份

樣本編號 1 2 3 ....... 78 79 80

水泥 273 163 154 ....... 152 304 147

粗骨料 904 843 923 ....... 944 895 860

細骨料 680 746 658 ....... 695 722 829

水 210 180 220 ....... 168 214 202

外加劑 9 12 10 ....... 18 6 9

摻合料 187 340 256 ....... 317 140 204

抗壓強度 34.99 41.14 26.82 ........ 38.86 38.46 25.21

4  SVR算法性能測試  

將上文給出的數據導入編寫的MATLAB程序中得出以下結果(如圖4、5)，圖中橫坐標為樣本編號，縱坐標為試塊的抗壓強度。圖中用“—*—”表示通過28d標準養(yǎng)護實驗測出的混凝土石塊抗壓強度真實值，用“—0—”表示采用SVR算法得到的混凝土試塊抗壓強度預測值。其中圖4為提前給出80組先驗樣本的組份參數值與抗壓強度值，通過訓練得到的預測值與給出的真實值的比較。圖5為僅給出20組樣本的組份參數，通過之前80組先驗樣本構建的預測模型對這20組樣本的抗壓強度進行預測，得到的結果與實驗條件下得到的抗壓強度進行對比，旨在分析算法的可行性。

圖4 訓練樣本預測效果

圖5 測試樣本預測效果

從圖4中可以看出通過訓練得到的預測結果與真實值相比，均方誤差mse為0.00 040 733，擬合度R2為0.99 685。當mse為0時表示預測值與真實值完全重合，此時預測值最好，采用SVR算法得到均方誤差小于1‰，擬合度R2表示模型擬合程度，取值范圍為0~1，越接近1擬合效果越好，采用SVR算法得到的擬合值非常接近1。說明通過訓練樣本所得的預測值接近真實值，算法的穩(wěn)定性很好。

從圖5中可以看出訓練得到的模型對混凝土樣本參數進行預測效果很好，在無干預的情況下，均方誤差為1‰左右，說明通過SVR算法得出的模型能很好的基于給定的混凝土組成參數對混凝土抗壓強度進行預測。

判斷一個算法的好壞程度，除了其結果是否滿足需求外，還需考慮其對計算機性能依賴程度、是否占用過多資源、計算速度是否滿足要求、是否能迅速收斂、是否會陷入局部最優(yōu)。圖6為計算過程中算法的性能參數，圖中從上至下參數分別為：訓練次數、每次訓練時間、性能、誤差降、誤差、訓練步數。

圖6 SVR算法性能

從上圖中可以看出，當訓練7次時算法收斂，每次訓練耗時不到1s，最優(yōu)性能將均方誤差控制在10^(-5)以內。收斂時誤差降為0.0 208，誤差為1‰，樣本數據誤差驗證6次后收斂?？梢钥闯?，該算法具有收斂速度快、占用資源少、精度高的特點。

5  與經驗公式計算效果對比分析

本文利用回彈法得到的公式，對數據進行歸一化，將計算混凝土強度得到的結果與真實值進行對比，從圖7中可以看出，雖然回彈法也能較好的計算得到混凝土的強度值，誤差能控制在10%以內，擬合度約為0.9。但相較與本文給出的預測模型，其計算精度不足。且其在對均勻性不好的混凝土抗壓強度計算上表現(xiàn)不佳，計算結果偏離真實值較大。

圖7 經驗公式預測結果

6  結語

利用有限的混凝土樣本對混凝土28d抗壓強度進行預測是一個涉及面廣、綜合性強的非線性問題，本文提出了一種基于SVR算法來進行混凝土強度預測的方法。通過實驗數據檢測證明了算法的可行性，預測結果與28d標養(yǎng)得到的結果擬合較好，避免混凝土強度不合格導致的后期返工。該方法能節(jié)約大量的施工現(xiàn)場人工和實驗費用，特別適用于現(xiàn)場干拌混凝土強度的預測，具有一定的經濟適用性。    

本文來源：《城市住宅》：http://xwlcp.cn/w/kj/12544.html