基于ISSA-GRU的混凝土抗压强度预测.pdf
《基于ISSA-GRU的混凝土抗压强度预测.pdf》由会员分享,可在线阅读,更多相关《基于ISSA-GRU的混凝土抗压强度预测.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 42 卷 第 7 期2023 年 7 月硅 酸 盐 通 报BULLETINOFTHECHINESECERAMICSOCIETYVol.42 No.7July,2023基于 ISSA-GRU 的混凝土抗压强度预测段妹玲1,张 单2,袁锦虎3,孙爱军4,强 晟1(1.河海大学水利水电学院,南京 210098;2.中国电建集团华东勘测设计研究院有限公司,杭州 311122;3.江西省鄱阳湖水利枢纽建设办公室,南昌 330046;4.余姚市水利局,宁波 315402)摘要:考虑到抗压强度对混凝土设计的重要影响,本文提出了改进麻雀搜索算法(ISSA)和门控循环单元(GRU)结合的 ISSA-GRU
2、预测模型,实现对高性能混凝土抗压强度的精准预测。对收集的数据集进行归一化处理后,利用基于光谱-理化值共生距离(SPXY)法对数据集进行训练集和测试集划分,采用 GRU 对高性能混凝土抗压强度进行回归预测,并通过引入动态惯性权重的 ISSA,加强对 GRU 网络参数的寻优效率。结果表明,在使用相同数据样本的情况下,将 ISSA-GRU 模型与长短期记忆(LSTM)网络、核极限学习机(KELM)和支持向量回归(SVR)模型进行比较,其均方根误差 RMSE 分别降低了 9.3%、37.5%、33.5%,平均绝对误差 MAE 分别降低了 13.5%、38.5%、41.7%。同时,研究了训练集数据量和输
3、入变量对模型预测性能的影响,研究结果表明,所提出的模型能高效寻找超参数,具有较高的预测精度和较好的适应性,为多样化原材料和混凝土特定性能的发展提供可行参考。关键词:高性能混凝土;门控循环单元;动态惯性权重;麻雀搜索算法;深度学习;强度预测中图分类号:TU528.01文献标志码:A文章编号:1001-1625(2023)07-2392-09Prediction of Compressive Strength of Concrete Based on ISSA-GRUDUAN Meiling1,ZHANG Dan2,YUAN Jinhu3,SUN Aijun4,QIANG Sheng1(1.Col
4、lege of Water Resources and Hydropower,Hohai University,Nanjing 210098,China;2.Power China Huadong Engineering Corporation Limited,Hangzhou 311122,China;3.Jiangxi Poyang Lake Water Conservancy Project Construction Office,Nanchang 330046,China;4.Yuyao Water Resources Bureau,Ningbo 315402,China)Abstra
5、ct:Considering the important influence of compressive strength on concrete design,an ISSA-GRU prediction modelcombining improved sparrow search algorithm(ISSA)and gate recurrent unit(GRU)was proposed to achieve accurateprediction of compressive strength of high-performance concrete.After normalizing
6、 the collected data set,the data set wasdivided into training set and testing set based on spectral-physicochemical value symbiotic distance(SPXY)method,GRUwas used to predict the compressive strength of high-performance concrete,and enhances optimization efficiency of GRUnetwork parameters by intro
7、ducing ISSA with dynamic inertia weight.The results show that,in the case of using same datasamples,the ISSA-GRU model is compared with the long short-term memory network(LSTM),kernel extreme learningmachine(KELM)and support vector regression(SVR)models.The root mean square error(RMSE)is reduced by9
8、.3%,37.5%,and 33.5%,respectively,and the mean absolute error(MAE)is reduced by 13.5%,38.5%,and41.7%,respectively.At the same time,the influences of the amount of training set data and input variables on predictionperformance of the model were studied.The results show that the proposed model is effic
9、ient in finding GRU parameters,has high prediction accuracy and good adaptability,and provides a feasible reference for the development of diverse rawmaterials and specific properties of concrete.Key words:high-performance concrete;gate recurrent unit;dynamic inertia weight;sparrow search algorithm;
10、deeplearning;strength prediction收稿日期:2023-03-28;修订日期:2023-05-25基金项目:国家自然科学基金(52079049);宁波市水利科技项目(NSKA202343)作者简介:段妹玲(1999),女,硕士研究生。主要从事水工结构工程的研究。E-mail:1836488646 通信作者:强 晟,博士,教授。E-mail:第 7 期段妹玲等:基于 ISSA-GRU 的混凝土抗压强度预测23930 引 言混凝土是当今必不可少的建筑材料之一1。现如今,结构工程对于混凝土力学性能的提升具有迫切需求,其中抗压强度是最重要的指标之一,它直接关系到结构的安全,
11、因此,如何快速确定混凝土的抗压强度对工程建设与运行的影响至关重要2-3。目前,混凝土抗压强度的获取方法主要有回弹法4、钻芯法5和模型预测法6等。回弹法操作简便,但是对于同种混凝土,采用不同回弹仪时会有较大的差异,不能准确地估计混凝土的内部强度;钻芯法的均值较为精确,但是标准差偏大,试验耗时且结果不稳定;模型预测法是通过建立材料配合比、龄期与混凝土抗压强度的数学模型进行预测,但是由于各因素与抗压强度并非简单的线性关系,直接建立显式的数学模型比较困难。因此,亟需一种快速、准确、可靠的混凝土抗压强度预测方法7。近年来,国内外学者针对混凝土抗压强度预测模型进行了大量的探索,其中统计方法和机器学习方法已
12、被广泛应用8。许开成等9利用 SPSS 统计分析软件,通过逐步回归分析法和多元非线性回归分析法建立了锂渣混凝土强度预测模型,但该模型只有在使用 PO 42.5 级普通硅酸盐水泥时才有效。陈洪根等10考虑不同配合比与强度的非线性结构关系,利用误差反向传播(error back propagation training,BP)神经网络预测粉煤灰混凝土的抗压强度,然而,在分析时未综合考虑龄期对混凝土抗压强度的影响。如今,将深度学习算法应用于混凝土领域已成为当前研究热点。高蔚11采用卷积神经网络预测了再生混凝土的抗压强度,与传统神经网络模型相比,卷积神经网络模型具有高精度和高泛化性能的优点。Chen
13、等12利用长短期记忆(long short-term memory,LSTM)网络模型评估了在一定配合比下高强混凝土抗压强度,证明 LSTM 能很好捕捉原材料的不同配合比与混凝土抗压强度的非线性关系。门控循环单元(gate recurrent unit,GRU)是 LSTM 网络的改进形式,不仅在预测中考虑了时间序列,还通过引入门机制有效解决了记忆网络中易引发梯度爆炸的问题,使得该模型具有结构更简单、计算效率更高的明显优势。因此,本研究采用 GRU 模型作为混凝土抗压强度预测的主体模型。对于混凝土抗压强度的预测主体模型中参数的选择,张静等13利用混沌灰狼群算法优化了最小二乘支持向量机(leas
14、t squares supportvector machines,LSSVM)的混凝土强度预测模型,提高了机器学习算法在实际应用的泛化性能和稳定性,但训练集与测试集的任意选取降低了预测模型的泛化性能。Rankbar 等14结合卷积神经网络与遗传算法对高性能混凝土的抗压强度进行预测,通过 10 折交叉验证了所提出方法的可靠性。鉴于此,本研究采用改进麻雀搜索算法优化门控循环单元神经网络(ISSA-GRU)的高性能混凝土抗压强度预测优化模型。利用光谱-理化值共生距离(SPXY)抽样方法综合考虑输入变量与输出变量的差异性,合理划分 ISSA-GRU 模型训练和测试样本集;采用引入动态惯性权重的麻雀搜索
15、算法综合全局搜索与局部搜索,优化 GRU 模型的 units、batch_size、epochs 参数以提高预测精度;通过对比 LSTM、核极限学习机(kernelextreme learning machine,KELM)和支持向量回归(support vector regression,SVR)模型预测结果,验证 ISSA-GRU 预测模型的有效性;最后,分析训练集数据量和输入变量对预测模型的影响。1 基本原理1.1 SPXY 划分样本集不同于将所有训练数据统一看待而随机选取样本训练集的传统方法,SPXY 样本划分方法依据数据间的欧式距离来构建样本训练集,这避免了因样本随机划分而降低模型本
16、身预测性能的影响,计算式如式(1)(3)所示。dxy(p,q)=dx(p,q)maxdx(p,q)+dy(p,q)maxdy(p,q);p,q1,N(1)dx(p,q)=Nj=1xp(j)-xq(j)2(2)dy(p,q)=yp-yq(3)式中:N 为数据样本集的样本总数;xp、xq为样本数据值;yp、yq为样本标签值;dx(p,q)为样本 p 数据值与样本 q 数据值的欧氏距离;dy(p,q)为样本 p 标签值与样本 q 标签值的欧氏距离;dxy(p,q)为样本数据值与样本2394水泥混凝土硅 酸 盐 通 报 第 42 卷标签值的综合距离。算法的具体计算步骤详见文献15-16。1.2 门控循
17、环单元(GRU)神经网络GRU 网络是 LSTM 网络的改进形式,能有效解决梯度爆炸问题。GRU 网络通过巧妙地使用门结构来减少传统递归神经网络中的梯度消失现象,能更好地捕捉序列中的长期依赖性关系。核心思想是 GRU 单元的门结构可以通过同时接收当前输入和输出的新信息,利用动态更新机制有效捕获记忆时间序列的长期历史信息和前一状态信息。与由遗忘门、输入门和输出门组成的 LSTM 单元相比,GRU 单元仅使用重置门和更新门来调节信息流。因此,GRU 网络具有结构简单、参数少、计算效率高等优点17-18。GRU 模型计算式如式(4)(7)所示。zt=(Wzht-1,xt+bz)(4)rt=(Wrht
18、-1,xt+br)(5)ht=tanh(Wh(ht-1rt),xt+bh)(6)ht=(1-zt)ht+ztht-1(7)式中:为矩阵元素相乘;xt为时间 t 的输入;ht为在时间 t 的隐藏状态;ht-1为时间 t-1 的隐藏激活状态;ht为存放当前时刻信息的记忆存储单元;zt和 rt分别为更新门和重置门;和 tanh 为激活函数;Wz、Wr和 Wh为对应的权重系数矩阵;bz、br和 bh为对应的偏置向量。1.3 改进麻雀搜索算法(ISSA)麻雀搜索算法(sparrow search algorithm,SSA)是通过模仿麻雀群体的搜索行为提出的方法19。根据麻雀群体中个体的健康状况,可以被
19、分为发现者和追随者,此外,在麻雀种群中随机分配 10%20%的警备者,它们在群体觅食的过程中负责躲避捕食者。简而言之,麻雀群体可以通过不断更新位置来寻找更低风险的食物,其发现者、追随者和警备者的位置更新公式如(8)(10)所示20-22。Xt+1i,j=Xti,jexp-iTmax(),if R2 ST(8)Xt+1i,j=Q expXtworst-Xti,ji2(),if i m2Xt+1P+Xti,j-Xt+1P A+Lor(9)Xt+1i,j=Xtbest+Xti,j-Xt+1best,if fi fgXti,j+K Xti,j-Xtbestfi-fw()+(),fi=fg(10)式中:
20、Xt+1i,j为更新后的麻雀位置;t 为当前迭代次数;j 为所优化的参数维度;m 为麻雀种群中麻雀的总数;Tmax为最大迭代次数;为介于 0 和 1 之间的随机数;Q 为正态分布的随机数;L 为单位矩阵;Xti,j为第 t 次迭代时维度为 j 的第 i 只麻雀的位置;R2和 ST 分别为警备值和安全值;Xworst为当前的全局最差位置;XP为当前发现者最优位置;A 为每个元素随机赋值 1 或-1 的矩阵,A+为伪逆矩阵,AT为转置矩阵,且 A+=AT(AAT)-1;Xbest为当前麻雀的最优位置;为正态分布的随机数;K-1,1并且随机产生;fi为当前麻雀个体的适应度值;fw和 fg分别为当前全
21、局最优和最差的适应度值;为极小的常数,取 0.000 1,用来防止分母为 0。与其他元启发算法相同,如何平衡算法的全局搜索能力和局部搜索能力一直是算法工程师关注的重点问题23。麻雀种群中的发现者负责引领整个种群并确定觅食方向,进而影响算法的最终寻优效果。为了适应算法在不同阶段的需要,引入动态惯性权重 w。在迭代计算的早期,w 的值较大,全局搜索效果越好;在迭代计算的后期,w 自适应减小,使得局部搜索效果更好,也使得算法收敛速度更快。w 的计算公式如式(11)所示,改进的发现者更新方法如式(12)所示。w=1.5-tTmax()1t(11)第 7 期段妹玲等:基于 ISSA-GRU 的混凝土抗压
22、强度预测2395Xt+1i,j=wXti,jexp-iTmax(),if R2 ST(12)2 混凝土抗压强度预测模型2.1 数据源和数据预处理数据来源于 UCI Machine Learning Database,该数据集由水泥、高炉矿渣、粉煤灰、水、高效减水剂、粗骨料、细骨料、龄期和混凝土抗压强度 9 种参数下的 1 030 组实测数据值组成24。根据相关学者25-27的研究,混凝土的原材料和龄期对抗压强度有不同的影响,因此,不可直接忽略任一属性对混凝土抗压强度预测的影响。本研究采用的 GRU 主体预测模型结构较简单,可以很好地考虑该数据集中所有原材料的配合比。在此,选择前 8 个参数作为
23、模型的输入变量,第 9 个参数作为模型的输出变量,构建高性能混凝土抗压强度预测模型的初始指标体系。分别用 X1 X8表示 8 个输入变量,Y 表示输出变量,现将反映数据分布情况的几个统计特征归纳至表 1。Max、Min、Mean 和 SD 分别表示数据的最大值、最小值、平均值和标准差。表 1 原始数据统计特征Table 1 Statistical features of raw setVariableMaxMinMeanSDCement X1/(kgm-3)540.0102.0281.2104.5Blast furnace slag X2/(kgm-3)359.4073.986.3Fly as
24、h X3/(kgm-3)200.1054.264.0Water X4/(kgm-3)247.0121.8181.621.4Superplasticizer X5/(kgm-3)32.206.26.0Coarse aggregate X6/(kgm-3)1 145.0801.0972.977.8Fine aggregate X7/(kgm-3)992.6594.0773.680.2Age X8/d365.01.045.763.2Compressive strength Y/MPa82.62.335.816.7图 1 原始数据的归一化结果Fig.1 Normalization results of
25、 raw data从表 1 中可以明显看出各个变量之间数值差异较大,未缩放的输入变量和输出变量可能导致缓慢或不稳定的训练过程。因此,采用式(13)对原始数据进行归一化处理,处理后的数值皆在 0 1,归一化结果如图 1 所示。由图 1 可知,归一化处理不仅消除了龄期所具备的量纲与其他输入变量所具备的量纲之间的差异性影响,还避免了由各变量值域差异引起的训练过程仅受单个输入变量控制的情况。xnorm=xi-xminxmax-xmin(13)式中:xnorm为第 i 个数据变量归一化后的值;xi为第 i个数据变量的原始值;xmax和 xmin分别为第 i 个数据变量的最大值和最小值。2.2 ISSA-
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 ISSA GRU 混凝土 抗压强度 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。