基于人工智能的混凝土配合比多目标优化研究

基于人工智能的混凝土配合比多目标优化研究

张明强

中国五冶集团有限公司   四川省成都市  610023

身份证号码：513701198510234119

摘要：随着社会的不断发展，混凝土工程愈发的重要商品混凝土在我国已有２０多年的历史，它把过去分散的混凝土生产，由搅拌站集中形成规模化、自动化的生产作为一种半成品提供给施工方，有着显著的社会、经济效益。混凝土广泛应用于建筑、交通、水利等工程建设中，是工程结构的重要组成部分，其质量直接影响到整个工程的质量。

关键词：人工智能；混凝土；配合比；多目标优化

引言

对混凝土实施质量管理，不仅可以提高质量，而且可以降低成本，提高企业的经济效益。混凝土的质量管理就是为了最经济地建造安全的混凝土，而在施工的各个阶段进行有效和有组织的技术活动。

1混凝土动态力学特性智能集成系统

混凝土动态力学特性主要可从混凝土的动强度以及破坏形态两个方面进行研究，以往的研究并没有给出混凝土各组料力学参数以及影响因素与动强度之间确切的显示关系，继续通过试验深入研究能够得到的也只能是拟合关系，应用价值有待商榷，而且在不同的试验中，得到的结果并不完全相同，对工程的指导价值有限，同时，由于试验条件的限制，试验并不能做到面面俱到，耗时、耗力也不一定可以得到理想的结果，但是，混凝土的动态力学特性是工程界亟需需要了解的知识，动态力学特性的研究与其影响因素有直接关系，但是将这一抽象的、复杂的物理关系进行简化得到理论机理是非常困难的，相对于简单的混凝土静态力学特性研究，目前还不能完善地从理论上得到其破坏机理，所以，借用智能方法研究混凝土动态力学特性具有重要理论意义。混凝土动态强度的影响因素有混凝土配合比、应变速率、含水量、龄期、骨料尺寸、尺寸效应和初始静载等。根据是否破坏、破坏后破坏面情况和未破坏裂纹数量可以对混凝土动态破坏形式进行简单判断。

2混凝土动态强度神经网络预测

神经网络作为一种智能科学方法，在近些年得到了迅速的发展，作为非线性动力学系统，同时也是一种新型信息处理系统，可模仿延伸人脑认知功能，由大量的简单处理单元即神经元所构成。神经网络具有较强的非线性映射能力以及学习能力。尤其在处理十分复杂的信息、不太清楚的背景知识以及不明确的推理规则这些问题时，更能显示出其独特的优越性。其具有传统数据方法无法比拟的优势，它不仅可以综合考虑多个影响因素、避免人为干扰，具备一定泛化能力，而且精度高，操作简单，便于在工程中应用，把神经网络方法引入到混凝土材料的特性研究中，已经取得了不少进展。考虑到不同神经网络模型的优势与局限，本研究用3种模型，即BP模型、RBF模型和GRNN模型3种方法进行对比预测，根据现有数据库情况选择一种神经网络模型作为混凝土动态力学特性智能集成系统神经网络模块的模型。

2.1数据来源

本研究中的试验数据引用文献[10]中所用的试验数据，只针对混凝土配合比、应变速率、含水量和龄期进行混凝土动强度的预测。分别进行了两批试件的试验，设计强度分别为10、20MPa，水泥采用大连水泥厂同炉生产的海鸥牌P·O32.5R级水泥，粗骨料采用连续粒径的碎石颗粒，砂子采用天然河砂，所用的拌和水为自来水。经成型后，水中养护2d，然后在自然条件下养护。试件尺寸为边长100mm的立方体，可以用来测量其静、动态抗压强度。试验时混凝土的龄期为600d左右，由于600d龄期时混凝土的强度发展已经趋于稳定，可以忽略试验过程中龄期不同对抗压强度的影响，能够确保试验数据的可靠性。试

2.2三种模型预测结果及对比

运用Matlab软件进行BP神经网络、RBF神经网络、GRNN神经网络3种方法编写混凝土动强度预测模型。通过对BP、RBF、GRNN3种神经网络模型预测结果的相对误差对比和曲线重合度对比可以发现，针对本研究情况，径向基函数神经网络和广义回归神经网络两种方法的预测结果更好，而BP神经网络的预测结果相对较差。分析原因认为这和输入数据的形式有关，同时考虑3种神经

3基于人工智能方法的混凝土质量管理方法研究

人工智能算法模仿人的思维方式，擅长于处理复杂的数据。而影响混凝土质量的因素众多、数据量大且呈非线性关系，人工智能算法可以很好地处理这些信息，将其转化为有价值的知识，为混凝土企业的质量管理提供数据支持。人工神经网络及遗传算法作为人工智能算法的分支，被越来越多的研究者所关注。

3.1人工神经网络

人工神经网络是非线性处理系统，是一种经验建模工具，以曲线拟合方式工作，在混凝土的质量管理方面具有明显的优势。　但是，由于人工神经网络在计算过程中往往存在局部极小化的缺点，使得最终的结果存在较大波动，不能保证计算的可靠性。全局最优的算法能够克服局部极小化的缺点，其中遗传算法是应用最广泛的一种。

3.2遗传算法

遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法使用群体搜索技术，通过对当前群体施加选择、交叉、变异等一系列遗传操作，产生出新一代的群体，并逐步使群体进化到包含或接近最优解的状态。它具有全局收敛特点，可以被用来解决各种复杂的实际问题，如工程优化设计、决策系统等。

4混凝土性能预测模型的建立方法

本文使用混凝土配合比中各个原材料的每立方用量为输入，每个配合比所对应标准抗压强度以及坍落度为输出，分别建立机器学习性能预测模型。首先通过选择合适的超参数将三种机器学习模型进行调整和训练，然后比较三者的预测准确度从而确定混凝土性能预测模型，用于配合比优化模型的构建。

4.1预测模型输入和输出变量

输入变量，根据以往研究，通常选择对输出变量影响较大的因素作为机器学习模型的输入变量，建立混凝土性能预测模型时，通常有两种输入变量选择方式。一种是直接使用混凝土中各个原材料的用量作为输入变量进行预测建模，此方法建立的模型较为直观且相对而言物理意义较为明确；另一种是使用水胶比、砂率等因素作为输入变量进行建模，此方法输入变量较少，建模效率更高。由于本文需要建立输入变量与单方成本的关系，直接使用各个原材料的用量作为输入更加便于优化模型目标函数的建立；而且相关研究结果表明，第一种方法对于混凝土坍落度有着更高的预测精度。因此本文使用每立方米混凝土中各个原材料的用量为输入变量，建立混凝土性能预测模型。

4.2模型评估方法

一个性能良好的机器学习预测模型，不仅需要保证模型对于训练数据有着较高的拟合优度，也要保证模型有着良好的泛化能力。单纯只考察模型对于训练集数据的拟合程度，可能导致模型出现欠拟合和过拟合现象。为了考察所建立的预测模型是否能够满足使用需求，需要通过相应的评估方法来检验模型的预测性能。常用的机器学习评估方法包括自助法、留出法和交叉验证法。其基本思想均是选出一部分的样本用于验证模型的泛化能力。

5试验原材料及试验方法

5.1试验原材料与配合比

原材料采用江苏诚意集团生产的Ｐ·Ｏ４２．５级水泥；粗骨料采用２种级配的碎石，分别为５～１６ｍｍ（小石子）和１６～３１．５ｍｍ（大石子），根据紧密堆积理论确定大小石子质量比为４∶６；细骨料采用细度模数为２．７的河砂；采用２种矿物掺和料，其中粉煤灰采用徐州华润电力Ⅰ级Ｆ类粉煤灰，矿渣采用徐州中诚建材Ｓ９５级矿粉；减水剂采用聚羧酸高效减水剂，含固量为２０％（质量分数，文中涉及的含量和比值等均为质量分数或质量比），减水率为２８％．

5.2试验方法

工作性能测试指标为倒坍时间，测试方法如下：将坍落度筒倒置，底部加封盖，装满混凝土并抹平，将倒置的坍落筒固定于支架上，底部离地５０ｃｍ，迅速滑开底盖，用秒表计量混凝土流空的时间，即为倒坍时间．力学性能测试指标为抗压强度，测试方法依照ＧＢ／Ｔ５００８１—２０１６《普通混凝土力学性能试验方法标准》．抗裂性能选取混凝土的早期抗裂性能，测试指标为单位面积的总开裂面积，依照ＧＢ／Ｔ５００８２—２００９《普通混凝土长期性能和耐久性能试验方法标准》进行测定．耐久性能测试指标为电通量，依照ＧＢ／Ｔ５００８２—２００９进行测定．混凝土强度设计等级为Ｃ５０，通过调节减水剂的用量将混凝土坍落度控制在（２００±２０）ｍｍ，扩展度控制在（５００±５０）ｍｍ．抗压强度试验采用尺寸为１５０ｍｍ×１５０ｍｍ×１５０ｍｍ的立方体混凝土试块，早期抗裂性能试验采用尺寸为８００ｍｍ×６００ｍｍ×１００ｍｍ的长方体混凝土试块，电通量试验采用１００×５０ｍｍ的圆柱体试块．

6高性能混凝土配合比的优化设计

6.1做好需求分析

第一，高性能混凝土配合比的优化设计需要做好需求分析。从目前的分析来看，虽然工程建设的质量要求在普遍性的提升，但是考虑到工程种类、施工区域等的差异，不同的工程其具体的需要是不同的。比如有的工程其位于地震多发带，所以对于结构的稳定性要求较高，这时候需要重点考虑的是工程抗震强度，所以混凝土本身的刚性和强度需要重视。再比如某工程建设需要注重环保，此时的混凝土应用需要更多的考虑其生态性。总之，不同的工程其具体的要求不同，所以对混凝土的需求也不同，基于此，高实现高性能混凝土的配合比优化，需要对工程的具体需要做分析，这样，配合比优化设计才会更符合实践。

6.2针对需要选择材料

第二，高性能混凝土配合比的优化设计需要重视的内容是针对需要做材料的选择。上文提到，不同的工程会有不同的需要，而满足不同的需要则要利用不同的材料。举个简单的例子：如果是某工程需要混凝土结构具有高强度，需要混凝土具有较强的防水性，那么在混凝土具体打造的时候，水泥的性能，砂石的规格以及胶合剂的选择都需要和具体的要求相一致。总之，不同的材料会让混凝土具备不同的属性，从而满足不同的工程需要，所以在混凝土的配合比优化中需要针对性的做材料的选择。

6.3利用实验确定配合比

第三，高性能混土的配合比优化需要利用试验确定具体的配合比。从目前的分析来看，要实现混凝土的高性能，水泥、砂石、水、胶合剂等的比例需要做合理的调整，因为不同比例的混凝土打造，其性能和效果不同的。考虑到工程实践中的成本控制和材料利用小狗，利用试验的方式做配合比的确定是有重要意义的。对混凝土水泥、砂石、水、胶合剂的比例做了设计，按照此配合比进行了混凝土试验，对此配合比的混凝土性能做分析发现其与实际需要有出入，具体表现为水分较多，粘结性不强，基于这样的特点，对配合比做了调整。对此比例完成的混凝土做分析，发现其与实际需要比较符合。

6.4配合比优化

高性能混凝土配合比的设计优化，最后的一项内容是做配合比的优化。一般来讲，利用试验可以具体确定配合比的缺陷，其会为优化提供基本的方向，但是因为试验混凝土涉及的规模比较小，所以要想使配合比实现进一步的优化，需要在试验的基础上针对实践做相应的材料比例加强，这样，最好的高性能混凝土目标可以实现，其对于工程质量的多方面要求也能够得到满足。

结语

基于混凝土质量控制的复杂性，将智能科学应用于混凝土工程领域，着力研究和发展混凝土工程的智能模型和方法，是混凝土的实践需要和质量管理需要，也是混凝土技术和当代科学技术发展与渗透、融合的必然结果。

参考文献

［1］陈文耀，李文伟.三峡工程高性能大坝混凝土配合比设计技术措施［J］.水利学报，2000（5）：49-53.

［2］李荣湘，李岳军.混凝土配合比多目标优化实时控制［J］.水利学报，1996（4）：34-39，33.

［3］胡巧英，杨杨，江晨晖.恒温和拟绝热条件下高性能混凝土自收缩特性［J］.水利学报，2014，45（S1）：84-89.