本發(fā)明涉及混凝土性能預測，具體涉及一種基于機器學習的超高性能混凝土高溫后殘余抗壓強度預測方法。

背景技術(shù)：

1、超高性能混凝土是一種新型混凝土,主要由水泥、摻和料、細骨料、纖維等組成，具有超高的力學性能和韌性以及優(yōu)異的耐久性能。uhpc廣泛用于橋梁建筑、高層建筑、海灣建筑、隧道工程等領(lǐng)域，成為了當代建筑不可缺少的建筑材料。

2、經(jīng)中國消防統(tǒng)計，2024年1-5月全國已接報火災45萬起，其中建筑火災的比例占比最高，共有13.8萬起。隨著時代的發(fā)展，我國的高層建筑占比逐年增加，當發(fā)生火災，會嚴重影響高層建筑的整體穩(wěn)定性，甚至會使結(jié)構(gòu)發(fā)生連續(xù)性倒塌。這會造成巨大的經(jīng)濟損失和嚴重的人員傷亡，因此亟待對建筑材料的抗火性能進行有效預測。

3、超高性能混凝土特別容易受到溫度的影響，這是因為隨著混凝土強度的上升，混凝土的致密性就會越好，孔隙率就會越低。在高溫下很容易產(chǎn)生較大的孔隙壓力，其高溫爆裂的風險相對來說更高。另外，其材料密度的增加，滲透率較低，在極端的高溫下孔隙壓力就會越大，更容易發(fā)生脆性破壞。同時，抗火試驗需要耗費大量的時間和金錢，很難對每個工程的抗火性能進行有效的評估。為了提高材料的抗火性能，使其在發(fā)生火災后有較好的承載能力，預測超高性能混凝土火災后的殘余抗壓強度是非常重要的。

4、在過去的幾十年里，隨著人工智能技術(shù)的迅猛發(fā)展，機器學習模型廣泛用于各個領(lǐng)域，許多復雜的試驗難于解決的土木工程問題，在機器學習模型的協(xié)助下得到了有效的解決。可利用機器學習對超高性能混凝土的高溫后殘余抗壓強度進行預測。

5、超高性能混凝土在火災下的反應(yīng)較為復雜，不僅會發(fā)生復雜的化學反應(yīng)，也會受到超高性能混凝土材料的物理特征變化的影響。因此，在預測超高性能混凝土殘余抗壓強度時，很難推出較為準確的公式?，F(xiàn)有的技術(shù)主要采用熱傳導模型對超高性能混凝土的抗火性能進行預測分析，熱傳導模型是通過考慮超高性能混凝土的導熱系數(shù)、比熱容、密度等熱物理特性，以及火災溫度分布和持續(xù)時間，通過abaqus軟件可以模擬出超高性能混凝土內(nèi)部的溫度變化。這些溫度數(shù)據(jù)可以用于評估超高性能混凝土的損傷程度和抗火性能。其模型預測過程較為復雜，且準確度不高。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的在于提供一種基于機器學習的超高性能混凝土高溫后殘余抗壓強度預測方法，本發(fā)明利用機器學習，只需要收集相關(guān)的抗火數(shù)據(jù)，對模型進行有效的訓練，其預測超高性能混凝土殘余抗壓強度有較高的準確度同時，也可以有效的觀測到各種材料對超高性能混凝土殘余抗壓強度影響程度，促進超高性能混凝土抗火性能的研究與發(fā)展。

2、為實現(xiàn)上述目的，本發(fā)明通過下述技術(shù)方案實現(xiàn)：

3、一種基于機器學習的超高性能混凝土高溫后殘余抗壓強度預測方法，包括以下步驟：

4、步驟1、建立數(shù)據(jù)集：通過收集國內(nèi)外公開發(fā)表文獻，并根據(jù)文獻中數(shù)據(jù)情況以及抗火的原理，選擇對超高性能混凝土殘余抗壓強度影響較大的輸入?yún)?shù)，進而建立超高性能混凝土殘余抗壓強度的數(shù)據(jù)集；

5、步驟2、建立最優(yōu)預測模型：基于所述數(shù)據(jù)集，采用多種不同機器學習算法進行訓練，選擇訓練效果最好的機器學習算法作為最優(yōu)預測模型；

6、步驟3、將所述數(shù)據(jù)集劃分為訓練集、驗證集和測試集，帶入到最優(yōu)預測模型中；

7、步驟4、根據(jù)輸入的參數(shù)以及最優(yōu)預測模型的參數(shù)特性，對最優(yōu)預測模型進行參數(shù)調(diào)優(yōu)；

8、步驟5、殘余抗壓強度預測：將待預測超高性能混凝土的參數(shù)輸入到最優(yōu)預測模型中，得到殘余抗壓強度的預測值。

9、上述方案中，通過使用多種機器學習算法進行訓練，并選擇最優(yōu)預測模型，能夠更準確地預測uhpc在高溫條件下的殘余抗壓強度，有助于減少實驗成本，加快新材料的研發(fā)進程，同時提高預測的準確性。

10、作為本發(fā)明的進一步優(yōu)化方案，步驟1中，所述輸入?yún)?shù)包括以下材料：水、水泥、硅灰、粉煤灰、礦粉、粗骨料、細骨料、減水劑、鋼纖維、合成纖維、升溫速率、恒溫時間、試件尺寸、常溫下的抗壓強度、溫度。

11、上述方案中，明確了輸入?yún)?shù)的具體內(nèi)容，確保了數(shù)據(jù)集的全面性和可靠性，通過涵蓋所有關(guān)鍵變量，能夠更準確地反映超高性能混凝土在高溫條件下的行為。

12、作為本發(fā)明的進一步優(yōu)化方案，所述輸入?yún)?shù)中水、水泥、硅灰、粉煤灰、礦粉、粗骨料、細骨料、減水劑、鋼纖維、合成纖維的單位為kg/m3；升溫速率的單位為℃/min；恒溫時間的單位為h；試件尺寸的單位為mm；常溫下的抗壓強度單位為mpa；溫度的單位為℃。

13、上述方案中，規(guī)定了輸入?yún)?shù)的單位，確保了數(shù)據(jù)的一致性和標準化；有利于提高模型的可比性和可重復性，確保預測結(jié)果的準確性。

14、作為本發(fā)明的進一步優(yōu)化方案，步驟2中，采用五折交叉驗證技術(shù)對多種不同機器學習算法進行訓練，得到最優(yōu)預測模型。

15、作為本發(fā)明的進一步優(yōu)化方案，所述五折交叉驗證技術(shù)包括：將步驟1中的數(shù)據(jù)集隨機分為五部分，依次選取五部分中的一部分用來訓練，剩下的四部分用來測試，訓練得到多種不同機器學習算法的五個決定系數(shù)，取決定系數(shù)的平均值，平均值最接近1的機器學習算法作為最優(yōu)預測模型。

16、上述方案中，采用了五折交叉驗證技術(shù)進行模型訓練，提高了模型的穩(wěn)定性和泛化能力；通過多次訓練和測試，能夠更準確地評估模型的性能，并減少過擬合的風險。

17、作為本發(fā)明的進一步優(yōu)化方案，步驟2中，所述多種不同機器學習算法包括極限梯度提升算法(xgboost)、支持向量機算法(svm)、隨機森林算法(rf)和提升決策樹算法(lsboost)。

18、上述方案中，列舉了多種不同的機器學習算法，提供了豐富的選擇范圍；通過比較多種算法的效果，能夠選擇最適合當前任務(wù)的最佳模型。

19、作為本發(fā)明的進一步優(yōu)化方案，步驟3中，所述訓練集用于得到超高性能混凝土殘余抗壓強度的最優(yōu)預測模型，所述驗證集用于調(diào)整最優(yōu)預測模型的超參數(shù)、評估模型的泛化能力、防止過擬合，所述測試集用于評估最優(yōu)預測模型的最終結(jié)果。

20、作為本發(fā)明的進一步優(yōu)化方案，步驟3中，所述訓練集占數(shù)據(jù)集的70％，所述驗證集和所述測試集各占數(shù)據(jù)集的15％。

21、上述方案中，明確了訓練集、驗證集和測試集的用途，確保了模型訓練的有效性和評估的準確性；通過合理的數(shù)據(jù)劃分，能夠有效地評估模型的性能，并防止過擬合現(xiàn)象的發(fā)生。

22、作為本發(fā)明的進一步優(yōu)化方案，步驟4中，極限梯度提升算法作為最優(yōu)預測模型，其參數(shù)的調(diào)整分為通用參數(shù)、booster參數(shù)和學習目標參數(shù)，所述通用參數(shù)是由宏觀函數(shù)控制，所述booster參數(shù)則是控制每一步的booster，所述學習目標參數(shù)為控制訓練目標的表現(xiàn)；對于所述通用參數(shù)通常采用默認值，所述學習目標參數(shù)和所述booster參數(shù)需要根據(jù)數(shù)據(jù)集的參數(shù)選擇情況進行合適的調(diào)優(yōu)。

23、上述方案中，詳細說明了極限梯度提升算法作為最優(yōu)預測模型時的參數(shù)調(diào)整方法；通過精細化的參數(shù)調(diào)整，能夠提高模型的預測性能，確保模型在實際應(yīng)用中的有效性。

24、與現(xiàn)有技術(shù)相比，本發(fā)明取得的有益效果有：

25、(1)本發(fā)明通過對比多種不同機器學習算法，找到適用于預測超高性能混凝土殘余抗壓強度的最佳機器學習算法，得到了最優(yōu)的超高性能混凝土殘余抗壓強度的預測模型，能夠更準確地預測uhpc在高溫條件下的殘余抗壓強度。通過五折交叉驗證技術(shù)進行模型訓練，不僅能夠提高模型的準確性，還能夠有效評估模型的泛化能力，減少過擬合的風險。通過細致的參數(shù)調(diào)整過程，尤其是針對極限梯度提升算法的參數(shù)優(yōu)化，能夠進一步提高預測模型的精度和穩(wěn)定性。

26、(2)本發(fā)明通過收集國內(nèi)外公開發(fā)表的論文文獻作為數(shù)據(jù)集，其訓練出的模型具有更為普遍的適用性。該方法依賴于大量的實驗數(shù)據(jù)，通過對這些數(shù)據(jù)的分析和建模，能夠得到更為可靠的預測結(jié)果，這比傳統(tǒng)的經(jīng)驗公式或理論計算更具有實際應(yīng)用價值。其輸入?yún)?shù)都較為容易獲取，可以為超高性能混凝土的抗火性能試驗提供參考。