买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:湖北交投十巫高速公路有限公司
摘要:本发明属于混凝土结构安全评估领域,并具体公开了一种基于RF‑LSSVM模型预测混凝土抗碳化性能的方法。包括:建立混凝土抗碳化性能指标体系的原始样本集,将训练数集作为随机森林回归模型的输入,以对构成混凝土抗碳化性能指标体系的影响因素进行重要性评价,并进行特征选择,选出误差最小的影响因素集合作为最优特征变量集,将其作为最小二乘支持向量机模型的输入,混凝土碳化深度值作为输出,对最小二乘支持向量机模型进行训练,并采用测试数集验证训练后的最小二乘支持向量机模型的预测结果;对预测结果进行误差分析。本发明提高了预测模型的精度,使得预测结果更加精确、稳定,可以作为快速预测混凝土抗碳化性能的有效的工具。
主权项:1.一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法,其特征在于,包括以下步骤:S1根据影响混凝土抗碳化性能的原材料和配合比因素构建混凝土抗碳化性能的指标体系,并采集该混凝土抗碳化性能的指标体系的样本数据,建立原始样本集,将原始样本集中的各个样本进行去噪处理,并将去噪处理后的所述原始样本集按指定比例划分为训练数集和测试数集;S2将所述训练数集作为随机森林回归模型的输入,以对构成所述指标体系的影响因素进行重要性评价,根据该重要性评价的结果对影响因素进行特征选择,选出随机森林回归模型误差最小的影响因素集合,并将该影响因素集合作为最优特征变量集;S3选取高斯核函数作为最小二乘支持向量机模型的核函数,确定模型中核参数和惩罚参数构成的参数组合,采用遗传算法对最小二乘支持向量机模型的参数组合进行寻优,在全局范围内得到最优参数组合利用寻优之后的最佳参数组合,结合最优特征变量集构建基于遗传算法优化最小二乘支持向量机模型的混凝土抗碳化性能预测模型;S4输入测试数集并利用混凝土抗碳化性能预测模型对混凝土碳化深度值进行预测;S5验证所述混凝土抗碳化性能预测模型预测混凝土抗碳化性能的效果;步骤S1中,所述混凝土抗碳化性能的指标体系包括混凝土抗碳化性能的影响因素和混凝土抗碳化性能评价指标;所述混凝土抗碳化性能的影响因素包括材料因素、环境因素以及试验因素,其中,所述材料因素包括:水胶比、水泥强度、水泥用量、粉煤灰掺量、细骨料含量、粗骨料含量、减水剂含量和水含量,所述环境因素包括:相对湿度、温度和二氧化碳浓度,所述试验因素包括:混凝土试件体积、碳化时间和抗压强度;所述混凝土碳化深度评价指标为混凝土碳化深度值;步骤S2具体包括以下步骤:S21根据随机森林回归模型中二叉树节点包含的特征数和决策树的棵数构建随机森林回归模型;S22将所述训练数集作为随机森林回归模型的输入,对于随机森林回归模型中的每一棵决策树,采用该决策树相应的袋外数据计算其袋外数据误差errOOB1;S23随机将上述决策树相应的袋外数据中所有样本数据的某个变量作为特征X,并对该特征X加入噪声干扰,然后再次计算该决策树相应的袋外数据误差errOOB2;S24构建重要性计算模型,并根据所述重要性计算模型对上述特征X进行变量重要性评价,所述重要性计算模型为:Importance=∑errOOB2-errOOB1Ntree其中,Ntree为随机森林回归模型中决策树的棵树;S25重复步骤S22至步骤S24,直至输出所述训练数集中所有变量的变量重要性评价,然后绘制变量重要性评价的可视化绘图,并将所有变量的变量重要性评价按降序排列,并根据排序结果对变量进行重要性度量的初步筛选;S26对初步筛选后得到的变量集,利用递归特征后向消除法从该变量集中逐次去除指定比例的变量,每次去除得到一个变量,对比除去该变量后,剩余变量对应的袋外误差率,将误差率最小的变量集作为最优特征变量集,并以此确定最优特征变量集中最优特征的数量。
全文数据:
权利要求:
百度查询: 湖北交投十巫高速公路有限公司 一种基于RF-LSSVM模型预测混凝土抗碳化性能的方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。