【技術實現步驟摘要】
本專利技術涉及混凝土配合比設計，特別涉及基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法。
技術介紹
1、混凝土因其原材料的廣泛可得性、卓越的力學性能和優異的耐久性，成為全球使用最為廣泛的建筑材料之一。然而，在暴露于含硫酸鹽離子的侵蝕性環境中時，混凝土使用壽命會顯著縮短。因此，理解和預測硫酸鹽侵蝕下混凝土的膨脹行為，對于耐久混凝土結構的設計和維護至關重要。
2、由于硫酸鹽侵蝕混凝土過程涉及復雜的物理和化學變化，諸如水泥種類、水膠比、溫度、ph值及輔助膠凝材料用量等眾多因素都會影響該過程。傳統的硫酸鹽抗性評估方法通常依賴長期的暴露試驗和經驗模型，這些基于控制變量的方法不僅耗時長，而且難以準確捕捉復雜因素之間的相互關系，同時對環境也可能產生負面影響。
技術實現思路
1、專利技術目的：針對以上問題，本專利技術目的是提供基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，兼顧混凝土結構環境影響和全生命周期成本，同時設計出高抗硫酸鹽性能、低環境影響和低全生命周期成本的混凝土。
2、技術方案：本專利技術的一種基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，包括如下步驟：
3、步驟1，獲取硫酸鹽侵蝕混凝土的相關數據，并構建數據庫；對數據庫的數據進行預處理，并按比例劃分為訓練集和測試集；
4、步驟2，確定混凝土受硫酸鹽侵蝕產生的膨脹值預測模型，該膨脹指預測模型的輸入項為混凝土配比及環境變量，輸出項為混凝土受硫酸鹽侵蝕產生的膨脹值；
5、步
6、步驟4，建立硫酸鹽混凝土的多目標優化模型，并設置約束條件，利用逼近理想解排序法方法確定多目標優化模型的最優解。
7、進一步地，對數據庫的數據進行預處理包括：
8、對數據庫的數據進行清洗和標準化操作。
9、進一步地，確定混凝土受硫酸鹽侵蝕產生的膨脹值預測模型包括：
10、利用多種機器學習算法構建混凝土受硫酸鹽侵蝕產生膨脹值的機器學習模型，并利用訓練集數據對各機器學習模型進行訓練，選擇出最佳性能的機器學習模型作為膨脹值預測模型。
11、進一步地，選擇出最佳性能的機器學習模型作為膨脹值預測模型包括：
12、采用對比的性能指標包括決定系數r2、均方根誤差rmse、平均絕對誤差mae、均方根對數誤差rmsle和目標函數obj，通過對每個機器學習模型在多項性能指標進行分析，選出多個性能指標均優于其他機器學習模型的作為膨脹值預測模型。
13、進一步地，步驟4中多目標優化模型的目標函數為：
14、
15、ei＝f(gwp)+f(odp)+f(ap)+f(ep)+f(pocp)+f(adp)
16、lcc＝f(direct?costs)+f(environmental?costs)
17、式中，expansion表示膨脹值，通過膨脹值預測模型獲得；ei表示環境影響因素,f(gwp)、f(odp)、f(ap)、f(ep)、f(pocp)、f(adp)分別表示全球變暖潛力、臭氧消耗潛力、酸化潛力、富營養化潛力、光化學臭氧生成潛力和非生物資源消耗潛力；lcc表示全生命周期成本，包括直接成本f(direct?costs)和間接成本f(environmental?costs)；
18、設置的約束條件包括體積約束、配合比約束和用量范圍約束，通過約束條件獲得所有配合比方案的搜索空間；其中體積約束為：
19、
20、配合比約束為：
21、
22、
23、用量范圍約束為：
24、qi,min≤qi≤qi,max
25、其中，vmin為體積下限，vmax為體積上限，qw、qce、qca、qs、qfa、qsf和qslag分別表示水、水泥、粗骨料、砂、粉煤灰、硅灰和礦渣的用量，uw、uce、uca、us、ufa、usf和uslag分別為水、水泥、粗骨料、砂、粉煤灰、硅灰和礦渣的單位體積質量；q1為水膠比的下限，q2為水膠比的上限，q3為粗骨料用量與膠凝材料用量之比的下限，q4為粗骨料用量與膠凝材料用量之比的上限，q5為粗骨料用量占混凝土總材料用量的下限，q6為粗骨料用量占混凝土總材料用量的上限；qi分別代表qw、qce、qca、qs、qfa、qsf和qslag，qi,min代表用量最小值，qi,max代表用量最大值。
26、進一步地，利用逼近理想解排序法方法確定多目標優化模型的最優解包括：
27、確定理想方案和負理想方案，計算搜素空間中每個配合比方案與理想解和負理想解的距離，根據距離計算各個方案的相對接近度，將相對接近度從大到小進行排序，排列最前作為多目標優化模型的最優解；其中每個配合比方案與理想解和負理想解的距離的計算公式分別為：
28、
29、相對接近度的計算公式為：
30、
31、式中，di+和di-分別表示配合比方案i到理想方案和負理想方案的距離，fi表示配合比方案i的目標值，n表示配合比方案的總量，fideal表示理想方案的值，fnon-ideal表示負理想方案的值。
32、有益效果：本專利技術與現有技術相比，其顯著優點是：
33、1、本專利技術提供的方法能克服傳統實驗方案耗時長、效果較差的問題，提高了抗硫酸鹽混凝土配合比的設計效率，降低了成本；
34、2、本專利技術中膨脹值預測模型通過對比多種機器學習模型的多項評價指標選出，保證了模型性能最佳同時預測準確性高，為pdp和shap分析以及配合比設計提供準確可信的結果支持；
35、3、本專利技術通過輸入數據標準化的機器學習方法進行pdp和shap分析，提高了機器學習模型的可解釋性，能更好的理解模型的行為，減少因“黑箱”模型引發的不確定性；
36、4、本專利技術通過多目標優化設計，在保證混凝土抗硫酸鹽性能的同時、兼顧了混凝土的環境影響和全生命周期成本，彌補了傳統混凝土配合比設計中僅關注抗硫酸鹽性能單一目標的不足，提高了預測的準確性。
本文檔來自技高網...【技術保護點】
1.基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，對數據庫的數據進行預處理包括：
3.根據權利要求1所述的基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，確定混凝土受硫酸鹽侵蝕產生的膨脹值預測模型包括：
4.根據權利要求3所述的基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，選擇出最佳性能的機器學習模型作為膨脹值預測模型包括：
5.根據權利要求1所述的基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，步驟4中多目標優化模型的目標函數為：
6.根據權利要求5所述的基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，利用逼近理想解排序法方法確定多目標優化模型的最優解包括：
【技術特征摘要】
1.基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，對數據庫的數據進行預處理包括：
3.根據權利要求1所述的基于可解釋機器學習的抗硫酸鹽混凝土配合比設計方法，其特征在于，確定混凝土受硫酸鹽侵蝕產生的膨脹值預測模型包括：
4.根據權利要求3所述的基于可...
【專利技術屬性】
技術研發人員：馮攀，李文佳，張熠瑋，顧金水，孫立，沈敘言，
申請(專利權)人：東南大學溧陽研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。