基于支持向量机的混凝土性能研究

论文摘要

作为混凝土结构设计与施工的重要依据，混凝土性能的研究越来越受到重视。按照传统的方法，例如混凝土抗压强度通常需要对混凝土试件进行28天的标准养护后测试获得。混凝土耐久性需要通过模拟环境，让试件在模拟环境下预测混凝土性能。这样，为了解决试验时间过长，环境模拟不够完善的缺点，对试验数据进行学习分析的机器学习方法就成了现今一个热门的方向。支持向量机（Support Vector Machine，简称SVM）具有坚实数学理论基础和严格的理论分析，具有全局优化、适应能力强、推广能力好等优点，是一种新的机器学习方法。它采用的是统计学理论的结构风险最小化准则，兼顾了训练误差和泛化能力，所以对于采取经验风险最小化准则的神经网络来说，是一个很大的进步。并且支持向量机算法简单，收敛速度快，能很快的对采集的数据进行分析，节省了大量的做实验的时间。针对神经网络容易出现“过学习”的问题，本文采用支持向量机模型对混凝土的硫酸盐膨胀性进行预测分析。将支持向量机的预测结果与神经网络等模型的预测结果进行比较分析，结果表明支持向量机能很好地预测混凝土的硫酸盐膨胀性问题。针对分析硅酸盐混凝土的长期抗压强度的问题，本文采用支持向量机模型进行了预测分析，结果表明支持向量机的预测结果在整体上来说，比神经网络模型和模糊算法模型更加适合于硅酸盐混凝土的长期抗压强度预测。通过上述两个算例证明了支持向量机的可行性，所以采用支持向量机和统计分析对混凝土的抗压强度和坍落度进行预测，结果表明支持向量机在小样本前提下也能很好的预测混凝土的抗压强度和坍落度。最后对预测的结果进行分析，依据影响混凝土抗压强度和坍落度的各个参量的灵敏性大小，为实际工程提高宝贵的意见。使用基因表达式程序设计和支持向量机模型对混凝土28天抗压强度进行预测，将其预测结果与神经网络模型的预测结果进行对比，结果表明支持向量机模型的结果比其他两种方法的预测精度和误差都好，这说明支持向量机适用于混凝土抗压强度的预测。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 概述
• 1.2 混凝土性能概述
• 1.2.1 和易性
• 1.2.2 强度
• 1.2.3 变形
• 1.2.4 耐久性
• 1.3 混凝土性能国内外研究现状
• 1.4 存在的问题
• 1.5 本文研究的主要内容
• 1.6 本章小结
• 第2章 支持向量机在混凝土性能预测中应用理论基础
• 2.1 概述
• 2.2 支持向量机的理论基础
• 2.2.1 机器学习
• 2.2.2 风险最小化准则
• 2.2.3 经验风险最小化
• 2.2.4 结构风险最小化
• 2.2.5 VC 维
• 2.2.6 推广能力
• 2.2.7 置信范围
• 2.3 支持向量机
• 2.4 核函数
• 2.5 算法分类
• 2.5.1 块算法
• 2.5.2 分解算法
• 2.6 本章小结
• 第3章 混凝土在硫酸盐侵蚀下的膨胀性预测研究
• 3.1 概述
• 3.2 混凝土的硫酸盐侵蚀研究
• 3.2.1 混凝土的硫酸盐侵蚀机理分析
• 3.2.2 硫酸盐对混凝土的侵蚀分析
• 3.3 混凝土的硫酸盐侵蚀预测研究
• 3.3.1 硫酸盐侵蚀预测模型的提出
• 3.3.2 支持向量机的硫酸盐侵蚀预测模型确定
• 3.4 支持向量机预的测结果分析
• 3.4.1 核函数的 RMSE 与 MAE
• 3.4.2 输入参量的灵敏度分析
• 3.5 本章小结
• 第4章 硅酸盐混凝土长期性能预测
• 4.1 概述
• 4.2 硅酸盐混凝土长期性能的影响因素分析
• 4.2.1 水泥的熟料组成
• 4.2.2 硅灰
• 4.2.3 外加剂
• 4.2.4 骨料
• 4.2.5 龄期
• 4.3 硅酸盐混凝土长期性能预测研究
• 4.3.1 神经网络预测模型
• 4.3.2 支持向量机预测模型的提出
• 4.3.3 支持向量机预测模型的确定
• 4.4 支持向量机预测模型的结果分析
• 4.4.1 核函数的 RMSE 和 MAE
• 4.4.2 输入参量的灵敏度分析
• 4.5 本章小结
• 第5章 高性能混凝土的强度和坍落度预测
• 5.1 概述
• 5.2 影响参量分析
• 5.2.1 高性能混凝土的坍落度
• 5.2.2 高性能混凝土的抗压强度
• 5.3 高性能混凝土性能的预测研究
• 5.3.1 支持向量机预测模型的建立
• 5.3.2 支持向量机预测模型的确定
• 5.3.3 高性能混凝土性能的统计预测研究
• 5.4 支持向量机预测模型结果分析
• 5.4.1 核函数的 RMSE 和 MAE
• 5.4.2 输入参量的灵敏度分析
• 5.5 本章小结
• 第6章 自密实混凝土抗压强度的基因表达式预测与支持向量机预测
• 6.1 基因表达式的基本概念
• 6.2 自密实混凝土抗压强度的预测研究
• 6.2.1 基因表达式模型的建立与分析
• 6.2.2 支持向量机预测模型的建立与分析
• 6.3 预测模型的结果分析
• 6.4 本章小结
• 结论
• 参考文献
• 致谢
• 附录 A 攻读学位期间所发表的学术论文目录