欢迎来到天天文库
浏览记录
ID:32447083
大小:232.15 KB
页数:3页
时间:2019-02-04
《高强混凝土强度预测的支持向量机模型及应用》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库。
1、学兔兔www.xuetutu.com2010年第5期(总第247期)混凝土理论研究Number5in2010(TotalNo.247)ConcreteTHEORETICALRESEARCHdoi:10.3969~.issn.1002—3550.2010.05.016高强混凝土强度预测的支持向量机模型及应用崔海霞(廊坊师范学院建筑工程学院,河北廊坊065000)摘要:高强混凝土的强度受多种因素的影响,其强度的预测是一个动态性的系统工程。采用支持向量机理论,建立了高强混凝土的强度预测的支持向量机预测模型。并将该模型计算结果与实测混凝土28d抗压强度、BP网络计算的强度、RBF径
2、向基函数神经网络计算的强度、线性回归模型计算的强度、非线性回归模型计算的强度进行比较。研究表明:预测结果与实测结果吻合较好,较线性回归和神经网络预测精度高,为高强混凝土的强度预测提供了一条新途径。关键词:高强混凝土;支持向量机;强度预测中图分类号:TU528.01文献标志码:A文章编号:1002—3550(2010)05—0049—03StrengthpredictionofhighstrengthconcreteusingSVManditsapplicationCU=rHai-xia(InstituteofArchitecturalEngineering,Langfang
3、TeachersTrainingCollege,Langfang065000,China)Abstract:Tomakethestrengthforecastofhighstrengthconcreteunderinfluenceofseveralfactorsexact,themodelofSVManditslearningalgorithmsarerecommended.ThentheapproachbasedonSVMisappliedtOpredictthestrengthofhighstrengthconcrete.Furthermore,wecon-trasti
4、ttoresultsofactualmeasured,theregression,BPnetwork,andRBFnetworkItisfoundthatSVMcanpredictthestrengthofhighstrengthconcretemoreaccuratelythantheapproachofregressiondoes.Theresultsuggeststhatneutralnetworkisaquantitativeandconvenientanalyzingapproachwi出hj曲accuracyItisfeasibleinpredictingthe
5、strengthofhighstrengthconcrete,Keywords:highstrengthconcrete;SVM;strengthforecast0引言1SVM模型混凝土设计规程认为,粉煤灰混凝土的28d抗压强度与支持向量机~S](supportvectormachines,SVM)是Vapnik等水胶比、水泥种类及强度等级、粉煤灰与胶凝材料用量比以及人根据统计学习理论提出的小样本学习方法。基本思想是通过石子的类型等有关。目前确定混凝土抗压强度的方法一般是在一个非线性映射把样本空间映射到一个高维特征空间中,将寻基准混凝土配合比的基础上,保持水胶比或砂率不变,
6、然后不找最优线性回归超平面的算法归结为求解一个凸约束特性下断调整胶料和骨料。这种方法不仅耗费大量原材料,而且也浪的凸规划问题,并得到全局最优解。同时支持向量机通过定义费大量的人力和时间。随着混凝土系统的复杂性和动态性不断核函数(KernelFunction),将高维空间中的内积运算转化为原加强,研究规模不断加大,影响因素逐渐增多,如粉煤灰混凝空间中的核函数运算。土、高性能混凝土等新型混凝土,由于其影响因素更为复杂,甚假定训练样本集为(Y).,为输入向量,Yl为输出向量,至存在诸多因素的交互作用,线性函数已不再适用,往往表现n为样本个数。支持向量机采用线性回归函数拟合样本集为
7、特定的非线性规律,尤其在探索混凝土强度影响因素与强度y(x)=(·西())+6(1)值之间的因果规律时,建立解析数学模型是一件极其困难甚至式中:——权向量;难以实现的事。近年来,随着计算机和生命科学的进步,人工神6——偏置项;经网络理论和模型得到了迅速发展,在工程界得到了广泛应用,西()——输入空间到输出空间的非线性映射。为混凝土强度预测和耐久性设计提供了有力的支持。设所有训练样本在精度s下无误差地用线性函数拟合,考最近,基于机器学习的突水预测方法日益受到关注,支持虑到允许拟合误差存在,引入非负松弛变量矗和毒,约束
此文档下载收益归作者所有