基于最小二乘支持向量机高强混凝土强度预测.doc

基于最小二乘支持向量机高强混凝土强度预测摘 要: 针对在多因素影响下较为准确地进行确定高强混凝土强度的问题,采用常规的试验分析方法存在耗时耗材耗人力过多,提出最小二乘支持向量机模型来预测高强混凝土强度。工程应用研究的结果表明,采用最小二乘支持向量机模型比人工神经网络模型、线性以及非线性回归分析更具有较高的预测精度,该方法能很好地表达高强混凝土强度与各影响因素之间的非线性映射关系,能方便快捷地预测出假定配合比对应的高强混凝土强度值,为实现高强混凝土配合比设计提供了一条新的途径。 关键词: 高强混凝土; 配合比设计; 最小二乘支持向量机; 机器学习 中图分类号: TU528文献标识码: A文章编号: 1009-8631(2010)03-0074-02 1. 引言 随着国家经济的高速发展,大型的高层建筑和复杂的大跨度桥梁等工程相继兴建,在这些工程中对混凝土强度要求也逐渐增强。通常将强度等级为C60及其以上的混凝土称为高强混凝土。高强度混凝土作为一种新的建筑材料,以其抗压强度高、抗变形能力强、密度大、空隙率低的优点,在大型的高层建筑、大跨度桥梁等某些特殊结构中得到广泛的应用[1]。 由于混凝土的28d抗压强度与水胶比、水泥种类及强度等级、胶凝材料用量比一级砂石的类型等多种因素有关[2],在实际工程中,不同的结构对混凝土强度的要求也不同,在实际工程应用中,通常通过试配法获得混凝土的抗压强度,即在确定混凝土配合比的基础上,保持砂率不变,调整胶料和骨料的使用量来实现的。可是,这种方法不仅消耗了大量的原材料,还要浪费大量的人力和时间。如果可以建立各种影响因素与混凝土强度的有效预测模型无疑可以大幅度地减少不必要的试验,节省大量的人力、物力和财力。 依赖于回归方法的传统预测模型虽能在一定程度上反映出各种影响因素与混凝土强度的复杂关系,但是当输入输出变量多时,建立模型困难,且不同回归公式可以获得不同的数学表达式,具有形式繁多且不一致性,尤其是回归经验公式的假设受人为的影响因素较大,一般无法完全再现试验数据,可重复性差,且预测误差较大。 近年来,随着系统科学,人工智能等学科的发展,人工神经网络(Artificial Neural Network,ANN)[3、4]等机器学习方法被引入到高强混凝土预测模型的建立中,并取得了很大的进展。但是,神经网络是基于大样本的一种机器学习方法,它的优化目标是基于经验风险最小化,这只能保证学习样本点的估计误差最小,其推广能力有一定的局限性问题等。 支持向量机(Support Vector Machine,SVM) Vapnik等人根据VC维理论和结构风险最小化原理提出的一种新的机器学习方法,与传统的神经网络相比,可以较好地解决小样本、非线性、高维数和局部极小值等实际问题。最小二乘支持向量机(least squares support vector machine,LS-SVM)[5]是支持向量机的改进,与标准SVM模型相比,它可以将SVM算法中的不等式约束改进为等式约束,同时可以将SVM算法中的二次规划问题转换为直接求解线性方程组,提高了求解问题的速度和精度。 本文对高强混凝土资料进行分析和取样,将各种影响因素与混凝土的强度形成样本对,利用LS-SVM机器学习方法的非线性映射和推广能力,通过有限的训练,建立高强混凝土强度的预测模型,为高强混凝土强度预测提供了一条新的途径。 2. 最小二乘支持向量机的原理 对于给定训练数据集为(xi,yi),其中i=1,2,…,l,xi∈Rn,yi∈R(l为学习样本数,n为x的维数)。首先通过一非线性映射ψ()把样本从原空间Rn映射到特征空间φ(xi),在高维特征空间中构造最优决策函数: y(x)=wTφ(x)+b (1) 式中:φ(x)为核空间映射函数;w为权变量;b为常数。 将非线性估计函数转化为高维特征空间的线性估计函数。根据结构风险最小化原则,回归问题可表示如下的约束优化问题: 约束条件为: yi=wTφ(xi)+b+ξi (3) 式中: ξi松弛因子,c是正规化参数,控制对超出误差样本的惩罚程度。 为求解式(1),定义拉格朗日(Lagrange)函数为: 式中:αi为Lagrange因子。 根据KKT(Karush-Kuhn-Tucker)最优化条件可得: 式中:k(x,x1)为核函数。它是满足Mercer条件的任何对称的核函数对应于特征空间的点积。核函数的种类较多,常用的有多项式核函数,径向基核函数,Sigmoid核函数,B样条核函数以及线性核函数。 3. 基于LS-SVM的高强混凝土强度预测模型 3.1 高强混凝土强度影响因素的确定