本发明公开了一种基于机器学习的砂浆流变特性预测方法，包括以下步骤：(1)根据砂浆流变性能的影响因素，选取影响砂浆的10个特征变量，包含砂浆的水泥含量、机制砂含量等；配制砂浆并获取流变性能数据，得到最初始数据集；(2)使用主成分分析对数据集进行降维，得到6维的数据集；(3)采用粒子集群算法对支持向量回归模型中的惩罚因子进行寻优，建立PSO‑SVR模型，并用6维的数据集训练PSO‑SVR模型；(4)将待测的砂浆样品的10个特征变量输入PSO‑SVR，输出对应砂浆的屈服应力和塑性粘度值。本发明基于砂浆
(1)根据砂浆流变性能的影响因素，选取影响砂浆的10个特征变量：砂浆的水泥含量、
机制砂含量、粉煤灰含量、矿渣含量、减水剂含量、水含量、砂浆混合后时间、水灰比、骨胶比
以及水胶比；以不同配合比配制相应的砂浆，并检测其屈服应力和塑性粘度值作为检测数
(2)以不同配合比砂浆流变性能的检测数据和影响砂浆流变特性的10个特征变量作为
基础，对数据进行特征选择，通过主成分分析PCA进行数据降维，得到6维的数据集；
(3)采用粒子集群算法PSO对支持向量回归SVR模型中的惩罚因子进行寻优，建立PSO‑
SVR模型，并用6维的数据集训练PSO‑SVR模型，构建出用于预测砂浆流变性能的PSO‑SVR模
(4)将待测的砂浆样品的10个特征变量作为输入，将PSO‑SVR输出的对应砂浆的屈服应
2.根据权利要求1所述的基于机器学习的砂浆流变特性预测方法，其特征在于，步骤
(1)中，使用流变仪采集砂浆的流变特性参数，通过宾汉姆方程得到砂浆的屈服应力与塑性
3.根据权利要求1所述的基于机器学习的砂浆流变特性预测方法，其特征在于，步骤
(1)中，对初始数据集按8：2随机划分训练集和测试集，并对训练集和测试集进行标准化处
4.根据权利要求1所述的基于机器学习的砂浆流变特性预测方法，其特征在于，步骤
(2)中，对每一个特征变量进行去中心化，即选取所有特征并分别减去其特征的平均值；再
求出该数据10维的协方差矩阵，通过该协方差矩阵特征值的大小对数据集重新排布，最后
5.根据权利要求1所述的基于机器学习的砂浆流变特性预测方法，其特征在于，步骤
(3)中，采用粒子集群算法PSO对支持向量回归SVR模型中的惩罚因子进行寻优之前，首先，
初始化SVR模型的惩罚参数、核函数带宽；使用SVR模型对样本空间进行超平面划分，将样本
D＝{(x，y)，(x，y)，...，(x，y)}，y∈R从原始空间映射到另一个更高维的特征空间，使
其中，w＝(w；w；...；w)为法向量，决定超平面的方向；φ(x)表示为x映射后的特征向
其中，C为惩罚参数，L为不敏感损失函数，使得在最大化间隔的同时，不满足约束的样
6.根据权利要求5所述的基于机器学习的砂浆流变特性预测方法，其特征在于，由于特
征空间维数较高，为减少计算量，引入高斯核函数，从而实现非线性数据样本的回归分析：
其中，x，x为低维输入空间的特征向量，K(x，x)为两个特征向量经非线性映射到高维
7.根据权利要求5所述的基于机器学习的砂浆流变特性预测方法，其特征在于，采用粒
子集群算法PSO对支持向量回归SVR模型中的惩罚因子进行寻优时，具体过程为：
初始化粒子群算法中粒子的位置和速度，评估个体与全局最优位置找到最优解；不断
迭代，更新粒子的位置和速度，通过比较当前位置与个体最优位置的适应度来更新个体最
其中，V为粒子的速度，ω为惯性权重，W为粒子的当前位置，C、C为学习因子，r、r为
(1，2)之间的随机数，P为单次搜索得到的最优位置，G为全局搜索得到的最优位置；
8.根据权利要求5所述的基于机器学习的砂浆流变特性预测方法，其特征在于，步骤
(3)中，训练PSO‑SVR模型时，将获得的最优惩罚参数和核函数带宽带入到SVR模型进行预
测，采用k折交叉验证法作为砂浆流变性能预测结果的验证对策，使用决定系数R和平均绝
[0001]本发明属于桥梁施工领域，尤其涉及一种基于机器学习的砂浆流变特性预测方
[0002]随着复杂地质条件下建造的大型桥梁不断增多，需要使用具有更大承载能力的超
大直径和超大桩长的钻孔灌注桩基础。这导致灌注混凝土的方量、时间和质量控制难度都
远超常规尺寸灌注桩基础，对混凝土的施工性能提出了更高要求。在桩基础灌注过程中，混
凝土必须同时具备良好的流动性和足够的抗离析性，以防止灌注桩出现断桩等质量问题。
因此，研究混凝土的流变特性随时间的变化成为确保大直径钻孔灌注桩混凝土施工性能的
[0003]混凝土的流变特性取决于砂浆级配、混合料尺寸和温度等诸多因素。在适当的条
件下，可以通过砂浆的流变性能来反映混凝土的流变特性。随着环保意识的增强，天然河砂
的使用逐渐减少，机制砂在工程中的应用越来越广泛，因此有必要对使用机制砂配制的混
[0004]砂浆的流变特性非常复杂，它受到微观结构、水泥水化、自由水含量、温度以及混
处理的方法，能够从提供的数据中自动归纳出逻辑或规则，并根据这些归纳结果对新数据
进行预测或分类。如公开号为CN110569920A的中国专利文献公开了一种多任务机器学习的
预测方法；公开号为CN108304941A的中国专利文献公开了一种基于机器学习的故障预测方
[0005]机器学习的方法擅长理解复杂材料属性之间的关系，为复杂材料特性建模提供了
可行且优越的替代传统统计方法的途径。因此，需要一种采用机器学习整合砂浆的数据信
[0006]本发明提供了一种基于机器学习的砂浆流变特性预测方法，能在没有实验器材的
[0008](1)根据砂浆流变性能的影响因素，选取影响砂浆的10个特征变量：砂浆的水泥含
量、机制砂含量、粉煤灰含量、矿渣含量、减水剂含量、水含量、砂浆混合后时间、水灰比、骨
胶比以及水胶比；以不同配合比配制相应的砂浆，并检测其屈服应力和塑性粘度值作为检
[0009](2)以不同配合比砂浆流变性能的检测数据和影响砂浆流变特性的10个特征变量
作为基础，对数据进行特征选择，通过主成分分析PCA进行数据降维，得到6维的数据集；
[0010](3)采用粒子集群算法PSO对支持向量回归SVR模型中的惩罚因子进行寻优，建立
PSO‑SVR模型，并用6维的数据集训练PSO‑SVR模型，构建出用于预测砂浆流变性能的PSO‑
[0011](4)将待测的砂浆样品的10个特征变量作为输入，将PSO‑SVR输出的对应砂浆的屈
[0012]进一步地，步骤(1)中，使用流变仪采集砂浆的流变特性参数，通过宾汉姆方程得
[0014]式中：τ为剪切应力，τ(Pa)为屈服应力；η(Pa·s)为塑性粘度；γ(1/s)为剪切速
[0015]步骤(1)中，对初始数据集按8：2随机划分训练集和测试集，并对训练集和测试集
[0016]步骤(2)中，对每一个特征变量进行去中心化，即选取所有特征并分别减去其特征
的平均值；再求出该数据维度(10维)的协方差矩阵，通过该协方差矩阵特征值的大小对数
[0017]步骤(3)中，采用粒子集群算法PSO对支持向量回归SVR模型中的惩罚因子进行寻
优之前，首先，初始化SVR模型的惩罚参数、核函数带宽；使用SVR模型对样本空间进行超平
[0020]其中，w＝(w；w；…；w)为法向量，决定超平面的方向；φ(x)表示为x映射后的特
[0023]其中，C为惩罚参数，L为不敏感损失函数，使得在最大化间隔的同时，不满足约束
[0026]由于特征空间维数较高，为减少计算量，引入高斯核函数，从而实现非线性数据样
[0028]其中，x,x为低维输入空间的特征向量，K(x,x)为两个特征向量经非线性映射
[0029]采用粒子集群算法PSO对支持向量回归SVR模型中的惩罚因子进行寻优时，具体过
[0030]初始化粒子群算法中粒子的位置和速度，评估个体与全局最优位置找到最优解；
不断迭代，更新粒子的位置和速度，通过比较当前位置与个体最优位置的适应度来更新个
[0032]其中，V为粒子的速度，ω为惯性权重，W为粒子的当前位置，C、C为学习因子，r、
r为(1,2)之间的随机数，P为单次搜索得到的最优位置,G为全局搜索得到的最优位
[0036]训练PSO‑SVR模型时，将获得的最优惩罚参数和核函数带宽带入到SVR模型进行预
测，采用k折交叉验证法作为砂浆流变性能预测结果的验证对策，使用决定系数R和平均绝
[0039]式中，N是数据样本的数量，Y和Y表示第i个数据样本的实际和预测输出。
[0041]1、对施工企业来说，需要进行大量的配合比实验才能获得符合流变性能要求的砂
浆，这将耗费大量时间和成本，普通企业也不具备相应的实验条件；传统的统计方法是建立
非线性方程来预测砂浆的流变性能，但由于变量较多，尤其时间、温度以及减水剂等因素的
影响较大，很难快速准确的获得砂浆的流变性能。而本发明通过PSO‑SVR模型可以快速、简
[0042]2、本发明从多个维度对砂浆流变性能进行建模，并基于数据挖掘技术分析砂浆在
时间变化下的流变规律，PSO‑SVR模型可以准确的预测砂浆的流变性能，其准确率超过了
95％，为砂浆及混凝土工作性能的准确预测提供了数据基础，具有良好的社会效益和经济
[0043]图1为本发明实施例一种基于机器学习的砂浆流变特性预测方法流程图；
[0045]图3为本发明实施例中PSO‑SVR寻找最优惩罚参数和核函数带宽流程图；
[0046]图4为本发明实施例中PSO‑SVR模型预测与实际实验的屈服应力结果对比图；
[0047]图5为本发明实施例中PSO‑SVR模型预测与实际实验的塑性粘度结果对比图。
[0048]下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实
[0049]如图1所示，一种基于机器学习的砂浆流变特性预测方法，具体施工过程包括以下
[0050]步骤1，收集砂浆材料数据和对应流变性能数据作为机器学习模型的数据集。
[0051]具体包括：使用不同配合比的砂浆进行流变性测试，由于砂浆流变性可能受到搅
拌步骤和设备的影响，且需要获得可重复的实验结果，所以每组砂浆将使用相同的搅拌机
和相同的集料搅拌顺序。同一组砂浆搅拌后将分为四个样品，分别对应4个不同的时段。砂
浆样品通过流变仪进行检测，通过流变仪转子对砂浆进行剪切，提取砂浆的流变性能数据。
完成流变试验后废弃已剪切的样品，以确保重复试验样品之间具有相同的剪切历史。本实
[0053]本实施例中选取的砂浆流变性能为砂浆的塑性粘度和屈服应力；材料特性为砂浆
的水泥含量、机制砂、粉煤灰、矿渣、减水剂、水、砂浆混合后时间、水灰比、骨胶比以及水胶
[0055]将材料特性与砂浆流变性能特性数据按8：2随机划分为训练集和测试集；分别对
训练集和测试集进行标准化处理，使所有数据处于(0，1)范围内，以消888集团官网入口除量纲的影响。
[0056]步骤3，对预处理后的砂浆数据进行特征选择，通过主成分分析(PCA)，剔除冗余特
[0057]选取训练集数据进行特征选择，根据砂浆训练集得到砂浆n维特征矩阵。对所述n
[0060]计算该协方差矩阵的特征值和所述特征值对应的特征向量：C＝λu每一个特征值
λ都有对应的特征向量u。并对特征值进行排序，根据特征值的大小，按从大到小的顺序对
[0061]对于每个样本X，原始特征维(x,x,x,…,x)，数据降维后的新特征矩阵是(y,
[0063]步骤4，得到处理后的砂浆流变性能数据后，建立砂浆材料性能与砂浆流变性能预
测SVR模型，采用粒子集群算法(PSO)优化SVR模型，首先初始化SVR模型的惩罚参数(C)、核
[0066]其中，w＝(w；w；…；w)为法向量，决定超平面的方向；φ(x)表示为x映射后的特
[0067]若训练样本落入此间隔带，则认为使预测正确，于是便可将回归问题转化为求解
[0069]其中C为惩罚参数，L为不敏感损失函数，ε不敏感损失函数表达式如下：
[0071]为了使数据样本能够在高维特征空间中实现线性回归，故将低维的数据样本映射
到高维特征空间中；由于特征空间维数较高，为减少计算量，故引入高斯核函数，从而实现
[0073]其中x,x为低维输入空间的特征向量，K(x,x)为两个特征向量经非线性映射到
[0074]步骤5，设置PSO算法参数，对SVR的C和gamma参数进行优化，具体如下：
[0075]初始化粒子群群体规模N、每个粒子的初始位置x和速度v，并且将粒子的历史最
优P设为当前位置，而群体中最优的粒子作为当前的G。在每一次迭代中，计算各个粒
子的适应度函数值，如果该粒子当前的适应度函数值比历史最优值好，那么历史最优将会
[0079]其中，V为粒子的速度，ω为惯性权重，W为粒子的当前位置，C、C为学习因子，r、
r为(1,2)之间的随机数,P为单次搜索得到的最优位置,G为全局搜索得到的最优位
[0080]训练PSO‑SVR模型时，如图3所示，将获得的最优惩罚参数和核函数带宽带入到SVR
模型进行预测，采用k折交叉验证法作为砂浆流变性能预测结果的验证对策，使用决定系数
R和平均绝对百分比误差MAPE两个指标检验SVR模型性能，具体计算公式如下：
[0083]式中，N是数据样本的数量，Y和Y表示第i个数据样本的实际和预测输出。
[0084]步骤6，设置优化模型的相关参数：粒子的初始化速度为0.8，初始位置为随机数，
种群的大小设定为30，设定学习因子C和C的值为2，最大循环数设定为500，μ＝0.5，μ
[0087]在完成用PSO对SVM参数优化后，用得到的最优参数惩罚参数(C)和核函数带宽
(gamma)重新训练得到SVR回归模型，训练集的预测结果如图4和图5所示。
[0088]步骤7，为了验证本发明所提供的PSO‑SVR模型的预测效果，将RFR模型、SVR模型、
处理后的PSO‑SVR模型，就相同的数据进行性能对比，发现本发明PSO‑SVR的预测精确度最
高，如下表1所示。进一步证明本发明的PSO‑SVR算法在提高模型性能方面的优越性。
[0091]以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是
以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做
2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。
3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
一种低熔点高强塑性Sn-Zn-In-Bi中熵合金无铅焊料及制备方法.pdf
政府间国际科技创新合作”重点专项2023年度第一批项目申报指南(形式审查要求条件).pdf
原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者
