本發(fā)明涉及混凝土耐久性研究領(lǐng)域，是一種海洋環(huán)境服役下混凝土耐久性能預(yù)測模型模型參數(shù)確定方法。

背景技術(shù)：

作為重大基礎(chǔ)設(shè)施建設(shè)的主體材料，混凝土材料性能及其時變性直接影響重大基礎(chǔ)工程的服役性能與服役壽命。對于海洋混凝土的性能已經(jīng)有大量的研究，混凝土本身因素和所處環(huán)境因素都將對混凝土后期的性能產(chǎn)生影響，混凝土的最終強度受到多種影響因素的綜合作用，影響機制復(fù)雜，且影響因素之間也彼此交叉影響。已有的研究中涉及到不同的因素影響，研究側(cè)重點不同，研究結(jié)果通常只適用于某些特定的條件下。

嚴酷環(huán)境下混凝土耐久性能和服役壽命的預(yù)測方法眾多，其中人工神經(jīng)網(wǎng)絡(luò)，BP支持向量機等預(yù)測方法的應(yīng)用廣泛。人工神經(jīng)網(wǎng)絡(luò)(Neural Networks,NN)是由大量簡單的神經(jīng)元廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它具備相當人腦功能的一些基本特征，是一個基于黑匣子運算的復(fù)雜的系統(tǒng)，可以用于運算多因素非線性關(guān)系的計算模型。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲和處理、自組織、自適應(yīng)和自學能力，特別適合處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題?；跀?shù)據(jù)的機器學習是現(xiàn)代智能技術(shù)中的重要方面，在以黑匣子操作為基礎(chǔ)的模型中，預(yù)測節(jié)點的選擇尤為重要。比如，以水泥強度、水泥、砂、碎石單位用量、水灰比以及碎石最大粒徑作為輸入?yún)⒘?，同條件養(yǎng)護試件的等效養(yǎng)護齡期強度作為輸出參量，可以利用神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行預(yù)測，神經(jīng)網(wǎng)絡(luò)解決了混凝土抗壓強度這個多元化、非線性、涉及面廣、綜合性強的問題的預(yù)測。綜合考慮混凝土本身的影響因素和外界的環(huán)境因素，通過建立神經(jīng)網(wǎng)絡(luò)模型對混凝土的劣化做出預(yù)測，并且能通過統(tǒng)計的手段找到混凝土性能力惡化的主要因素。

在以上的預(yù)測過程中，預(yù)測模型的節(jié)點選擇直接關(guān)系到模型建立是否可靠，對于目前影響因素復(fù)雜的海洋環(huán)境混凝土的后期性能的預(yù)測，選擇正確的因素節(jié)點既可以提高預(yù)測模型的精度和可靠性，也可以提高模型預(yù)測的效率，從而建立高效精準的海洋混凝土性能預(yù)測模型。目前，對于因素的確定和數(shù)據(jù)的選擇存在一定的局限性，對于模型建立時的數(shù)據(jù)獲取主要都是通過研究人員的試驗獲得，不具有代表性，通常只能適用于單一的預(yù)測模型，適用范圍狹窄。同時，神經(jīng)網(wǎng)絡(luò)節(jié)點各因素對指標的影響程度不同，通過增加權(quán)重系數(shù)的修正可以實現(xiàn)神經(jīng)網(wǎng)絡(luò)運算的高效化和簡易化。該權(quán)重系數(shù)的選擇需要與實際環(huán)境中各因素對指標的影響程度進行確定，灰色關(guān)聯(lián)系數(shù)可用于衡量該影響程度。在神經(jīng)網(wǎng)絡(luò)的建模過程中，使用灰色關(guān)聯(lián)系數(shù)值作為權(quán)重系數(shù)進行修正可以較好地實現(xiàn)海洋環(huán)境中混凝土的后期性能的預(yù)測。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有技術(shù)中存在的因素選擇不全面，數(shù)據(jù)量不充分，從而導(dǎo)致最終建模存在不準確，泛化能力低，精度不夠，適用性，處理協(xié)調(diào)多因素能力差的問題，提供一種基于灰色關(guān)聯(lián)的海洋混凝土耐久性能預(yù)測模型參數(shù)確定方法。

為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于灰色關(guān)聯(lián)的海洋混凝土耐久性能預(yù)測模型參數(shù)確定方法，包括如下步驟：

步驟一，以海洋混凝土的某個性能指標作為目標函數(shù)，從已有的文獻中篩選出該目標函數(shù)的影響因素參數(shù)；

步驟二，將步驟一篩選出的參數(shù)的數(shù)據(jù)進行摘錄，整理成因素序列，將文獻中的目標函數(shù)值整理成目標序列；

步驟三，利用灰色關(guān)聯(lián)度分析理論對目標序列和因素序列之間的關(guān)聯(lián)程度進行計算，得到兩者的關(guān)聯(lián)系數(shù)值，確定影響目標函數(shù)的影響因素權(quán)重；

步驟四，按照關(guān)聯(lián)系數(shù)值的大小對影響因素程度進行排序，選擇影響程度的較大的值，作為后期預(yù)測模型指標的選擇，并根據(jù)關(guān)聯(lián)系數(shù)的結(jié)果確定建模參數(shù)的權(quán)重；

步驟五，將上一步選擇的影響程度較大的因素值乘以其灰色關(guān)聯(lián)系數(shù)后帶入神經(jīng)網(wǎng)絡(luò)模型進行訓練和運算，實現(xiàn)指標的預(yù)測。

步驟一中，參數(shù)獲取方法包括文獻數(shù)據(jù)直接摘錄，文獻圖表數(shù)據(jù)讀取以及數(shù)據(jù)推導(dǎo)。

文獻圖表數(shù)據(jù)讀取時，使用GetData軟件進行讀取和摘錄，并利用Excel軟件摘錄整理。

步驟三中，利用公式計算關(guān)聯(lián)系數(shù)η(X_i)，其中X₀是目標序列，X_i為相關(guān)因素序列，ρ為分辨系數(shù)。

步驟四中，選擇關(guān)聯(lián)系數(shù)大于平均系數(shù)的影響因素。

本發(fā)明的主要機理如下：灰色關(guān)聯(lián)理論的原理主要是通過兩序列之間的曲線相似程度來判別兩者之間的關(guān)聯(lián)度大小，或者說是兩序列的曲線的幾何形狀的差異程度。當兩曲線的幾何形狀越接近時，序列之間的關(guān)聯(lián)度就越大，反之就越小。該方法對于離散程度較大無規(guī)律可循的樣本亦可以使用，計算方便。主要包括的計算步驟有目標序列和因素序列確定，對數(shù)列進行無量綱處理。利用公式計算灰色關(guān)聯(lián)系數(shù)η(X_i),其中X₀是目標序列，X_i為相關(guān)因素序列，ρ為分辨系數(shù)。將該灰色關(guān)聯(lián)系數(shù)值作為權(quán)重系數(shù)帶入到計算模型中進行修正，以提高模型的運算效率。

有益效果：本發(fā)明以灰色關(guān)聯(lián)理論為分析方法，對目標函數(shù)和子因素之間的相關(guān)系數(shù)進行計算，數(shù)據(jù)來源于大量的文獻數(shù)據(jù)摘錄和文獻圖表的讀取。數(shù)據(jù)庫范圍廣泛，適用性強；數(shù)據(jù)獲取來源于大量國內(nèi)外文獻，文獻具有代表性和可靠性。本發(fā)明中尤其是對于材料因素的分析可以很好地實現(xiàn)對混凝土設(shè)計的指導(dǎo)，此外可以實現(xiàn)預(yù)測模型的節(jié)點選擇。本發(fā)明與現(xiàn)有的試驗適配確定參數(shù)選擇相比，優(yōu)點為：第一，能夠極大程度上節(jié)約資源，減少試驗，實現(xiàn)混凝土性能的預(yù)測分析；第二，相比較單一的研究，該方法基于各種條件下的試驗數(shù)據(jù)，具有更好的普適性和可靠度。

附圖說明

圖1為實施例的步驟流程圖；

圖2為實施例中模型收斂的精度；

圖3為驗證網(wǎng)絡(luò)的性能的仿真結(jié)果。

具體實施方式

下面對本發(fā)明的實施例作詳細說明：本實施案例是以本發(fā)明技術(shù)方案為前提的基礎(chǔ)下進行實施，給出詳細的實施過程，但本發(fā)明的保護范圍不限于下述的實施案例：

實施例

基于灰色關(guān)聯(lián)系數(shù)的海洋水下區(qū)混凝土氯離子擴散系數(shù)預(yù)測模型參數(shù)的權(quán)重計算。步驟如圖1，閱讀國內(nèi)外文獻，涉及國內(nèi)外文獻約40篇，選擇影響海洋混凝土氯離子擴散系數(shù)的影響因素包括材料因素：原材料水膠比，養(yǎng)護時間，暴露前強度，粉煤灰和礦渣摻量，環(huán)境因素：氯離子濃度，硫酸根離子濃度，暴露溫度和暴露齡期。提取有效數(shù)據(jù)192組，如表1。對其進行灰色關(guān)聯(lián)理論分析。通過計算得到各因素與目標因素的灰色關(guān)聯(lián)系數(shù)值。具體數(shù)值如下：水膠比：0.686，養(yǎng)護時間：0.671，強度：0.706，粉煤灰摻量：0.580，礦粉摻量：0.656，氯離子濃度0.771，硫酸根離子濃度0.663，鎂離子濃度：0.657，加載值：0.583，溫度：0.667，暴露時間：0.691。結(jié)果得到：氯離子濃度>強度>暴露時間>水膠比>養(yǎng)護時間>溫度>硫酸根離子濃度>鎂離子濃度>礦粉摻量>荷載值>粉煤灰摻量。在這里考慮強度，氯離子濃度，暴露時間，硫酸根，鎂離子為主要影響因素，預(yù)測離子擴散系數(shù)。權(quán)重系數(shù)值利用各個關(guān)聯(lián)系數(shù)與總關(guān)聯(lián)系數(shù)的比值確定，則各權(quán)重系數(shù)為。強度：0.202，氯離子濃度：0.221，暴露時間：0.198，硫酸根：0.191，鎂離子：0.188。選取68組數(shù)據(jù)，如表2，根據(jù)權(quán)重系數(shù)處理原始樣本可得到后期的訓練樣本。并建立神經(jīng)網(wǎng)絡(luò)模型。

表1 192組數(shù)據(jù)整理摘錄表

表2權(quán)重系數(shù)處理后的68組樣本

圖2為模型收斂的精度，當設(shè)置誤差為0.00001時，網(wǎng)絡(luò)在43部運算時收斂，也就是說網(wǎng)絡(luò)可用；圖3驗證網(wǎng)絡(luò)的性能，使用sim函數(shù)，仿真結(jié)果，然后把結(jié)果和目標進行擬合。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出：對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。