[发明专利]基于支持向量机的混凝土热力学参数智能识别方法

说明书

技术领域

本发明涉及一种基于支持向量机的混凝土热力学参数智能识别方法，属于水利水电工程的技术领域。 

背景技术

在大体积温控防裂中，混凝土热力学参数的设定对数值计算的准确性产生极大的影响，目前在混凝土热力学参数识别中有很多方法，例如刘宁将参数估计引入大体积温度场热力学参数随机反演分析，黎军采用可变容差法对混凝土热力学参数进行反演，王振红结合工程实践利用遗传算法识别出混凝土热力学参数等等。这些搜索算法，在混凝土热力学参数识别过程中优化算法需要不断重复调用温度场计算程序进行反复迭代，一般来说获取温度场的计算成本相对较高，特别当混凝土坝在通水冷却时，需考虑细小的冷却水单元，在实际工程计算中很难实现这样的大规模的计算。 

后来，于猛等人为了降低计算成本将神经网络对混凝土坝的温度场进行反分析，神经网络技术在一定程度减轻计算量，同时神经网络计算存在易陷入局部极小值点。基于最小化原理的支持向量机（SVM，Support Vector Machine）是一种新的算法，具有全局优化的特点，在抗干扰性能和求解速度较以往的方法要好，特别适合处理在小样本情况下的非线性问题。 

上述研究内容源于国家自然科学基金《灾变条件下特高混凝土坝失效破坏的关键力学问题》中的子课题“应力场与温度场的耦合作用机制”。 

发明内容

本发明所要解决的技术问题是提供一种基于支持向量机的混凝土热力学参数智能识别方法，克服现有大体积混凝土热力学参数识别方法中的不足，提供一种智能实用的识别方法。 

本发明为解决上述技术问题采用以下技术方案： 

本发明结合均匀设计方法、支持向量机、差分进化算法三种方法，提供一种基于支持向量机的混凝土热力学参数智能识别方法。其中，均匀设计方法是将数论的一致分布理论与多元统计分析结合起来使用的一种试验方法，它将试验点在试验范围内均匀分布，力求使用最少的试验来获得最多的信息。支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以求获得最好的推广能力。差分进化算法是一种用于优化问题的启发式算法，采用一对一的淘汰机制来更新种群，模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。 

本发明一种基于支持向量机的混凝土热力学参数智能识别方法，包括以下具体步骤： 

步骤1，根据需要反演的混凝土热力学参数的特征，确定反演参数的取值范围； 

步骤2，利用均匀设计方法，设计混凝土热力学参数的样本方案； 

步骤3，通过有限元正演得出样本方案中的各个特征点的温度值； 

步骤4，将步骤3中有限元正演得出的各个特征点的温度值和样本方案中对应的热力学参数值作为学习样本，建立支持向量机模型，进行支持向量机的学习，具体为： 

利用差分进化算法进行全局搜索，搜得支持向量机的各个系数，同时确定监测点的反演参数与监测点的实际温度值之间的非线性关系，建立支持向量机预测模型； 

步骤5，用步骤4中训练完成的支持向量机预测模型作为正演模型，利用差分进化算法全局搜索混凝土热力学参数，搜得与监测点实际温度值最接近的反演参数，即为最优混凝土热力学参数值。 

作为本发明的进一步优化方案，所述混凝土热力学参数包括混凝土导热系数、表面放热系数、绝热升温速率、水管表面发热系数。 

作为本发明的进一步优化方案，步骤4中所述支持向量机的模型选用最小二乘向量机的模型。 

本发明采用以上技术方案与现有技术相比，具有以下技术效果： 

1）本发明识别速度快，能显著改善在混凝土； 

2）本发明采用差分进化算法进行识别，具有方法简单、能识别全局最优解的特点； 

3）本发明在小样本的情况下，能正确识别出混凝土热力学参数值； 

4）本发明将热力学反演参数置换为浇筑温度、表面保温、通水温度、通水时间等温控措施，也可对大体积混凝土温控方法进行优化。 

附图说明

图1是本发明的方法流程图。 

图2是支持向量机的流程图。 

图3是差分进化方法的流程图。 

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。