[发明专利]基于随机森林和智能算法预测混凝土结构耐久性的方法

权利要求书

1.一种基于随机森林和智能算法预测混凝土结构耐久性的方法，其特征在于，包括以下步骤：

S1根据影响混凝土结构抗渗性的原材料和配合比因素构建混凝土抗渗性指标体系，并采集该结构抗渗性指标体系的样本数据，建立原始样本集，将所述原始样本集按指定比例划分为训练数集和测试数集；

S2将所述训练数集作为随机森林回归模型的输入，以对构成所述混凝土抗渗性指标体系的影响因素进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集；

S3构建最小二乘支持向量机模型，将所述最优特征变量集作为所述最小二乘支持向量机模型的输入变量，对应混凝土氯离子扩散系数预测结果作为输出变量，对最小二乘支持向量机模型进行训练，然后采用所述测试数集验证训练后的最小二乘支持向量机模型的预测结果；

S4对所述预测结果进行分析，验证最小二乘支持向量机模型预测混凝土结构抗渗性的效果；步骤S1中，所述结构抗渗性指标体系包括结构抗渗性影响因素和结构抗渗性评价指标；

所述结构抗渗性影响因素包括水泥强度、水泥用量、粉煤灰用量、减水剂用量、细集料用量、粗集料用量、混凝土强度、砂率、水胶比、水用量、碱含量、含泥量、针、片状颗粒总含量以及平均粒径，所述结构抗渗性评价指标包括氯离子扩散系数；

步骤S2具体包括以下步骤：

S21根据随机森林回归模型中二叉树节点包含的特征数和决策树的棵数构建随机森林回归模型；

S22将所述训练数集作为随机森林回归模型的输入，对于随机森林回归模型中的每一棵决策树，采用该决策树相应的袋外数据计算其袋外数据误差；

S23随机将上述决策树相应的袋外数据中所有样本数据的某个变量作为特征X，并对该特征X加入噪声干扰，然后再次计算该决策树相应的袋外数据误差；

S24构建重要性计算模型，并根据所述重要性计算模型对上述特征X进行变量重要性评价；

S25重复步骤S22至步骤S24，直至输出所述训练数集中所有变量的变量重要性评价，然后绘制变量重要性评价的可视化绘图，并将所有变量的变量重要性评价按降序排列，并根据排序结果对变量进行重要性度量的初步筛选；

S26对初步筛选后得到的变量集，利用递归特征后向消除法从该变量集中逐次去除指定比例的变量，每次去除得到一个变量，对比除去该变量后，剩余变量对应的袋外误差率，将误差率最小的变量集作为最优特征变量集，并以此确定最优特征变量集中最优特征的数量。

2.根据权利要求1所述的一种基于随机森林和智能算法预测混凝土结构耐久性的方法，其特征在于，所述训练数集与测试数集中样本总数量的比为2∶1～4∶1。

3.据权利要求1所述的一种基于随机森林和智能算法预测混凝土结构耐久性的方法，其特征在于，步骤S24中，所述重要性计算模型为：

其中，r₁为随机森林回归模型中决策树相应的袋外数据的袋外误差，r₂为对袋外数据中的某个特征X加入噪声干扰后再次计算得到的袋外误差，N为随机森林回归模型中决策树的棵数。

4.根据权利要求1所述的一种基于随机森林和智能算法预测混凝土结构耐久性的方法，其特征在于，步骤S3具体包括以下步骤：

S31选择高斯核函数构建最小二乘支持向量机模型；

S32将所述最优特征变量集作为最小二乘支持向量机模型的输入，对应混凝土氯离子扩散系数预测结果作为输出变量，采用十折交叉验证进行参数寻优，以确定最小二乘支持向量机模型的惩罚参数C和高斯核函数核宽度参数σ²的最优参数组合；

S33基于最优特征变量集采用最优参数组合的最小二乘支持向量机模型对测试数集进行预测，并输出预测结果以验证训练后的最小二乘支持向量机模型的预测结果。

5.根据权利要求4所述的一种基于随机森林和智能算法预测混凝土结构耐久性的方法，其特征在于，所述高斯核函数表达式如下：

其中，x为输入的变量，x_i为第i个样本，x_j为第j个样本，σ²为核宽度参数。