[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

说明书

本发明属于混凝土结构抗渗性预测技术领域，并具体公开了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。包括：构建混凝土抗渗性指标体系，建立原始样本集，将训练数集作为随机森林回归模型的输入，对抗渗性指标体系的影响因素进行重要性评价，选出随机森林回归模型误差最小的影响因素集合，将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，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；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。本发明方法预测速度快，预测结果精准可靠。

技术领域

本发明属于混凝土结构抗渗性预测技术领域，更具体地，涉及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。

背景技术

近年来，在实际工程中因为混凝土耐久性不足而导致结构破坏的事件屡屡发生，混凝土作为一种广泛应用的建筑材料，其耐久性问题越来越受到国内外的广泛关注。混凝土的早期耐久性一般通过抗冻性、抗渗性、抗侵蚀性等指标反映，其中抗渗性是反映混凝土耐久性的重要指标之一，因此，对混凝土早期抗渗性进行快速有效的预测具有重要的工程应用价值。

目前国内外许多专家都对混凝土的抗渗性能进行了相关研究，但是大部分研究普遍采用的还是传统的实验方法，而传统的实验方法由于测量数据的随机性、系统误差等因素的影响，混凝土的渗透规律具有许多不确定性，采用一般的统计方法，试验观测数据的离散性较大，往往会造成分析结果失真，并且传统的实验方法往往是一项长期而复杂的过程，实验周期长，工作量巨大，研究效率比较低。

随着计算机技术的不断进步，一些专家也开始将目光转向智能算法领域，尝试结合智能算法来进行混凝土抗渗性的研究，但目前对于智能算法的应用还处于起步阶段，大多采用的是单一的卷积神经网络、BP神经网络等智能预测模型，虽然有效地解决了研究中出现的一些复杂问题，减小了误差，提高了研究效率，但是单一的智能模型存在高度依赖于数据库的准确性，收敛速度较慢，易陷入局部最优等固有缺陷，可能会导致不恰当和不可靠的预测结果。此外，混凝土抗渗性预测存在影响因素多、噪声干扰复杂等特点，需要有效地选择有用的影响因素，才能得到更为准确的预测结果。

基于上述缺陷和不足，本领域亟需提出一种新的预测混凝土结构抗渗性的方法，能够筛选出混凝土结构抗渗性的关键影响因素，并以此对混凝土结构抗渗性进行精准预测。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了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，其中结合最小二乘支持向量机自身的特征及其混凝土结构抗渗性预测的工艺特点，相应的利用随机森林回归模型进行特征选择，能在过多影响因素中，剔除与预测值相关性小的变量，筛选出用于建模的关键变量得到最优变量组合，降低最小二乘支持向量机训练模型的维度，提高预测精度，得到更贴近实际的预测结果，用以解决实际工程中混凝土结构抗渗性快速预测问题。

为实现上述目的，本发明提出了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，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，根据该变量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；