基于AdaBoost算法的混凝土抗压强度预测

论文采集1030组混凝土抗压强度试验数据,通过训练AdaBoost算法,得到可用于预测混凝土抗压强度值的模型。结果表明:AdaBoost算法模型可以在给定输入变量的情况下准确有效地预测混凝土抗压强度;10折交叉验证决定系数R2的平均值达到0.952,平均绝对百分比误差(MAPE)达到11.39%,说明十折交叉验证具有较高准确率;AdaBoost算法与人工神经网络和支持向量机独立学习算法比较,表现出集成学习算法的优越性;讨论了AdaBoost算法模型中训练数据集数量、弱学习器类型和输入变量的数量相关因素,发现使用1030数据集的80%可以获得良好的预测结果。

沥青混合料抗压回弹模量测量不确定度的评定

为了定量分析沥青混合料抗压回弹模量试验结果不确定性的影响因素,通过抗压回弹模量试验及对其数学模型逐步分解和分析,列出了抗压回弹模量不确定度的影响因素。结合测量不确定度理论,计算出了各影响因素引入标准不确定度的大小,并给出了AC-16混合料抗压回弹模量的扩展不确定度报告。研究结果表明:AC-16混合料抗压回弹模量测量不确定度最根本的影响因素是试件内部材料组成的不均匀性。与传统的测量结果相比,以扩展不确定度报告转换的区间在定量评价上更科学合理;考虑不确定度对测量结果的影响范围,可以获得更加可靠的合格判定结果。AC-16混合料抗压回弹模量测量不确定度的评定过程,可以为同条件下的试验分析提供参考。

基于耦合BAS-MLP的混凝土抗压强度预测

针对1 030组混凝土抗压强度试验数据,通过天牛须搜寻算法(BAS)来训练多层神经网络(MLP),并与混合复杂进化方法(SCE)-MLP、多元宇宙优化算法(MVO)-MLP这2种耦合模型算法进行对比分析,得到可用于预测混凝土抗压强度的算法模型.结果表明:BAS可以显著提高MLP的训练精度和预测精度,该算法比SCE-MLP、MVO-MLP耦合模型算法更快、更准确;与人工神经网络(ANN)和支持向量机(SVM)个体学习算法相比,元启发式算法在混凝土抗压强度预测方便表现出良好的优越性.同时讨论了BAS-MLP模型中与训练数据集数量和输入变量数量相关的因素,发现使用1 030组数据的80%即可获得良好的预测结果 .

水泥稳定碎石强度的测量不确定度分析

为了分析水泥稳定碎石强度试验结果的离散性,提高强度结果使用的精确性。该文采用MTS开展了5%水泥剂量、90d龄期的单轴压缩、四点弯曲和劈裂强度试验,并利用测量不确定度理论对不同应力状态下的水泥稳定碎石强度进行不确定度的评定与分析。通过分析试件不均匀性和强度数学模型输入量引入的不确定度对强度试验结果精确性的影响程度,获得了3种应力状态下的水泥稳定碎石强度的扩展不确定度,并提出以扩展不确定度报告转换的强度区间结果。结果表明:试件的不均匀性是影响水泥稳定碎石强度试验结果精确性的主要因素,以扩展不确定度报告转换的强度区间包含试验测量误差的结果,可以反映出强度试验过程的复杂性;相比于规范对强度试验结果的处理方法,强度区间在表达上更简洁直观。对于在规范临界值附近的强度测量值,其是否合格应该考虑测量不确定度的影响范围。在利用强度参数验算道路设计指标时,为了获得更大的保障,建议以强度区间的下端点值为实测强度的代表值。