同是一种材料，新拌混凝土和硬化混凝土的特性，究竟有哪些区别？

在阅读此文前，诚邀您点一下“关注”，方便您进行讨论和分享的同时，又能给您带来不一样的参与感，感谢您的支持~

文|焉子看世界

编辑|焉子看世界

前言

混凝土在世界范围内被广泛用作建筑材料，成为许多国家建筑工地中最常用的材料之一，由于其性质的复杂性，新拌混凝土和硬化混凝土的特性经常被深入研究。

混凝土制备涉及水泥、粗细骨料、化学外加剂和水的使用，这一水合过程随着水的加入而立即开始，并持续数年，使混凝土成为一种坚固、稳定和耐久的材料。

通过这一化学过程，混凝土获得了与结构工程密切相关的特性：轴向抗压强度，用兆帕表示，它是通过使用由巴西标准NBR 5739，世界上每个国家都使用具有不同测试参数的特定标准。

因此，该标准仅适用于巴西，该试验包括在样品底部以恒定速度施加均匀分布的轴向压缩载荷，直到材料断裂。

新拌混凝土和硬化混凝土对比有哪些不同？新拌混凝土有何优点？

材料和方法

使用统计和数值参数计算和分析这些数据。输入数据包括水泥(千克/米3)，高炉渣(千克/米3)，火山灰(千克/米3)，水(千克/米3)，粗骨料(千克/米3)，细骨料(千克/米3)，以及龄期(天)，输出为预测抗压强度(MPa)。

选择这些输入数据是因为分析的主要目标之一是确定剂量参数如何影响强度。这个数据集将被命名为DATA_YEH98。

该巴西组织成立于1972年，由参与混凝土生产的专业人士和行业参与者组成，其主要任务是促进与混凝土相关的科学和技术研究，无论是作为一种材料还是结构，并促进建筑部门的最佳做法。

存储库中的可用数据分为7个部分，单位均为kg/m3：水泥、矿渣、粉煤灰、水、超塑化剂、粗骨料和细骨料。然而，巴西的混凝土剂量数据通常以单一形式呈现，表示一份水泥对两份砂和三份砾石。

为了估计混凝土中每种成分的含量，使用水泥消耗量作为参考，以及辅助胶凝材料的平均估计值，因为这些成分根据所用水泥的类型而变化。

调整是必要的，因为巴西水泥可能对含有硫酸钙的熟料(相当于水泥的输入数据)、矿渣、火山灰和填料有具体的限制。为了确保分析参数与储存库数据库中的参数相同，根据出版年份和当时生效的巴西标准实现了兼容性。

“飞灰”输入由“火山灰”代替，因为巴西标准使用这个更通用的术语来估计水泥成分，编号16697 <30>标准从2018年开始使用，而NBR 11578、NBR 5735和NBR 5733在以前的时期使用。表1分别显示了2018年前后考虑的百分比值。

为了确定在人工神经网络模型中考虑哪些输入，使用了皮尔逊相关系数，它是评估两个变量之间线性关系的统计度量。皮尔逊相关矩阵用于评估独立变量之间的线性关系并检测多重共线性<32>并评估所有输入变量是否与相应变量有某种相关性。

使用人工神经网络(ANN)进行训练

用于训练、验证和测试人工神经网络的标准过程包括特定的步骤，第一步是数据准备，包括组织和调整用于神经网络的数据。这包括标准化、缺失值的插补以及将数据分成训练集和测试集等活动。

接下来，执行神经网络训练步骤，其中训练集用于调整网络的权重和层，使得预测输出接近实际值。随后，执行网络测试步骤，在该步骤中，测试集用于评估训练好的神经网络的准确性。这是通过将预测输出与测试数据的实际值进行比较来实现的。

基于一些多项式的使用，可以认为模型应该在欠拟合和过拟合情况之间取得平衡，在过度拟合的情况下，模型与训练数据拟合得非常好，但未能表现出良好的泛化能力。另一方面，当模型对于数据集来说过于简单时，就会出现欠拟合，从而无法捕捉潜在的模式，并表现出较差的泛化能力。

为了避免上述情况，测量训练数据和未看到的数据的预测误差是至关重要的，从而参与到称为验证的过程中。

在这方面，交叉验证技术开始发挥作用，利用训练数据本身进行验证，通过使用这种方法，不会减少训练集，也不需要仅仅为了验证而获取额外的数据。这些方面具有重要价值，因为数据采集是一项昂贵的工作，需要时间、精力、财政资源、组织和专业知识。

此外，需要强调的是，即使对于简单的机器学习问题，需要上千个例子，因此交叉验证技术的使用，能够在不需要额外数据的情况下准确评估模型性能，在建筑领域和面临数据收集相关挑战的其他领域证明非常有利。在这项研究中，使用了10个文件夹的k-fold交叉验证。

如果网络精度不令人满意，可以对网络架构或训练参数进行调整，并且可以重复训练和测试过程。最后，当精度令人满意时，可以使用神经网络用新数据进行预测。这个过程的最终目标是调整神经网络，使其能够用新的和未知的数据做出准确的预测。

许多预测训练使用线性回归(LR)，这是一种监督机器学习算法，使用已知的历史数据来预测行为。

80%的样本用于训练，20%用于测试，而在案例3和4中，100%的样本都采用了这种方法。

培训是使用Python编程语言进行的，这种语言在机器学习应用中广泛使用，图2显示了一种机器学习模型的结构，即多层感知器，这是一种典型的人工神经网络架构。

使用多层感知器(MLP)架构进行回归，该架构是具有一个或多个隐藏层的神经网络，具有不确定数量的神经元。MLP是一种完全连接的前馈神经网络，这意味着每一层中的所有神经元都连接到下一层中的所有神经元，从而允许输入信号仅沿朝向输出的正向传播。

当获得具有神经输出层的反向传播算法时，通常使用这种技术。该分析包括调整用于更好的模型拟合的超参数。简而言之，它应用梯度下降(GD)，也称为梯度方法，以及自动计算梯度的有效技术。

然后，通过反向传播通过神经元层直到到达输入层，就有可能测量每个连接对误差的贡献。通过测量相对于每个连接的权重的误差梯度，应用GD允许调整所有网络的权重并减少误差。

建模没有具体的预测公式。在这项研究中，当使用MLP时，该技术可以被称为“黑盒”，这意味着尽管它能够基于输入数据进行学习和决策，但研究其结构不会给出模型所近似的函数。由于对从一层到下一层的每个连接的权重的分析可能不能提供关于特征重要性的足够准确的信息。

在研究范围内，排列重要性技术用于评估人工神经网络(ANN)模型中输入变量的相对重要性。通过置换每个输入变量的值，同时保持其他变量不变，然后比较置换前后模型的性能指标，该技术确定了对模型预测影响最大的变量。这种方法有助于确定最相关的变量和理解变量之间的关系。

对于人工神经网络训练方法，有三个主要的统计标准用于评估混凝土抗压强度的观测值和预测值之间的误差。为了衡量模型的性能，相关系数(R2)，均方误差(MSE)和均方根误差(RMSE)。

它衡量模型解释结果变化的能力，表明模型的预测能力。其值的范围从0到1，0表示结果没有可变性(随机机会)，1表示模型解释了所有可变性(总准确性)。

首先，我们描述了基于存储库中可用的巴西数据集的开发。接下来，我们为这五种情况中的每一种情况训练一个模型，该模型根据用于训练和测试的数据而不同。最后，我们提供了两个最佳案例的详细分析。

获取对齐的巴西数据集

在这一阶段，进行数据选择、预处理、转换、挖掘、分析和结果同化。案例1是在巴西数据集(DATA_BR23)上单独训练和测试后获得的，每个数据集使用20–80%的比例。

在Yeh的研究中使用了加州大学欧文分校的机器学习知识库数据集，作为许多混凝土强度预测研究的参考。在这种情况下，叶用1080个实例来证明人工神经网络在预测高性能混凝土的这种性能的适应性。

在实验室生产了一组混凝土混合物，并得出两个主要结论:基于人工神经网络的强度模型比基于线性回归的模型更准确，使用人工神经网络模型进行数值实验来考察混凝土配合比中各个可变比例的影响是方便和容易的。

在仅使用存储库数据集分析训练的结论之后，开始构建巴西数据集。为了将巴西数据集与储存库数据集对齐并量化胶结材料，输入数据从前三个实例中获得。数据以表格形式组织，每列代表一个组件。

在分析这两个数据库时，评估每个变量之间的皮尔逊相关性非常重要，以便它有助于特征选择。

关于目标变量，水泥是Pearson相关性最高的输入，绝对值接近1，YEH98的值为0.5，BR2023的值为0.51，表明与抗压强度有很强的关系，因此证明了其选择的合理性。水泥是混凝土的主要成分，其粘结性能与其硬化状态特征直接相关。

混凝土是一种具有非线性特征的材料，解释其行为是一项复杂的任务，在这个意义上，使用人工神经网络是一个具体和合理的选择。

使用具有不同输入的四个不同的模型，使用用于测试和训练的增强神经元网络获得了2 MPa和4.5 MPa之间的RMSE值，该参数评估网络的准确性。

在相同的情况下，使用人工神经网络根据粉煤灰的变化来预测高强度和低强度混凝土的强度，在最好的情况下，获得3.96 MPa (R2= 0.890)和8.82兆帕(R2= 0.791)分别用于训练和测试数据，RMSE为9 MPa (R2= 0.43)，再次加强了该模型不具有良好的性能。

因此，对于训练和测试来说最好的是情况2，其中RMSE分别呈现仅为1.83和4.20的值，只有训练测量在统计误差方面是可接受的，这意味着，在第一种情况下，在获得R时，模型可能有大约1.83 MPa的误差20.99的。

通过输入数据的直方图，可以观察到大范围的数据，这些数据仅在7日龄和28日龄收集。高炉和火山灰表现出相似的行为，可能是由于被近似量化，以及使用各种类型的水泥。类似地，细骨料和水的频率曲线也表现出一些相似性。

在DATA_YEH98数据集中，考虑到参考数据库，观察到试样在试验中破裂的天数有更大的变化，大多数集中在50天内。达到的抗压强度达到约200 MPa，是DATA_BR2023数据集中分析的最高值的两倍。

结论

这一发现表明，当搜索普遍适用的具体混合设计策略时，某些数据集的区域化和同质性会导致假阳性结果。在未来的调查中，作者旨在定量评估模型的可推广性。此外，需要共同努力来建立一个包含各种具体属性的全面而多样的数据库。

这项研究证明了机器学习技术在预测混凝土抗压强度方面的潜在可行性。尽管如此，还需要进一步的研究来建立更大和更多样化的数据库，这可能最终减少目前在混合设计过程中花费的时间和资源。

参考文献：

自密式混凝土动态巴西劈裂试验研究 吴文韬 江西建材 2022

基于巴西劈裂试验的混凝土细观本构模型参数估计方法 李守巨; 王颂; 王志云 山东科技大学学报(自然科学版) 2018

混凝土中心裂纹巴西圆盘事件的断裂行为研究 侯成 太原理工大学 2017