文献速读 Constr. Build. Mater.:基于机器学习和元启发式算法的混凝土配合比多目标优化 题目 题目:Multi-objective optimization of concrete mixture proportions using machine learning and metaheuristic algorithms 基于机器学习和元启发式算法的混凝土配合比多目标优化 关键词 关键词:混凝土;多目标优化;机器学习;颗粒群优化;抗压强度;坍落度 来源 出版年份:2020 来源:Construction and Building Materials 课题组:西澳大利亚大学土木环境和采矿工程系Yimiao Huang课题组 研究背景 混凝土配合比通常是通过实验来优化的。例如,为了达到设计的单轴抗压强度(UCS),可以选择任何数量的水、水泥、骨料和外加剂来生产用于测试的混凝土样品。当只有一个目标(通常是UCS)需要优化时,这种基于实验的方法是可行的。然而,在大多数情况下,需要同时优化多个目标(如UCS、耐久性、成本等),这将导致要准备实验的混凝土的数量将呈指数级增加。另一个问题是基于实验的方法可以获得可行解而不是最优解。为了解决这些基于实验的方法的局限性,基于机器学习和元启发式算法的计算优化被用来优化混凝土配合比。 研究出发点 对于混凝土配合比的优化,需要在高度非线性约束下,多变量(如混凝土组分)的多目标(如强度、成本、坍落度)同时进行优化。现有的单目标优化模型不适用于多目标优化问题。 研究内容 本文提出了一种基于机器学习(ML)和元启发式算法的最优混凝土配合比优化方法。首先,在已发表文献中收集的数据集上,比较了不同ML模型在具体目标预测中的性能。选择优胜者作为优化过程的目标函数。在优化步骤中,采用多目标颗粒群优化算法对混合料配比进行优化,以达到最优目标。利用多目标优化模型成功地得到了高性能混凝土双目标配合比优化问题和塑性混凝土三目标配合比优化问题的Pareto前沿。多目标优化模型可作为混凝土配合比设计指导,便于施工前的决策。 图1 神经网络中的反向传播 图2用E-tube实现非线性支持向量回归 图3 使用10倍交叉验证对ML模型进行超参数调优 图4 用Taylor图解对HPC进行最大似然算法预测精度的比较 图5 帕累托阵线显示了HPC的成本和28天UCS之间的权衡 主要结论 尽管对混凝土配合比优化的研究已有几十年的历史,但基于实验室的试验方法仍是主要的优化方法。当需要优化多个相互竞争的目标,需要考虑许多影响变量和高度非线性的约束时,这些方法需要大量的时间和资源,有时不可能实施。取而代之的是基于机器学习和元启发式算法的多目标计算优化方法,可以从各种实验数据中自动学习并帮助设计混凝土的配合比。本研究以最大似然模型为目标函数,采用最小似然模型来平衡混凝土的竞争目标。BPNN在连续的UCS数据上有较高的预测精度,而RF在较多的分离的坍落度数据上有较好的预测精度。利用MOO方法成功地得到了双目标和三目标优化问题的Pareto最优解,为施工前混凝土优化设计提供了引导。 在今后的工作中,必须收集一个高度可访问的、不断更新的、跨国的数据库,以提高塑性混凝土配合比设计的MOO模型的推广能力。此外,我们还需要结合其他ML技术,如特征工程和模型比较,来提高预测精度。在最后一步中,MOO模型需要被纳入到建筑系统中,以方便混凝土在早期施工中的生产。 本期编者简介 翻译: 罗盛禹 硕士生 深圳大学 审核: 程博远 博士生 深圳大学 排版: 颜文韬 硕士生 深圳大学 本期学术指导 何 闯 博士后 深圳大学 龙武剑 教嘻授 深圳大学 文献链接: https:///10.1016/j.conbuildmat.2020.119208 |
|