|
文献精读 Cem. Concr. Compos.：高性能混凝土耐久性多目标优化的RF和LSSVM-NSGA-II方法  背景介绍 高性能混凝土（HPC）是一种性能优良、应用广泛的建筑材料。提高 HPC 的耐久性不仅可以增加其在恶劣环境下的使用寿命，还可以节省资源、降低生命周期维护成本。然而，HPC 设计的另一个重要目标是降低成本，这与提高耐久性相冲突。传统的混凝土配合比设计方法效率低下，效果不佳，因此混凝土耐久性和成本的多目标优化是一个难题。 研究出发点 混凝土配合比指标之间存在耦合关系，在设计混凝土配合比时应充分考虑这种关系，有必要分析影响混凝土耐久性的关键因素，对此本文采用随机森林（RF）模型探究影响HPC耐久性的关键配合比因素。为提高HPC耐久性（抗冻性和抗渗性），降低混凝土的成本，采用具有精英策略的非支配排序遗传算法（NSGA-II）对HPC的配合比进行优化。同时，由于SVM更适合研究小样本问题，因此本文尝试将更高效和通用的最小二乘支持向量机（LSSVM）算法与 NSGA-II 结合起来，形成一个智能框架来研究混凝土的多目标优化问题，探究抗渗性能—抗冻性能—成本的三目标之间的最优解。 全文速览 南洋理工大学土木与环境工程学院Ting Du课题组研究了一种基于随机森林（RF）算法、最小二乘支持向量机（LSSVM）算法和具有精英策略的非支配排序遗传算法（NSGA-II）的混合智能框架。其中，RF模型用于选择影响混凝土耐久性的关键混合参数。然后，对 LSSVM 模型进行训练，以实现基于混凝土混合物参数的耐久性的高精度预测。最后，NSGA-II 以训练好的 LSSVM 模型为适应度函数，用于生成新的配合比设计方案，以优化混凝土的耐久性和经济成本。相关论文以“An RF and LSSVM–NSGA-II method for the multi-objective optimization of high-performance concrete durability”为题，于2022年发表在《Cement and Concrete Composites》上。 图文解析  图1 RF模型在不同超参数下的预测误差 比较不同超参数值组合的RF的袋外（OBB）误差，以获得合理合适的超参数（森林中树的数目ntree, 确定随机选择的变量数mtry）设置。随着ntree的值从0增加到100，OOB误差首先急剧下降到 0.04以下，然后逐渐稳定下来。一旦决策树的数量达到70，OOB错误率基本保持不变，而当随机树的数量为87时，误差最小化。因此，在本研究中，在准确性和计算成本之间取得平衡的最佳ntree 值为87。mtry设置为4，因为此参数值导致的误差最小。  图2 混凝土配合比对耐久性的重要性排名 该图说明了RF模型中12个输入变量的相对重要性。其中，水胶比、水泥含量、粗骨料含量、细骨料含量和粉煤灰含量均对氯离子渗透系数（CP）有重要影响，而吸水能力、泥浆含量、平均粒径和针状颗粒总含量对这个系数影响不大。同时，相对动弹性模量的重要性排序表明，水胶比、水泥含量、粗骨料比例、细骨料比例和粉煤灰比例对相对动弹性模量有重要影响，而泥浆含量、吸水能力、砂石比和针状颗粒的总含量的影响不大。  图3 不同特征指标组合的RMSE和R2趋势 递归特征消除（RFE）可用于对训练数据集进行特征选择，以获得要保留用于建模的变量的最佳数量。图3（a）和（b）分别表示相对动态弹性模量和氯离子渗透系数的组合趋势图。氯离子渗透系趋势图表明，当考虑的变量数为6时，RMSE达到最低值，拟合度达到最大值；因此，该模型达到了最大的准确性。同样，相对动态弹性模量的趋势图也表明，6 个变量的组合使 RMSE 最小化并最大化拟合优度，从而最大化模型精度。  图4 预测参数优化结果的三维视图 选择5折交叉验证法和网格搜索法对LSSVM模型的核函数宽度参数g和惩罚系数C进行优化，得到相对动弹性模量和氯离子渗透系数的最优预测结果。图4(a) 表明，对于相对动弹性模量的预测，惩罚系数C的最优值为c= 1.7411，核函数参数g的最优值为g = 1，RMSE为CVmse = 0.00083919。同理，图4(b) 表明，对于氯离子渗透系数的预测，惩罚系数C的最优值为c = 27.8576，核函数参数g的最优值为g = 0.032988，RMSE是CVmse=0.00046272。综上所述，在预测混凝土的抗冻性和抗渗性时，应使用具有相应参数的LSSVM模型以获得最佳的预测效果。  图5 RD的预测结果  图6 CP的预测结果 LSSVM预测模型是根据上面确定的模型变量和核函数参数建立的。相应的抗冻性和抗渗性预测结果分别如图5和图6所示。图5中的（a）和（b）直观地表明，建立的预测混凝土抗冻性的LSSVM模型可以对测试集样本的实际值产生准确的预测。训练集的实际值和预测值之间的 RMSE 为 0.166792，拟合度为 0.97554，而测试集的实际值和预测值之间的 RMSE 为 0.10987，拟合度为 0.94084。RMSE越接近0，R2越接近1，混凝土耐久性预测效果越好，模型的泛化能力越高。图6中(a)和(b)表明，建立的用于预测氯离子渗透系数的 LSSVM 模型同样有效。对于训练集，实际值和预测值之间的RMSE为0.0687048，拟合优度为0.97911；对于测试集，实际值和预测值之间的 RMSE 为 0.094865，拟合优度为 0.9443。因此，在训练集和测试集上，LSSVM 预测模型都可以高精度地预测混凝土的抗渗性。  图7 帕累托最优解的三维视图 横坐标代表混凝土的抗冻性和抗渗性，纵坐标代表成本。成本也通过颜色变化来表示：随着成本的增加，颜色会从深蓝色变为浅蓝色、亮绿色，最终变为黄色。由图可见，深蓝色点集中在氯离子渗透系数高、动弹性模量低的区域，这意味着在成本低的情况下，混凝土的抗渗性和抗冻性也较差。浅蓝色点集中在氯离子渗透率和动弹性模量比较平衡的区域，这意味着在成本略有增加的情况下，可以在三个目标之间取得平衡。绿色和黄色点集中在氯离子渗透系数可能取不同值但动态弹性模量高的区域，这意味着当成本大幅增加时，抗冻性提高更显著。为了比较，将A点定义为采用理想点法综合混凝土抗渗性、抗冻性和成本得到的平衡最优解；B点定义为保证混凝土抗渗性和抗冻性最大的最优解；C点被定义为确保混凝土经济成本最低的最优解。  图8 帕累托最优解的投影 基于该图（在抗冻性和抗渗性平面上的投影）和帕累托解集，可以得到以下结论：（1）基于NSGA-II的多目标优化后，相对动态弹性模量在94.6%~97%之间，氯离子渗透系数优化的混凝土混合料设计在 1.62–1.80 * 10–8 cm2/s 范围内变化。另外，混凝土的经济成本在405-420元之间。(2) 根据三维帕累托前沿图的总体趋势，在提高相对动弹性模量和混凝土经济成本之间存在权衡。随着相对动弹性模量的增加，经济成本也随之增加；也就是说，要提高混凝土的抗冻性，就必须增加其经济成本。(3) 相比之下，渗透率和成本之间的关系不太清楚。对于成本的小幅增加，氯离子渗透系数随着成本的增加而降低；然而，当成本大幅增加时，氯离子渗透系数开始增加。因此，如何最好地提高混凝土性能的问题是复杂和不确定的。 总结 HPC是一种性能优良、应用广泛的建筑材料。提高 HPC 的耐用性不仅可以增加其在恶劣环境下的使用寿命，还可以节省资源，降低生命周期维护成本。然而，HPC 设计的另一个重要目标是降低成本，这与提高耐用性相冲突。传统的混凝土配合比设计方法效率低下，效果不佳，因此混凝土耐久性和成本的多目标优化是一个难题。在本文中，提出了一种智能混合 RF-LSSVM-NSGA-II 框架，以同时优化混凝土的耐久性和成本。使用RF模型选择对混凝土耐久性有重要影响的材料配合比的关键因素，基于这些关键因素使用LSSVM模型预测混凝土耐久性，并应用NSGA-II生成新的配合比根据 LSSVM 预测结果形成具有更好性能的 Pareto 解集的比例。结果表明，所提出的方法可以令人满意地优化混凝土的耐久性和成本，从而减少所需的实验次数，节省时间和投资成本。此外，通过将所提出的 LSSVM 模型的预测与其他常用 ML 模型的预测以及基于未过滤指标的 LSSVM 模型的预测进行比较，我们发现所提出的带有过滤指标的 LSSVM 模型表现出更好的性能，是一种可靠的工具用于预测混凝土性能。使用智能混合框架进行多目标优化的结果与实验结果非常接近，表明所提出的智能混合 RF-LSSVM-NSGA-II 框架可以准确预测混凝土耐久性并有效地生成多目标优化的配合比作为HPC 混合设计的参考。 尽管提出的混合 RF-LSSVM-NSGA-II 框架有效地实现了多目标优化，但它具有一些潜在的局限性。ML 模型的性能通常受训练数据的数量和可靠性的影响。本研究中用于训练模型的 100 组数据均来自同一个工程项目。因此，经过训练的模型在预测来自其他项目的具体数据时可能表现不佳。因此，需要收集更多样化的具体数据，以在更大量的数据上训练更通用的 LSSVM 模型。此外，机器学习和优化算法也在不断改进。在未来的研究中，提出的 RF-LSSVM-NSGA-II 框架还可以改进或与更先进的算法相结合，以进一步提高其计算效率或优化效果。 本期编者简介 翻译： 陈 仓 博士生 深圳大学 审核： 程博远 博士生 深圳大学 排版： 于坷坷 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 授 深圳大学 文献链接： https:///10.1016/j.cemconcomp.2022.104446 |
|
|
