|
文献精读 Eng. Comput.：使用机器学习算法和元启发式的钢纤维增强UHPC的多目标混合料设计和优化  背景介绍 超高性能混凝土（UHPC）是一种新型混凝土，与传统混凝土相比，具有更好的耐久性、流变性、力学和耐久性。由于使用了大量水泥，且石英粉、硅粉、纤维和高效减水剂等成分的价格高昂，UHPC的生产成本相当高。为了达到特定要求，如所需的生产成本、强度和流动性，必须对UHPC成分的配合比进行调整。传统的混凝土配合比设计需要繁琐、昂贵的试验程序。因此，近年来，为了同时满足多个目标，数学优化、实验设计（DOE）和统计混合设计（SMD）等方法被用于配合比设计。 研究出发点 在传统方法中，通常使用简单的回归模型，如多元线性回归模型作为目标函数，使用数学规划或单纯形算法来寻找最优解。然而，需要一个更灵活的程序，使用高精度非线性模型，为多目标混合物设计定义不同的场景，实现钢纤维增强UHPC的多目标智能化设计和优化，从而达到降低成本、减少工作量、提高精度的目的。 全文速览 西澳大利亚大学Elchalakani, Mohamed课题组使用集成机器学习（ML）算法（如人工神经网络（ANN）和高斯过程回归（GPR））以开发高精度模型，结合一种被称为粒子群优化（PSO）算法的元启发式优化算法，用于钢纤维增强UHPC的多目标混合料设计和优化。将所得结果与实验结果进行比较，验证了所提出的程序用于钢纤维增强UHPC的多目标混合料设计和优化的能力。当设计者面临强度-流动性-成本悖论时，所提出的方法不仅减少了UHPC实验设计的工作量，而且还成功设计了综合性能最优的混合物。相关论文以“Multi-objective mixture design and optimisation of steel fiber reinforced UHPC using machine learning algorithms and metaheuristics”为题，于2022年发表在《Engineering with Computers》上。 图文解析 （1）概念框架  图1 所提出程序的主要阶段 提出的用数学方法优化钢筋UHPC混合物的程序包括四个主要阶段，即描述性陈述、实验数据简化、目标函数识别和数学优化。第一阶段包括根据项目具体要求构建描述性陈述。它规定了项目的目标和要求，例如UHPC混合料设计，抗压强度至少为150 MPa，坍落度至少为200 mm，生产成本最低。第二阶段包括确定混合料设计变量，并使用试验或观察结果生成相关数据。第三阶段包括制定反映UHPC期望质量和属性的目标函数。这一阶段尤其重要，因为它可以考虑到工程师的专业知识。第四和最后一阶段应用获得的目标函数和优化算法，以找到目标函数的极值，这些目标函数受满足目标和要求的设计变量的约束。图1简要说明了该程序。 （2）设计变量和实验数据 表2 各变量的数理统计学描述  在本研究中，将水泥量视为基础，并将其他成分的量作为与水泥的比率。假此处考虑的自变量为砂、硅粉、石英粉、水、高效减水剂和钢纤维与水泥的比率，分别表示为S/C、SF/C、QF/C、W/C、SP/C、STF/C变量。通过考虑C的值，可以计算混合物设计的其他变量。表1为各变量的数理统计学描述。 （3）模型构造和选择 表1 SFRC输入变量的约束   图2 不同模型获得的UCS28d和坍落度预测值与实验值的散点图  图3 各模型获得的RE柱状图，用于估算UCS28d和坍落度 坍落度和28天抗压强度（UCS28d）可以表示为混合料设计变量的函数。在本研究中，生产成本也被视为一个目标。生产成本是混合物中各组分的数量乘以其单价的总和。 一旦设计良好的实验计划和足够的数据可用，可以预期模型将表现出可接受的性能。然而，使用传统的回归方法并不总是能够在数据上拟合模型。然而，输入变量和输出变量（如性能和成本）之间的关系要复杂得多。因此，除了传统的多元线性回归外，还使用了两种稳健的AI算法多层感知器神经网络（MLPNN）和高斯处理回归（GPR）来开发Slump和UCS28d模型。在评估和比较模型的准确性后，选择性能最佳的模型用于UHPC的多目标配合比设计和优化。 为了检验模型的性能，使用了输出预测值和实验值之间的相关系数（R）、平均绝对误差（MAE）和均方根误差（RMSE），即坍落度和UCS28d。R值越大，RMSE和MAE值越低，模型越好。表2给出了不同坍落度和UCS28d模型的性能。 从表2可以看出，SEGPR在坍落度和UCS28d的间接估计精度方面优于其他两个模型。为了更好地反映不同模型的性能和精度，图2显示了每种情况下获得的坍落度和UCS28d预测值与实验值的散点图。 残差（RE）等于每个模型预测值与实验值之间的差值，如图3所示。根据图3a，SEGPR、MLPNN和MLR UCS28d模型对测试编号5的误差分别约为0、15和10 MPa。对于Slump模型，图3b表明SEGPR模型的误差最小。SEGPR作为UHPC特性预测建模的机器学习工具具有鲁棒性和高精度，尤其是当可用的实验数据数量有限时。由于SEGPR发现的坍落度和UCS28d模型具有较高的精度，因此除了成本函数外，在此选择它们作为UHPC混合物多目标设计和优化的目标函数。 （4）粒子群优化  图4 UCS28d和Cost作为目标函数时的帕累托最优前沿 表3 基于不同场景的结果  本文使用元启发式算法之一的粒子群优化算法（PSO）表示UHPC的单目标或多目标混合设计和优化的各种场景。通常，优化算法的目标是在一个或多个目标被最大化或最小化时，从一个范围内找到设计变量的最佳值。在大多数实际问题中，通常存在多个可能冲突的目标。 PSO是一种基于群体的随机搜索算法，其灵感来源于鸟类或鱼类在群体中寻找食物的社会行为，用于解决单目标优化（SOO）问题。此后，许多研究人员开发了不同的变体和方法来解决SOO或多目标优化（MOO）问题。 图4表示一个帕累托最优前沿，当最大UCS优先时，可以选择解决方案A，当成本更重要时，C可以是最佳解决方案。当两个目标都很重要时，可以选择B，并相应地考虑目标优先级的其他解决方案。这样，解决方案的选择取决于设计者或决策者。 在本研究中，考虑了不同的场景，以表示UHPC多目标配合比设计的数学优化程序的广泛适用性。在每个场景中，UHPC的设计都是为了满足特定目标，例如生产成本、最大或期望的UCS28d或坍落度等。这里，数值给出了解和帕累托前沿。表3总结了结果。表3也给出了一些实验数据，以比较和证明所提出程序的结果。例如，第一种方案是寻找具有最大强度的混合物，其他目标未被优先考虑，而第四种方案是UCS28d约为150（MPa）的混合物，需要最大坍落度和最小成本。一些实验数据用于表3中的场景1-3，以验证优化程序的结果。场景4和场景5被认为代表了定义不同场景或更多目标的可行性，这些场景或目标需要多次实验。可以看出，所提出的程序为设计师提供了满足所有项目具体要求的最佳备选方案，并使他们能够在众多备选方案中选择最佳配合比设计。很明显，满足目标的解决方案数量比传统的混合料设计方案要多。更重要的是，钢纤维增强UHPC的多目标混合料设计总是有可能增加目标数量。 总结 混凝土是最常用的建筑材料。考虑到生产成本和混合料设计的丰富性，优化UHPC等类型混凝土是一个非常重要的问题。为了减少实验设计方法的工作量，提出了各种方法来进行混合料设计和优化混凝土。本文证明，ML算法比传统回归方法（如MLR和RSM）更为稳健，尤其是当涉及非线性关系和非结构化数据时，如UHPC设计优化。结果表明，设计变量可用于实验设计、建模和优化。本文证实，GPR的一种变体，即SEGPR，对于开发预测钢纤维增强UHPC关键性能的高精度模型是可靠的。使用一种元启发式算法，即PSO，来寻找最佳混合物设计变量，以根据不同的预定义场景生成UHPC。所得结果证实了该方法的鲁棒性。在提出的方法中，任何非线性模型都可以用作目标函数。最后，值得注意的是，使用提出的方法获得的结果的准确性取决于实验数据的质量、模型的准确性和优化算法的能力。 本期编者简介 翻译： 程博远 博士生 深圳大学 审核： 陈 仓 博士生 深圳大学 排版： 罗盛禹 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.cemconres.2022.106789 |
|
|
