文献精读 Resources, Conservation & Recycling:预测砖混混凝土抗压强度的模糊系统-元启发式集成方法 背景介绍 废砖是一种重要的拆除和建造(D&C)废物,每年大约能产生0.4亿吨的废砖。常用的处理方法以填埋为主,会对环境造成极大的负面影响。将废砖生产为再生骨料部分替代天然骨料,在减少垃圾填埋问题的同时还具有经济价值和生态友好性。当前的研究人员对于砖骨料混凝土(BAC)的性能做了研究,由于砖骨料(BA)的物理性能和混凝土的配合比不同,得出不一致的结果。因此,有必要了解混凝土配合比与BAC力学性能的关系。人工智能技术(AI)在混凝土性能预测方面的大范围应用,对提高再生砖骨料在混凝土的应用规模具有极大帮助。AI中的回归、人工神经网络(ANN)、随机森林(RF)、自适应神经模糊推理系统(ANFIS)等技术,能够通过寻找参数之间的相关性,预测不同混凝土种类的各种性能。其中,ANN模型和ANFIS模型有着显著的预测性能,但聚类方法对元启发式模型的影响还未探究清楚。 研究出发点 该研究的创新点在于以ANFIS模型为基础,采用模糊c均值聚类方法与三种元启发式算法:基因算法(GA)、萤火虫算法(FFA)、粒子群优化算法(PSO),建成三个模糊元启发式集成模型,并从混凝土成分数量和BA特性两方面对BAC的抗压强度性能进行预测。之前的研究并没有基于ANFIS-GA、ANFIS-FFA和ANFIS-PSO模型的模糊聚类方法来预测BAC抗压强度的模型。 全文速览 上海交通大学杨建课题组以ANFIS模型为基础,建立三个模糊元启发式集成模型,预测BAC的28天抗压强度。为此,收集了132条数据集,用于抗压强度预测模型的开发。使用k折交叉验证方法评估所开发算法的性能和数据集的准确性。基于统计误差分析,对所开发模型的性能进行了验证,并与 ANFIS 模型的性能进行了比较。最后,对输入参数做了敏感性分析,评估输入参数对抗压强度的影响程度。相关论文以“Fuzzy-metaheuristic ensembles for predicting the compressive strength of brick aggregate concrete”为题,于2021年发表在《Resources, Conservation & Recycling》。 图文解析 表1 所开发模型的主要参数和假设 表2 生成数据库的描述性统计 表3 数据及其来源的详细信息 图1 数据库中抗压强度影响因素的图形描述 表1概述了独立模型ANFIS、三个集成模型:ANFIS-GA、ANFIS-PSO、ANFIS-FFA的相关参数,包括MF类型、每个输入的MF数量及迭代次数等;本文收集了132个实验数据集,用于设计和训练所提出的模型。表2和表3显示了所用数据集的统计分析、性质及其来源,其中包括混凝土成分数量和BA特性在内的10个输入参数,并以28天BAC的抗压强度为输出。图1给出了在本研究中使用的不同输入参数的图形结果,研究了BAC的28d抗压强度与不同影响因素之间的关系。 图2 5折交叉验证的结果 在这项研究中,数据集被随机分为五个部分 (即,k = 5),表明五折交叉验证。图2显示了5折交叉验证中每个折叠的误差。可在交叉验证集4和5中,呈现最佳的统计分析,表明了所提出模型的适用性。 表4 不同ANFIS模型的统计分析 表 4 说明了基于 R2、RMSE 和 MAE 的评估下,训练和测试数据集的不同结构的软计算分析。从中可知,3号模型有 10 个聚类,在所有已建立的模型中表现最好。因此,选择该模型的结构来预测 BAC 的抗压强度。 图3 ANFIS模型中所有数据集的抗压强度试验值与预测值之间的关系 图4 ANFIS模型的相对误差图 图5 使用ANFIS模型的预测值与实验值之间的关系:(a)训练集 (b)测试集 如图 3所示,预测的抗压强度值与实验值比较接近。从图 4观察到预测数据在±35%范围内与实验数据有很小的差异,有效地跟踪了实验数据。图 5 显示了从测试集和训练集的 ANFIS 模型估计的预测值和实验值之间的关系,相关系数分别为 R2 = 0.928 和 R2 =0.714。表明ANFIS模型可有效的预测BAC的28天抗压强度。 图6 用于训练ANFIS模型的PSO收敛行为 如图6所示,在300次的迭代范围内,确定种群数分别为50~250的PSO算法对于ANFIS模型的训练过程,在180次迭代后,ANFIS-PSO模型达到最佳函数,之后稳定在同一水平。 图7 所有数据集的测量和预测抗压强度之间的比较:(a)ANFIS-GA;(b) ANFIS-PSO;(c) ANFIS-FFA 图8 相对误差:(a)ANFIS-GA;(B)ANFIS-PSO;(C)ANFIS-FFA 图9 抗压强度试验值与预测值之间的关系:(a)ANFIS-GA;(b)ANFIS-PSO;(c)ANFIS-FFA。 图10 使用评估误差指标评估ANFIS-GA、ANFIS-PSO和ANFIS-FFA:(a)训练集和(b)测试集 结合图7~10来看,三个集成模型对于抗压强度的预测都有良好的精度。从图8相对误差来看,ANFIS-GA模型和ANFIS-FFA模型的相对误差范围分别在±15%、±30%,而ANFIS-PSO模型的相对误差在±10%的范围内,相对误差更小。图9和图10则很好的说明了,三个模型训练集和测试集上的预测性能保持良好的一致性,且从R2、RMSE、MAE三个评估指标来看,ANFIS-PSO模型比ANFIS-GA和ANFIS-FFA的性能更佳,具有更好的预测精度。 图11 基于不同种群规模的模型的性能时间 图11展示了不同模型在开发阶段所需的时间,ANFIS-PSO模型所需开发时间最低,约360秒。而对于相同种群规模的ANFIS-GA和ANFIS-FFA模型开发所需时间分别为410秒和520秒。因此,ANFIS-PSO模型能在最短的时间内,对BAC的28天抗压强度进行预测。 图12 输入变量对抗压强度预测的影响。 如图12所示,基于链路权重的量,分析10个输入变量对BAC的28天抗压强度的影响程度。其中,水泥含量和粗砖骨料含量(CBA)的比重与抗压强度预测相关度最高,平均值分别为11.3%和11.1%。 总结 本研究开发了三种模糊元启发式优化算法,通过混凝土成分的数量和BA的性能来预测BAC的抗压强度。以五折交叉验证作为验证技术,观察学习算法的最佳性能。主要结论如下: (1)开发的 ANFIS-PSO 模型可以在令人满意的范围内预测BAC的抗压强度,在训练集和测试集下,R2、RMSE、MAE值分别为0.913、0.057、0.032及0.955、0.044、0.029。且该模型的预测性能比ANFIS-GA、ANFIS-FFA、ANFIS模型强,有着更高的预测精度。 (2)混合ANFIS-PSO模型的相对误差范围为 ± 10%,而ANFIS-GA,ANFIS-FFA和ANFIS模型的相对误差范围分别为 ± 15%,± 30% 和 ± 35%。 (3)为了评估每个输入变量对模型输出的影响,进行了敏感性分析。敏感性分析表明,水泥含量和砖骨料比重对BAC的抗压强度有显着影响。 (4)在实际应用中,基于 PSO、GA 和 FFA 算法的 ANFIS 的模糊 c 均值聚类集成模型可以使用选定的 10 个因子作为输入,在设计的初级阶段以可接受的精度预测 BAC 的抗压强度。本研究中的预测结果有助于减少 D&C 废物问题,并支持有效的施工管理。 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.resconrec.2021.105443 |
|