|
文献精读 Constr. Build. Mater.：您只需设计一次（YODO）：超高性能混凝土配合比设计的高斯过程批量贝叶斯优化框架  背景介绍 超高性能混凝土（UHPC）具有优异的力学性能、出色的耐久性和出色的韧性，因此，对于独特的结构，如大跨度桥梁、高层建筑和海洋结构物，它是一种极具吸引力的解决方案。众所周知，开发UHPC的基本原则是创建致密的颗粒堆积结构。因此，有必要优化UHPC的混合物，以获得其优异的性能。然而，UHPC的最终性能取决于多种因素--每种因素的交替都会导致性能的显著变化，在设计生成特定目标性能的UHPC混合物时往往需要耗费大量资源。因此，为了推动UHPC在建筑中的开发，需要一种更系统、更有效的混合物设计方法。 研究出发点 虽然公开的文献提出了一系列机器学习（ML）预测模型，以从其组成材料预测UHPC的强度，但根据目标性能设计混凝土混合物的相反问题仍然难以解决。 全文速览 约旦哈希姆大学Eman Saleh课题组提出了一种基于分批贝叶斯优化（BBO）框架的高斯过程（GP）混合料设计模型（GP-BBO），以实现具有目标抗压强度（CS）的UHPC的混合料设计。此外，为了消除与GP-BBO编程相关的障碍，还创建了一个开源和无编码软件（App）。与传统的基于试错的混合设计相比，GP-BBO提供了一种自适应的设计空间模式，以确定最优点。该框架可以扩展，以添加满足多种性能目标（如强度、可加工性和耐久性）的公式。相关论文以“You only design once (YODO): Gaussian Process-Batch Bayesian optimization framework for mixture design of ultra high performance concrete”为题，于2022年发表在Construction and Building Materials上。 图文解析 （1） 用于混合料设计的GP-BBO框架 我们提出的用于数据驱动混合物设计的GP-BBO框架包括四个主要步骤： （a）根据文献和实验室实验收集的数据开发混合物数据集； （b）使用收集的数据集拟合GP模型，并根据可用数据对模型预测中涉及的不确定性进行量化； （c）根据采集函数推断在何处采集样本； （d）评估采样点（实验），被评估的点被用来增加数据集和更新GP模型。随着这一过程的继续，更多的数据点被依次加入，以更新GP模型并确定全局最优解。 （2）GP拟合与验证 图1显示，大多数LOOCV预测值在实验CS数据的±15%范围内。归一化均方根误差（NRMSE）和R2分别为0.06和0.93。从图2所示的误差比直方图可以得出结论，所有LOOCV预测值都在训练数据的±20%范围内。这表明GP和实验数据具有相似的统计特性。  图1 预测的LOOCV与实验抗压强度的偏差百分比  图2 训练和验证数据集的误差率直方图 为了确保GP模型能够代表真实数据集中的实际行为，对LOOCV预测和训练数据集得出的特征重要性进行了比较，如图3所示。很明显，使用训练数据导出的特征重要性与LOOCV预测之间存在密切的一致性；因此，可以合理假设GP拟合可以代表控制UHPC抗压强度发展的输入特征的物理特性。因此，使用GP来研究实际过程的统计特征是合理的。  图3 利用训练数据和LOOCV预测得出的成分对抗压强度的重要性 （3）混合设计推理  图4 使用不同的采集函数，获得了150 MPa目标强度的前两个合理的UHPC公式，所有混合物的密度等于2600 kg/m3 在图4中，PI-1和PI-2表示BBO使用PI作为采集函数选择的前两种混合物，使用BPI作为采集函数的混合物为BPI-1和BPI-2，EI-1和EI-2为使用EI作为采集函数的混合物；LC-1和LC- 2为使用LCB作为采集函数的混合物。目标抗压强度为150 MPa。如图4所示，GP-BBO框架产生的第一个混合物与原始混合物相比，其成本更低，这是由于框架中赋予强度和成本目标相同的权重（α=1）。 改变该值（α）将产生一种新的混合物设计，这可能是研究人员/UHPC制造商更感兴趣的。例如，在图4中，可以观察到，所有的配方都不包括钢纤维，因为在其他成分中，钢纤维的单位成本最高；此外，根据当前数据集的分析，观察到钢纤维对UHPC的强度没有显著影响（见图3）。然而，研究表明，钢纤维的加入可以提高抗弯强度和其他使用性能目标。为了获得一些建议将钢纤维作为一个组成部分的公式，一种选择是减小α参数值，以便优化过程给予比成本目标更大的权重来优化抗压强度。 （4）对抽样批次的评估 基于GP-BBO的混合物设计方法提供了UHPC混合物配合比列表。混合物设计者可以选择一种或两种混合物进行试验，以验证其性能是否令人满意。该初步选择可基于性能要求，如抗压强度、成本、和易性、堆积密度和UHPC混合物的具体CO2。为了在测试之前评估这些性能要求，可以使用文献中的预测模型。在设计空间（即混合物组成范围）的某些约束条件下，为UHPC的和易性和抗压强度提供了预测模型。为了评估UHPC混合物的环境影响，估算了UHPC中所含CO2。混合物的隐含CO2可估算为构成混合物的材料的隐含CO2之和， 例如，使用PI作为采集函数和0.5的α值（该批次的四种混合物如表1所示），对设计目标强度为150 MPa的批次进行评估，得出雷达图中总结的不同性能的预测值（图5）。为了从优化多个目标的批次中选择一种混合物，可以进行全局可取性分析。或者，如果认为整个批次（即所有混合物）令人满意，可以同时进行实验验证步骤。根据图5所示的评估，如果150 mm和250 mm范围内的和易性被认为是可接受的，则可以选择UHPC-1，因为它代表了最经济、最环保的混合物。 表1 设计的UHPC配合比（kg/m3）   图5 设计批次的UHPC混合物比较 在选择了所需的混合物后，应进行实验验证，以确保可以通过实验获得预测的性能。然后使用实验值来扩充UHPC混合物数据集并更新预测模型。UHPC混合物的持续设计和测试过程允许持续更新数据集和预测模型。这将使所提出的GP-BBO框架能够确定全球最佳混合物，以最低的成本和/或环境影响提供目标强度。 为了验证使用GP-BBO方法设计的混合物能够提供设计强度，表1中混合物的抗压强度是根据文献中实验验证的数学模型估算的，这些模型表明所有估算的抗压强度都超过了150 MPa的设计强度。 （5）与其他生态高效混合物设计方法的比较 图6比较了使用所提出的GP-BBO方法优化的UHPC混合物的抗压强度和隐含CO2，以PI为采集函数，其他混合物使用相关文献中介绍的不同传统和生态高效混合物设计方法设计。如图6所示，本研究中以生态效率为目标的优化UHPC混合物具有明显优势。  图6 不同混合物的抗压强度和隐含CO2以及本研究中设计的环保型UHPC 总结 在本研究中，提出了一种数据驱动的UHPC混合料设计方法，称为GP-BBO。根据建模结果，可以得出以下结论： （1）GP是一种稳健的机器学习方法，在预测UHPC抗压强度方面显示出优越性。预测UHPC抗压强度的GP模型的相关系数为0.9，显示出令人满意的准确性。此外，与其他预测模型（包括随机森林模型、非线性回归模型、XGBoost模型、ANN模型、线性回归分析模型和GA-ANN模型）相比，由于GP在预测具有多个输入变量的响应变量（例如抗压强度）时提供了稳健近似，GP模型显示出最小的误差和与测试值的最高相关性。 （2）提出了一种新的UHPC混合料设计方法，称为GP-BBO，其简单描述如下：首先，根据混合料设计目标选择合适的采集函数，然后使用拟合的GP和BBO算法优化采集函数，以获得混合料配方列表。评估配方列表，以指定满足所有性能要求的配方。对选定的混合物进行实验测试，以确认其满足性能要求，并使用实验值来增加UHPC混合物的原始数据集。 （3）基于环境影响目标，可利用所提出框架开发环保型UHPC混合物。此外，与其他生态高效混合料设计方法相比，我们提出的框架显示出明显的优势。 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： 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 授 深圳大学 文献链接： https:///10.1016/j.conbuildmat.2022.127270 |
|
|
