|
文献精读 Cem. Concr. Compos.：一种用于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 作为建筑行业应用最广泛的材料之一，混凝土具有经济成本低、性能优良等特点。然而，随着在恶劣环境下建造的建筑数量不断增加，对混凝土结构耐久性的要求也不断提高。混凝土的耐久性主要包含抗冻性和抗渗透性，其影响因素包括配合比和各类原材料的性能。为了同时满足耐久性和经济成本要求，设计出一个合适的混凝土配合比至关重要。基于随机森林（RF）的特征选择方法已经被证明可以进行有效的复杂数据分析，故该研究采用RF模型对影响混凝土耐久性的关键因素进行分析。对于混凝土配合比设计来说，传统方法主要包括试验法、公式分析法以及统计法。上述三者均具有不同的局限性，难以实现在实时状态下进行准确的动态配合比优化。前期已经有研究人员证明带精英策略的非支配排序的遗传算法（NSGA-II）能够在降低计算复杂度的同时提高结构设计多目标优化的效率和有效性，故该研究采用NSGA-II对混凝土的配合比进行优化。 研究出发点 采用NSGA-II计算过程中，需要准确掌握混凝土配合比与耐久性（抗冻性和抗渗透性）之间的复杂关系。然而，传统的经验公式方法无法适用于所有的工程条件。为了克服上述局限性，部分研究人员尝试将NSGA-II与机器学习（ML）方法相结合，建立出的智能混合框架能够准确、有效地解决多目标优化设计问题。在筛选许多基础ML模型后，该研究选取了计算效率更高且通用性更强的最小二乘支持向量机（LSSVM）算法，将其与NSGA-II相结合，建立了一个智能混合框架来研究具体的多目标优化问题 全文速览 华中科技大学-杜婷和陈斌课题组提出了一种基于RF算法、LSSVM算法以及NSGA-II的智能混合框架，实现了HPC配合比的有效优化。研究所开发的框架可以智能识别出HPC配合比的关键影响因素，以此来预测HPC性能。此外，该框架还能够通过多目标优化得到一系列优化解决方案，根据目标性能来确定最佳的HPC配合比。研究还通过实际工程案例，验证了所开发框架的可行性。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》。 图文解析 （1）研究总体框架  图1 智能混合框架的具体流程 图1展示了研究所开发的智能混合框架流程图。首先，采用RF模型对混凝土配合比参数进行筛选。在此基础上，将筛选出的重要参数用于LSSVM预测以及采用NSGA-II实现多目标优化。 （2）基于RF模型的参数选择 表1 初始样本数据集  注：x1指水胶比（-）；x2指水泥含量（kg/m3）；x3指粉煤灰含量（kg/m3）；x4指细骨料含量（kg/m3）；x5指粗骨料含量（kg/m3）；x6指复合高效减水剂含量（%）；x7指水含量（kg/m3）；x8指砂率（%）；x9指砂平均粒径（mm）；x10指针状颗粒含量（kg/m3）；x11指含泥量（kg/m3）；x12指吸水能力（%）；RD指相对动弹性模量（%）；CP指氯离子渗透系数（10-8 cm2/s）。  图2 不同超参数条件下RF模型的预测误差  图3 HPC耐久性的影响因素的重要性排序 RF模型对HPC性能的预测精度取决于超参数ntree（决策树的个数）和mtry（构建决策树分支时随机抽样的变量个数）。为了选取出最佳的超参数，研究对比了不同超参数条件下RF模型的预测误差，如图2所示。从图中可以看出，能使RF模型的预测精度和计算成本保持平衡的最佳超参数为：ntree = 87，mtry = 4。 图3展示了HPC耐久性的影响因素的重要性排序。从图中可以看出，对于CP来说，x1、x2、x4、x5、x3的影响较大，而x12、x11、x9、x10的影响较小；对于RD来说，x1、x2、x4、x5、x3的影响较大，而x11、x12、x8、x10的影响较小。 （3）基于LSSVM模型的耐久性预测 表2 筛选后的样本数据集  注：CO指成本（元）。  图4 RD的预测结果 注：R2指判定系数（-）；RMSE指均方根误差（%）。  图5 CP的预测结果 由上一节的分析可知，影响HPC耐久性（RD和CP）的主要参数为x1、x2、x4、x5、x3、x6，故将其作为LSSVM预测模型的输入参数。表2列出了筛选后的样本数据。 图4和图5分别展示了RD和CP的预测结果。从图4中可以看出，预测RD的LSSVM模型在训练集上的R2 = 0.97554、RMSE = 0.166792，在测试集上的R2 = 0.94084、RMSE = 0.10987。从图5中可以看出，预测CP的LSSVM模型在训练集上的R2 = 0.97911、RMSE = 0.0687048，在测试集上的R2 = 0.9443、RMSE = 0.094865。由此可见，LSSVM模型能够准确地预测HPC的RD和CP。 （4）基于LSSVM-NSGA-II的多目标优化方法 表3 HPC的RD和CP的预测值和试验值  在实际工程项目中，提高混凝土耐久性的要求往往会增加建造成本。为了在满足混凝土耐久性要求的同时尽量减少建造成本，研究采用ML方法进行了多目标优化。为了验证研究所建立的基于LSSVM-NSGA-II的HPC耐久性多目标优化模型的有效性，对基于优化后配合比的HPC试样进行了抗冻性和抗渗透性试验，试验结果见表3。从表中可以看出，RD和CP预测值和试验值之间的误差较小：A试样的误差分别为0.91%和4.5%、B试样的误差分别为1.15%和4.7%、C试样的误差分别为1.04%和4.3%。上述结果证明了LSSVM-NSGA-II的HPC耐久性多目标优化模型具有较高的可靠性。 总结 高性能混凝土（HPC）耐久性和成本的多目标优化一直是一个有待解决的难题。该研究提出了一个智能混合RF-LSSVM-NSGA-II框架，以此来同时优化HPC的耐久性和经济成本。研究结果表明，采用RF模型能够有效地选取出影响HPC耐久性的关键因素。基于这些关键因素，采用LSSVM模型预测HPC的耐久性，并应用NSGA-II生成新的配合比，根据LSSVM预测结果形成了性能较好的帕累托解集。研究所提出的方法能够显著减少所需的试验次数，从而节约时间以及降低成本。此外，通过将所提出的LSSVM模型的预测与其他常用的ML模型以及基于初始样本参数的LSSVM模型的预测进行对比发现，基于筛选后样本参数的LSSVM模型性能更优，能够作为一种可靠的工具预测HPC的性能。 尽管研究所提出的智能混合RF-LSSVM-NSGA-II框架有效地实现了HPC多目标优化，但是仍然具有一些潜在的局限性。训练数据的数量和质量能够显著影响ML模型的性能。该研究所采用的训练数据均来自同一工程项目，可能会导致出现不适用于其他工程项目的情况。因此，未来需要收集更多样化的具体数据，尝试在数据量更大的基础上训练出通用性更强的LSSVM模型。此外，ML方法和优化算法也在不断改进，未来还可以尝试将RF-LSSVM-NSGA-II框架与更先进的算法相结合，以此来进一步提高其计算效率以及优化其预测效果。 本期编者简介 翻译： 耿松源 博士生 深圳大学 审核： 罗盛禹 硕士生 深圳大学 排版： 钟安楠 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 |
|
|
