基于机器学习的ECC混合比例智能优化与综合性能决策方法
《CEMENT & CONCRETE COMPOSITES》:An Intelligent Optimization and Comprehensive Performance Decision-Making Method for ECC Mix Proportion Based on Machine Learning
【字体:
大
中
小
】
时间:2026年02月12日
来源:CEMENT & CONCRETE COMPOSITES 13.1
编辑推荐:
刘志晨|魏凌刚|曲一群|王家玲|胡世军|宋英龙|邓德平|王春平|冯卓文|王正东|张祖华
中国能源工程集团湖南电力设计研究院有限公司,长沙,410007,中国
**摘要**
工程水泥基复合材料(ECC)因其优异的机械性能而在框架柱中得到了越来越多的应用。然而,在工程实
刘志晨|魏凌刚|曲一群|王家玲|胡世军|宋英龙|邓德平|王春平|冯卓文|王正东|张祖华
中国能源工程集团湖南电力设计研究院有限公司,长沙,410007,中国
**摘要**
工程水泥基复合材料(ECC)因其优异的机械性能而在框架柱中得到了越来越多的应用。然而,在工程实践中,如何快速选择一种既能平衡性能又能兼顾成本效益的配合比设计仍然是一个挑战。本研究建立了一种基于机器学习和机械性能驱动的选择方法。首先,构建了一个包含240组数据的高保真数据集,每组数据有18个输入变量。接着,使用随机搜索结合傅里叶优化对算法模型进行了超参数调整,随后对数据集进行了皮尔逊相关性分析、预测准确性评估以及Shapley加性解释(SHAP)分析。最后,根据预测模型和目标混凝土抗压强度生成了多种可能的配合比设计,并通过构建的机械模型、权重系数分配和归一化计算过程以及综合性能指数模型对这些设计进行了处理,最终得到了最优的配合比设计。通过一个案例研究展示了所提出方法的可行性。在预测模型中,开发的CatBoost算法模型对ECC性能的预测准确性很高,抗压强度、抗拉强度和抗拉应变的R值分别为0.97、0.95和0.91。
影响ECC机械性能的因素主要包括水灰比、水泥、硅灰和纤维断裂伸长率,它们的平均SHAP值是其他输入变量的两倍以上。此外,一个设计案例验证了本研究提出的设计方法的合理性。本研究可以为ECC在实际工程中的更广泛应用提供指导。
**引言**
工程水泥基复合材料(ECC)以其卓越的机械性能而著称,其抗拉强度和抗拉应变能力可分别达到10 MPa和10%,是传统混凝土的100多倍[1]、[2]、[3]。因此,它开始被用于提高结构的韧性。由于其出色的裂缝控制能力,ECC还表现出优异的耐久性和长期性能[4]、[5]、[6]。鉴于这些优势,ECC可以用于梁、柱和接头等结构构件中,以改善其性能。先前的研究已将ECC应用于梁的底部,从而提高了其弯曲能力,效果超过20%[7]、[8]、[9]。在柱的塑性铰接区域应用ECC夹层甚至可以将柱的累积能量耗散提高两倍以上[10]、[11]、[12]。此外,还有研究在梁-柱接头区域使用ECC来提高剪切能力或抗震韧性[13]、[14]。然而,ECC的工程应用也存在一些缺点,包括其材料成本较高,大约是普通混凝土的10到20倍[4]。此外,还缺乏全面的设计规范和施工标准,以及现场纤维混合和应用的实际困难。这些问题需要进一步关注和解决。
在工程结构设计中,抗震性能一直是一个关键问题。在框架结构中,柱作为连接上部结构和基础的“纽带”,其重要性不言而喻[15]、[16]。在之前的实验研究中,已经考虑使用ECC夹层来提高桥墩和框架柱的抗震性能。结果表明,柱的承载能力通常可以提高约20%,而累积能量耗散可以增加一倍以上[10]、[11]、[12]。张等人[11]使用外部ECC夹层来提高柱的抗震性能,发现与普通混凝土柱相比,ECC夹层复合柱的承载能力提高了约40%,累积能量耗散提高了约200%。这些发现凸显了其在工程应用中的广阔前景。
通常,ECC由水泥、石英砂、纤维、超塑化剂和其他矿物掺合料组成[3]、[4]、[5]。不同的成分对其抗压强度、抗拉强度和抗拉应变有显著影响。在之前的研究中,为了降低ECC的成本和碳足迹,考虑使用粉煤灰等辅助胶凝材料部分替代水泥,同时用河砂等替代昂贵的石英砂,仍然满足相应的材料性能要求[17]、[18]、[19]、[20]。此外,由于聚乙烯(PE)纤维成本相对较低,因此在ECC制备中得到了广泛应用[21]、[22]。尽管已有针对降低ECC成本的各种配合比研究,但目前的实验设计方法仍然主要依赖于经验方法、大量测试和试错过程。这一过程耗时、劳动密集且成本高昂,限制了对设计空间的有效探索。此外,在ECC夹层复合柱等应用中,传统的手动设计方法难以同时满足高抗拉强度和高抗拉应变能力的要求——这两者对于延性和裂缝控制都至关重要——同时还要满足抗压强度的需求。因此,优化材料组成和结构设计以实现目标性能并最小化成本仍然是一个重大挑战。总之,对于ECC夹层复合柱来说,确保ECC配合比既满足机械性能标准又具备成本效益尤为重要。
作为一种成熟的技术,机器学习已经开始应用于工程实践。Al-Fakih等人[23]使用机器学习技术分析了各种成分对GGBFS基地质聚合物混凝土碳足迹的影响,并进行了相应的预测分析,某些算法模型的准确率达到了0.95。Ahmad等人[24]和Qing等人[25]利用数据驱动的机器学习方法预测材料的机械性能。Ma等人[26]和Cao等人[27]进一步应用机器学习方法来表征钢筋混凝土柱的剪切行为。Yang等人[28]使用机器学习算法预测和表征柱的损伤和失效,并分析了各种影响因素的贡献。值得注意的是,大多数现有研究仅专注于建立预测模型并进行预测和贡献分析,而没有详细阐述工程应用的技术方法。
因此,建立了一种结合“材料配合比 - 材料机械性能 - 组件整体抗震性能”的相关设计方法。该方法利用机器学习技术实现材料成本和结构性能的平衡控制。本研究的技术路线框架如图1所示。首先,通过构建高质量和高保真数据集,对机器学习算法进行随机搜索和傅里叶调整,然后进行预测准确性、皮尔逊相关性和重要性贡献分析,以获得高准确性和稳定性的预测模型。其次,根据原始普通混凝土的抗压强度,通过机器学习模型随机生成配合比,并根据本研究建立的性能标准进行优化。最后,通过权重系数比较、归一化和综合性能指数计算等过程,优化出既满足性能又经济合理的ECC配合比。本研究为ECC材料的工程应用提供了一种自动化选择方法,并有助于促进其在工程中的实际应用。
**变量选择**
在ECC的性能预测和配合比设计中,考虑的关键材料成分包括水泥、纤维、水、石英砂和其他矿物掺合料(图2)。在选择机器学习模型的输入变量时,需要全面覆盖ECC的组成成分,同时确保在数据集有限的情况下模型的有效性。首先,数据集应包含影响ECC性能的主要成分,包括胶凝剂(水泥、硅灰、粉煤灰等)。
**超参数设置**
在本研究中,选择了随机森林(Random Forest)、GBDT和CatBoost算法来构建机器学习模型。相关机器学习模型如图4所示。随机森林算法是一种Bagging集成学习方法[63],其过程可以分为三个步骤:首先,从原始训练集中进行M轮自助采样以获得M个训练子集;其次,在每个子集上训练决策树,随机选择...
**自动化柱设计**
对于普通混凝土柱,考虑使用外部ECC夹层来提高其抗震韧性,但确定合适的ECC配合比仍然是一个值得关注的问题。需要注意的是,提高柱的承载能力是提高其抗震性能的主要要求。本研究提出了一种基于强度驱动的方法来选择外部ECC夹层复合柱中的ECC配合比。
**案例研究**
本研究基于Zhang等人的实验[11]进行了案例研究,测试设置如图18所示。柱的截面尺寸为300 mm × 300 mm,夹层的高度为400 mm,厚度为25 mm。柱内加固了12根直径为12 mm的纵向钢筋。水平荷载在位移控制下施加,同时保持200 kN的恒定垂直轴向力。水平荷载施加在距离柱中心1200 mm的位置。
**结论**
本研究构建了一个包含240组数据的数据集,每组数据有18个输入变量和3个输出变量。通过机器学习预测和基于性能优化的ECC材料配合比设计,以及对案例研究的验证,得出了以下结论:
(1) ECC各成分之间的皮尔逊相关系数大多低于0.5。然而,纤维直径与粗骨料之间的相关性...
**作者贡献声明**
张祖华:撰写 – 审稿与编辑、监督、软件、项目管理、方法论。
王正东:方法论、调查。
刘志晨:撰写 – 原始草稿、验证、方法论、正式分析、数据管理。
邓德平:方法论、调查。
宋英龙:调查、正式分析。
冯卓文:方法论、调查。
王春平:方法论、调查。
曲一群:软件、方法论、数据管理。
魏凌刚:撰写 – 原始...
**未引用参考文献**[29]
**利益冲突声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
**致谢**
该项目由中国能源建设集团湖南电力设计研究院有限公司的研发项目资助(“高强度地区增压站柱构件ECC夹层增强抗震韧性技术研究(K4-22-2025)”)。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号