基于LSTM模型的再生混凝土抗压强度预测分析.pdf

实验报告科技创新与应用Technology Innovation and Application2023 年 28 期基于 LSTM 模型的再生混凝土抗压强度预测分析郭园园1，原慧敏2，冯飞3，田青青4，5，李泽宣4（1.河南水投舆源水生态实业有限公司，河南 驻马店 463400；2.河南欣峰信息科技有限公司，郑州 450003；3.河南水利投资集团有限公司，郑州 450000；4.华北水利水电大学 水利学院，郑州 450046；5.河南省水环境模拟与治理重点实验室，郑州 450002）随着“绿水青山就是金山银山”的方针提出和碳中和的逐步推广，在如今建筑行业如火如荼地进行时，对混凝土骨料的消耗非常巨大，为补充骨料的消耗和节能减排的需求，科研人员将目光放在再生骨料的使用中，然而抗压强度是再生混凝土的一项重要指标，但其具有获取时间相对较长、试验成本较高、耗材较多等问题，使科研人员将目光放在机器学习方面，通过机器学习独特的学习能力，从而实现对再生混凝土抗压强度的预测，例如张久洪等1使用 BP 神经网络对再生混凝土 28 d 抗压强度进行预测，取得了较为精确的预测结果。刘琦良2使用 PSO-BP 模型对再生混凝土 28 d 抗压强度进行预测，证实了经过 PSO 算法优化的 BP 模型具有更高的预测精度。皇民等3使用卷积神经网络建立玄武岩纤维再生混凝土强度预测模型，为后续研究提供参考。姚小俊等4使用贝叶斯优化高斯过程回归的方法对再生混凝土的抗压强度和弹性模量进行预测，并获得了很高的精度。现有研究中，主要使用机器学习模型进行再生混凝土 28 d 强度预测，很少有研究预测混凝土长龄期抗压强度，准确预测再生混凝土长龄期强度，对研究再生混凝土长期服役情况有重大意义，而长短期记忆人工神经网络（LSTM）具有强大的数据处理能力，获得了广泛应用，如郭磊等5使用 XGBoost 增加新特征后使用 LSTM 模型对胶凝砂砾石抗压强度进行预测，并取得精确的预测结果；高珊等6使用 LSTM模型预测台风强度，证实了此模型的可行性；朱天宇等7使用 LSTM 模型对风向进行预测，且准确率达 90%以上；朱俊杰8使用 LSTM 模型对香港燃油价格进行预测，并取得精确的预测结果。第一作者简介：郭园园（1987-），男，工程师，总经理助理。研究方向为水利工程。摘要：再生混凝土抗压强度预测已经有很多方法，但目前的研究大多集中在对混凝土 28 d 抗压强度预测上，对于超长龄期的预测较少。为更好地对再生混凝土超长龄期强度进行预测，该研究使用数理统计方法对 56 d 抗压强度进行统计学分析，并使用箱线图对所有变量进行异常值检测，使用 LSTM 模型对再生混凝土 56 d 抗压强度进行预测，为更加准确地对模型预测效果进行评价，采用决定系数 R2、均方根误差（RMSE）、平均绝对误差（MAE）作为评价指标。最终模型结果表明，LSTM 模型可以较为精确地实现再生混凝土超长龄期抗压强度的预测，为工程实践提供指导。关键词：再生混凝土；LSTM；抗压强度；异常值检测；预测中图分类号院TU528文献标志码院A文章编号院2095-2945渊2023冤28-00远苑-0源Abstract:There have been many methods to predict the compressive strength of recycled concrete,but the current research ismostly focused on the prediction of 28-day compressive strength of concrete,but there are few predictions for ultra-long age.Inorder to better predict the super-long age strength of recycled concrete,this study uses mathematical statistics to analyze the 56-day compressive strength,and uses the box chart to detect the abnormal values of all variables.The LSTM model is used topredict the 56-day compressive strength of recycled concrete.In order to evaluate the prediction effect of the model moreaccurately,the determination coefficient R2,root mean square error(RMSE)and mean absolute error(MAE)are used as theevaluation index.The final model results show that the LSTM model can accurately predict the compressive strength of recycledconcrete at ultra-long age and provide guidance for engineering practice.Keywords:recycled concrete;LSTM;compressive strength;abnormal value detection;predictionDOI：10.19981/j.CN23-1581/G3.2023.28.01767-2023 年 28 期实验报告科技创新与应用Technology Innovation and Application综上所述，本研究采用 LSTM 模型对再生混凝土56 d 抗压强度进行预测，并通过数理统计方法对所获得的抗压数据进行分析，为降低异常值对模型精度的影响，采用箱线图方法对数据异常值进行检测，最后通过评估指标分析验证模型预测能力。1数据来源1.1数据分析本研究数据来自文献9，根据实际情况，选取其中再生粗骨料数据集 118 组，为探寻所用数据的统计学分布规律，对 56 d 抗压强度进行统计学分析，如图 1所示，通过柱状图分布和 Gauss 拟合曲线可以看出，抗压强度数据整体符合高斯正态分布。图 1抗压强度正态分布图由图 1 可知，通过拟合曲线无法准确得出抗压强度数据是否符合正态分布。为进一步验证其是否符合正态分布，采用单样本 K-S 检验，以设定 95%置信区间，进行检验，56 d 抗压强度数据显著性 P=0.876，大于 0.05，故再生混凝土 56 d 抗压数据均符合正态分布。因研究所用数据过多，在较多数据中，可能会出现异常值的情况，若不将其在代入模型之前剔除，将会影响模型精度，故采用箱线图方法观察所用数据异常值情况。图 2 中 A 表示水泥含量，B 表示粉煤灰含量，C表示细骨料，D 表示粗骨料，E 表示粗骨料取代率，F表示减水剂，G 表示抗压强度。通过图 2 可知，56 d 龄期下，获得所有抗压强度均在合理范围内，均未出现异常值，由此也减少了因数据问题对后续模型精度的影响。1.2数据预处理因标准化后可以加快梯度下降的求解速度，即提升模型的收敛速度，同时减少因量纲不同对预测精度的影响，采用 Z-score 标准化方法对数据进行标准化，如公式（1）所示。，（1）式中：X*为标准化后的数值；x 为试验值；滋 为所有样本数据的均值；滓 为所有样本数据的标准差。图 2输入变量和输出变量箱线图2评价指标模型建立并进行数据预测之后，为了检验模型的泛化能力和预测准确性，故需设定模型评价指标，从而更加直观地了解模型性能。因此，选用决定系数 R2、均方根误差（RMSE）、平均绝对误差（MAE）为模型评价指标，其中决定系数 R2表示试验值和预测值之间的拟合程度，其越接近于 1，表明其预测结果越接近试验值，RMSE 表示试验值和预测值之间差异的样本标准差，MAE 表示试验值和预测值之间绝对误差的平均值，二者大小越接近 0 越好，以上评价指标计算原理如公式（2）（3）（4）所示。式中：N 为数据库所含数据个数；Q軍为试验值数据的平均值，MPa；Qi为试验值，MPa；Q赞i为模型预测值，MPa。3模型概述长短期记忆人工神经网络（Long Short-TermMemory Networks，LSTM）是一种特殊的循环神经网络（Recurrent Neural Network，RNN），由 Hochreiter 和Schmidhuber10在 1997 年提出。RNN 是一种环路网络，*xXms2222()()1()1iiNiiniiQQRQQRMSEQQNMAEQQN，（2），（3），（4）68-实验报告科技创新与应用Technology Innovation and Application2023 年 28 期信息从当前环路传输至下一个环路，这种链状结构表明 RNN 是能够运用的正常神经网络结构。但是常规RNN 存在长期依赖性的问题，这意味着，随着循环之间的距离增加，RNN 中信息的链接可能会出现中断。然而针对于机器学习领域长序列训练时出现的梯度消失和梯度爆炸的现象，LSTM 可以很好地解决。因模型重复模块中特殊属性的存在，LSTM 能够学习长期依赖性。LSTM 使用存储单元和门来控制存储在网络中或保留的长期信息，作为一种功能强大的递归神经网络模型，LSTM 可以对时间序列中长短期相关性进行提取，从而能够使模型对数据特征进行有效提取11-13。LSTM 在主体结构中包括遗忘门、输入门、更新门和输出门。LSTM 结构的主要公式如下ft=滓（Wf（ht-1，xt）+bf），（5）it=滓（Wi（ht-1，xt）+bi），（6）gt=tanh（Wg（ht-1，xt）+bg），（7）ct=ftct-1+itgt，（8）ot=滓（Wo（ht-1，xt）+bo），（9）ht=ottanh（ct），（10）式中：ft、it、gt和ot分别为遗忘门、输入门、更新门和输出门的输出值；Wf、Wi、Wg和Wo为权重向量；bf、bi、bg和 bo为偏差向量；ct和 滓 分别为存储单元和 sigmoid 激活函数；ht为当前时刻的隐藏条件。LSTM 的工作原理如图 3 所示。图 3LSTM 工作原理4结果分析经过数据处理后，模型所用数据为 118 组，按照 7颐3比例划分训练集和测试集，为探究机器学习模型在不同龄期下预测精度变化，以粉煤灰、细骨料、粗骨料、粗骨料取代率和减水剂作为模型输入变量，56 d 抗压强度作为输出变量，其结果如 4 图所示。由图 4 可知，56 d 抗压强度的训练集 R2=0.990 6，测试集 R2=0.981 2，本研究所提出模型，在再生粗骨料混凝土 56 d 抗压强度预测中具有精确的预测结果，在混凝土强度误差方面，一般界定 5%以内均为可以接受的范围。为更加直观地观察预测结果与试验值之间的误差情况，绘制误差图，如图 5 所示。渊a冤56 d 抗压强度训练集拟合图渊b冤56 d 抗压强度测试集拟合图图 456 d 抗压强度拟合图图 5误差图图 5 为模型全部数据的预测值和试验值的依5%范围误差图，为方便观测，将所用数据从小到大进行排序，从图 5 中可以看出，只有极个别点出现在误差线以滓滓滓tanhht+1htht-1tanhxt-1xtxt+169-2023 年 28 期实验报告科技创新与应用Technology Innovation and Application外，但仍近邻误差线，可以看出其并未超出 10%的误差范围，除此之外，基本所有点都在 5%误差范围之内，由此可以得出，模型预测非常精确，具有较高的可靠性。通过图 6 的折线对比图可知，训练集试验值和预测值十分接近，具有较高的精度。通过测试集折线对比图可知，试验值和预测值较为接近，相比于训练集，一些点预测值和试验值有一定差距，这可能是由于模型训练之后，本身泛化能力有所欠缺，但根据 R2所示，精度仅下降 0.009 4，且误差并未超过 5%，所以仍然具有较高的实用性。渊a冤训练集折线对比图渊b冤测试集折线对比图图 656 d 抗压强度折线对比图针对以上评价指标，通过计算可以得出模型RMSE 为 1.15，MAE 为 0.94，由此将预测结果和试验值之间的误差数值化，可以非常直观地看出预测结果的准确性。5结论本研究使用 LSTM 模型对再生混凝土 56 d 抗压强度进行预测，得出结论：淤LSTM 模型可以有效用于再生混凝土 56 d 抗压强度预测。于再生混凝土 56 d 抗压强度分布规律符合正态分布。参考文献院1 张久洪，康转转，张悦.基于 BP 神经网络的再生混凝土抗压强度预测J.江苏建筑，2022（5）：84-88.2 刘琦良.基于 PSO-BP 的再生混凝土抗压强度预测J.河南科技，2018（32）：101-102.3 皇民，赵玉如，苑俊杰，等.玄武岩纤维增强再生混凝土正交试验与强度预测J.河南工程学院学报（自然科学版），2019，31（4）：22-27.4 姚小俊，吴迪.基于贝叶斯优化高斯过程回归法的再生混凝土力学性能预测J.科学技术与工程，2023，23（7）：2968-2975.5 郭磊，高航，田青青，等.基于 XGBoost-LSTM 的胶凝砂砾石抗压强度预测J.建筑材料学报 2023，26（6）：631-637.6 高珊，刘峻.基于 LSTM 的台风强度预测模型分析J.信息与电脑（理论版），2021，33（11）：30-32.7 朱天宇，叶强，郝建树，等.基于 LSTM 的风矢量预测方法J.电力自动化设备：1-92023-09-20.8 朱俊杰.基于 LSTM 的香港港口燃油价格预测J.现代信息科技,202猿，苑（愿）：员03-106.9 孟红.基于 BP 神经网络的再生混凝土强度预测D.青岛：青岛理工大学，2012.10 HOCHREITERS，SCHMIDHUBERJ.Longshort-termmemoryJ.Neural computation，1997，9（8）：1735-1780.11 GREFFK，SRIVASTAVARK，KOUTN魱KJ，etal.LSTM：A search space odyssey J.IEEE transactions onneural networks and learning systems，2016，28（10）：222-2232.12 SHRESTHA A，MAHMOOD A.Review of deep learningalgorithmsandarchitecturesJ.IEEEaccess，2019（7）：53040-53065.13 WANG K，QI X，LIU H.Photovoltaic power forecastingbasedLSTM-ConvolutionalNetwork J.Energy，2019，189：116225.70-