混沌粒子群算法优化最小二乘支持向量机的混凝土强度预测

doi:10.13229/j.cnki.jdxbgxb201604013

吉林大学学报(工学版) ›› 2016, Vol. 46 ›› Issue (4): 1097-1102.doi: 10.13229/j.cnki.jdxbgxb201604013

混沌粒子群算法优化最小二乘支持向量机的混凝土强度预测

张静^{1, 2}, 刘向东¹

1.内蒙古工业大学材料科学与工程学院,呼和浩特 010051;
2.内蒙古建筑职业技术学院机电与暖通工程分院,呼和浩特 010070

收稿日期:2015-03-12 出版日期:2016-07-20 发布日期:2016-07-20
通讯作者: 刘向东(1966-),男,教授,博士.研究方向:材料工程.E-mail:zj601187@163.com
作者简介:张静(1983-),女,副教授,博士研究生.研究方向:建筑材料.E-mail:zhangjing@126.com
基金资助:
国家自然科学基金项目(51164023); 国家教育部新世纪优秀人才支持计划项目(NCET-13-0847); 内蒙古自治区教育厅项目(NJZC13344)

Prediction of concrete strength based on least square support vector machine optimized by chaotic particle swarm optimization

ZHANG Jing^{1, 2}, LIU Xiang-dong¹

1.School of Materials Science and Engineering, Inner Mongolia University of Technology, Hohhot 010051, China;
2.Department of Electromechanical and Heating Ventilation Engineering, Inner Mongola Technical College of Construction, Hohhot 010070,China

Received:2015-03-12 Online:2016-07-20 Published:2016-07-20

摘要/Abstract

摘要： 为了获得更理想的混凝土强度预测结果,提出一种混沌粒子群算法优化最小二乘支持向量机(LSSVM)的混凝土强度预测模型。首先采集混凝土强度数据,并进行归一化处理。然后采用LSSVM对混凝土强度与影响因子之间的变化关系进行建模,并采用混沌粒子群算法搜索最优LSSVM参数。最后采用具体混凝土强度预测实例对其性能进行分析。结果表明,本文模型可以准确描述混凝土强度与影响因子间的变化关系,提高了混凝土强度预测精度,具有一定的实际应用价值。

关键词: 土木工程, 混凝土强度, 最小二乘支持向量机, 混沌粒子群算法, 通用性测试

Abstract: In order to obtain precise prediction of concrete strength, a prediction model of concrete strength is proposed, which is based on Least Square Support Vector Machine (LSSVM) optimized by Chaotic Particle Swarm Optimization (CPSO). First, the data of concrete strength are collected and normalized. Second, LSSVM is used to model the relationship between the concrete strength and the impact factors, and CPSO algorithm is applied to search the optimal parameters of LSSVM. Finally, the prediction performance is analyzed on the concrete strength data. Results show that the proposed model can accurately describe the relationship between the concrete strength and the impact factors, and improve the prediction accuracy of the concrete strength. This model has certain practical value.

Key words: civil engineering, concrete strength, least squares support vector machine(LSSVM), chaotic particle swarm optimization(CPSO) algorithm, general test

中图分类号:

TU528

张静, 刘向东. 混沌粒子群算法优化最小二乘支持向量机的混凝土强度预测[J]. 吉林大学学报(工学版), 2016, 46(4): 1097-1102.

ZHANG Jing, LIU Xiang-dong. Prediction of concrete strength based on least square support vector machine optimized by chaotic particle swarm optimization[J]. 吉林大学学报(工学版), 2016, 46(4): 1097-1102.

参考文献

[1] Limbachiya M C,Leelawat T,Dhir R K.Use of recycled concrete aggregate in high-strength concrete[J].Material and Structure,2000,33(9):574-580.
[2] 陆克芬,方崇,张春乐. 非参数投影寻踪回归在粉煤灰混凝土强度测中的应用[J]. 计算机工程与设计, 2010, 31(6): 1394-1396.
Lu Ke-fen, Fang Cong, Zhang Chun-le. Nonparametric projection pursuit regression and its application of strength prediction about fly as concrete[J]. Computer Engineering and Design, 2010, 31(6): 1394-1396.
[3] 张英姿,范颖芳,赵颖华. 受盐酸腐蚀混凝土抗压强度的灰色预测模型[J]. 建筑材料学报, 2007, 10(4): 397-401.
Zhang Ying-zi, Fan Ying-fang, Zhao Ying-hua. Grey prediction model for compressive strength of concrete corroded by hydrochloric acid[J]. Journal of Building Materials, 2007, 10(4): 397-401.
[4] 王江荣. 基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用[J]. 工程质量, 2013, 31(12):32-35.
Wang Jiang-rong. Quadratic regression based on optimization algorithm of simulated annealing particle group theory application in the concrete compressive strength prediction[J]. Construction Quality, 2013, 31(12): 32-35.
[5] 高峰, 郝奇亮. 基于MATLAB7.2 神经网络工具箱的混凝土抗压强度预测[J]. 山西大同大学学报:自然科学版, 2012, 28(6): 60-63.
Gao Feng, Hao Qi-liang. Concrete compression strength prediction based on Matlab 7.2 neural Network toolbox[J]. Journal of Shanxi Datong University (Natural Science), 2012, 28(6): 60-63.
[6] 徐国强,苏幼坡,韩佃利,等. 基于 BP 神经网络的绿色混凝土抗压强度预测模型[J]. 混凝土, 2013(2): 33-35.
Xu Guo-qiang, Su You-po, Han Dian-li, et al. Prediction model of green concrete compressive strength based on BP neural network[J]. Concrete, 2013(2): 33-35.
[7] 黄庆时, 郑建岚, 罗素蓉. 人工神经网络在自密实混凝土抗压强度预测中的应用[J]. 福州大学学报:自然科学版, 2007, 35(1): 100-104.
Huang Qing-shi, Zheng Jian-lan, Luo Su-rong. Application of artificial neural networks for prediction of self-compacting concrete strength[J]. Journal of Fuzhou University (Natural Science),2007, 35(1): 100-104.
[8] 李红,彭涛. 基于BP、RBF 神经网络混凝土抗压强度预测[J]. 武汉理工大学学报, 2009, 31(8): 33-36.
Li Hong, Peng Tao. Prediction of concrete compress strength based on BP and RBF neural network theories[J]. Journal of Wuhan University of Technology, 2009, 31(8): 33-36.
[9] 马清秀. 基于支持向量机的水泥抗压强度预测[J]. 公路与汽运, 2009(3):93-95.
Ma Qing-xiu. Prediction of concrete strength based on support vector machine[J]. Highways and Automotive Applications, 2009(3):93-95.
[10] 王江荣. 基于小波分析的神经网络在混凝土测强曲线拟合中的应用[J]. 工程质量, 2011, 29(12): 63 -65.
Wang Jiang-rong. Neural network application of concrete strength test curve fitting based on small wave analysis[J]. Construction Quality, 2011, 29(12): 63-65.
[11] 何晓凤, 周红标. 基于GA-BP 的混凝土抗压强度预测研究[J]. 淮阴工学院学报, 2011, 20(3): 21-25.
He Xiao-feng, Zhou Hong-biao. Prediction of concrete compressive strength based on GA-BP[J]. Journal of Huaiyin Institute of Technology, 2011, 20(3): 21-25.
[12] 陈斌, 郭雪莽, 刘国华. 基于粗糙集(RS)和支持向量机(SVM)的混凝土性能预测实证研究[J]. 水力发电学报, 2011, 30(6): 251-257.
Chen Bin, Guo Xue-mang, Liu Guo-hua. Prediction of concrete properties based on rough sets and support vector machine method[J]. Journal of Hydroelectric Engineering, 2011, 30(6): 251-257.
[13] 张鹤,宁作君. 基于LS-SVM的混凝土断裂参数回归与预测[J]. 混凝土, 2012(6):17-19.
Zhang He, Ning Zuo-jun. Data regression and forecast of concrete fracture by LS-SVM[J]. Concrete, 2012 (6):17-19.
[14] 龙文, 梁昔明,龙祖强,等. PSO-LSSVM灰色组合模型在地下水埋深预测中的应用[J]. 系统工程理论与实践, 2013,33(1): 243-248.
Long Wen, Liang Xi-ming,Long Zu-qiang, et al. LSSVM grey combined forecasting model based on PSO and its application in groundwater dynamic prediction[J]. Systems Engineering—Theory and Practice, 2013,33(1): 243-248.
[15] 王晓伟. 基于RBF网络的混凝土抗压强度的预测[J]. 筑路机械与施工机械化, 2006(10): 23-26.
Wang Xiao-wei. Prediction of concrete compressive strength based on RBF neural network[J]. Pavement Machinery and Construction Technology, 2006(10): 23-26.
[16] 龚珍, 卜小波, 吴浩. 基于 PSO-SVM的混凝土抗压强度预测模型[J]. 混凝土, 2013(12):11-13.
Gong Zhen, Pu Xiao-bo, Wu Hao. Concrete compressive strength test based on vector machine optimized by particle swarm optimization algorithm[J]. Concrete, 2013(12):11-13.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

混沌粒子群算法优化最小二乘支持向量机的混凝土强度预测

Prediction of concrete strength based on least square support vector machine optimized by chaotic particle swarm optimization

RICH HTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	隗海林, 包翠竹, 李洪雪, 李明达. 基于最小二乘支持向量机的怠速时间预测[J]. 吉林大学学报(工学版), 2018, 48(5): 1360-1365.
[2]	郑一峰, 赵群, 暴伟, 李壮, 于笑非. 大跨径刚构连续梁桥悬臂施工阶段抗风性能[J]. 吉林大学学报(工学版), 2018, 48(2): 466-472.
[3]	王腾, 周茗如, 马连生, 乔宏霞. 基于断裂理论的湿陷性黄土劈裂注浆裂纹扩展[J]. 吉林大学学报(工学版), 2017, 47(5): 1472-1481.
[4]	郭楠, 张平阳, 左煜, 左宏亮. 竹板增强胶合木梁受弯性能[J]. 吉林大学学报(工学版), 2017, 47(3): 778-788.
[5]	卢英, 王慧琴, 秦立科. 高大空间建筑火灾精确定位方法[J]. 吉林大学学报(工学版), 2016, 46(6): 2067-2073.
[6]	郭学东, 马立军, 张云龙. 集中力作用下考虑剪切滑移效应的双层结合面组合梁解析解[J]. 吉林大学学报(工学版), 2016, 46(2): 432-438.
[7]	赵玉，李衍赫，张培，赵科，刘伟超. 粘土的动力特性试验[J]. 吉林大学学报(工学版), 2015, 45(6): 1791-1797.
[8]	侯忠明, 王元清, 夏禾, 张天申. 移动荷载作用下的钢-混简支结合梁动力响应[J]. 吉林大学学报(工学版), 2015, 45(5): 1420-1427.
[9]	徐淼，赵丁选，倪涛，徐春博. 基于最小二乘支持向量机的混合动力挖掘机负载功率预测[J]. 吉林大学学报(工学版), 2015, 45(1): 133-138.
[10]	王甲春, 阎培渝. 海洋环境下钢筋混凝土中钢筋锈蚀的概率[J]. 吉林大学学报(工学版), 2014, 44(2): 352-357.
[11]	李阳, 史东承, 王珂, 王燕, 魏艳芳. 基于图像模式的肺结节识别[J]. 吉林大学学报(工学版), 2013, 43(增刊1): 463-467.
[12]	张大山, 董毓利, 吴亚平. 混凝土单向板的受拉薄膜效应计算[J]. 吉林大学学报(工学版), 2013, 43(05): 1253-1257.
[13]	柴寿喜, 王沛, 魏丽. 以峰值轴向应变评价麦秸秆和石灰加筋固化盐渍土的抗变形性能 [J]. , 2012, (03): 645-650.
[14]	李春良, 王国强, 赵凯军, 朱春凤. 地面荷载作用盾构隧道纵向力学行为[J]. 吉林大学学报(工学版), 2011, 41(增刊2): 180-184.
[15]	潘明远, 姚继涛. 钢筋混凝土结构构件的可靠性[J]. 吉林大学学报(工学版), 2010, 40(增刊): 218-0221.