基于支持向量机的再生混凝土抗压强度预测模型

摘要：针对再生混凝土抗压强度预测问题，提出了一种基于支持向量机的再生混凝土抗压强度预测模型。以实际数据作为训练样本，并与BP神经网络的预测结果进行对比分析。研究结果显示，基于支持向量机模型的预测精度更高，可以更有效地对混凝土强度进行预测。

关键词：再生混凝土 支持向量机 BP神经网络 强度预测

引言

再生混凝土是将大量的废弃混凝土加以破碎、加工、分级成再生骨料后，部分或全部代替天然骨料配制而成的新混凝土。再生混凝土技术可以实现废弃混凝土的有效回收利用，对于保护环境、节约资源、发展生态建筑具有重要的意义，通常被认为是发展绿色生态混凝土的主要措施之一[1]。近些年来，众多学者对再生混凝土进行了一系列研究，取得了许多成果。对于普通混凝土而言，灰水比是进行混凝土强度预测的重要影响因素；但是对再生混凝土混凝土来说，其影响因素众多，这些因素与强度之间的关系非常复杂，采用传统的线性模型无法准确描述它们之间的关系。近几年来，神经网络被广泛地应用到混凝土强度预测中。它对解决非线性问题具有很好的效果，但是也存在着收敛速度慢、过学习和局部极值等问题[2]。因此，探索新的预测方法进行混凝土强度预测是有必要的。

支持向量机是（Support Vector Machine，简称SVM）是一种在统计学习理论基础上形成的、以实现结构风险最小化为原则的学习方法[3]。由于其具有模型的自由选择（参数、基函数的位置等）、全局最优以及良好的泛化能力等特性，因此在小样本、高维、非线性预测领域具有很好的应用效果[4]。

本文利用支持向量机算法对再生混凝土28d的抗压强度建立了预测模型，并利用此模型对不同配比条件下的再生混凝土的抗压强度进行了预测。

1基于支持向量机的的再生混凝土抗压强度预测建模

2.1模型变量的选取

影响再生混凝土抗压强度的因素众多，本文参照文献[9]提取与再生混凝土强度相关的变量，把水泥、粉煤灰、水、砂、石、再生骨料、减水剂等7个参数作为输入变量，输出为抗压强度。

2.2 数据处理

本文以文献[5]中的24个数据作为数据样本。其中前9个数据作为测试数据，后15个数据作为训练数据，实验数据如表1所示。为了预测的准确性，对原始数据在[0，1]范围内进行归一化处理。

2.2 SVM参数优化

惩罚参数С、RBF核参数σ、不敏感损失参数ε对支持向量机的预测精度影响很大。本文采用交叉验证法进行支持向量机参数的选取。

2 实例分析

为了验证本文所采用模型的正确性与可行性，本文列出了文献[5]中通过BP神经网络预测得到的测试数据。

再生混凝土28d的抗压强度、SVM预测得到的抗压强度及实际值的比较情况见图1。表2为两种模型的误差对比表。从图1和表2可以可能出SVM的预测精度高，与实测结果吻合较好。说明SVM在一定程度上其计算精度高与BP神经网络。可见基于SVM的再生混凝土的强度预测是可行的、有效的。

3 结论

本文提出了基于支持向量机的再生混凝土抗压强度预测模型，通过交叉验证法进行了支持向量机的参数优化，以得到预测性能更好的预测模型。以再生混凝土的实际配比数据作为应用算例，并与BP神经网络的预测效果进行了对比研究，研究结果显示支持向量机的预测效果更好，在混凝土强度预测方面具有一定的参考价值。

参考文献：

[1]肖建庄，李佳彬，兰阳.再生混凝土技术最新研究进展与评述[J].混凝土，2003，（10）：17-20.

[2]文培娜，张志勇，罗琳.基于BP神经网络的北京物流需求预测分析[J].物流技术.2009（6）：91-93

[3]Venkoba R B，Gopalakrishna S J，Hard grove grind ability index prediction using support vector regression[J]，International Journal of Mineral Processings，2009，91（12）：55-59.

[4]Liu Sheng，Li Yanyan，Anovel predictive control and its application on water level system ship Hoiler[C]//International Conference on Innovative Computing，Information and Control，2006：8.

[5]廖小辉，黄新，施俊玲，孙亚莉.基于BP神经网络的再生混凝土抗压强度预测模型[J].南京林业大学学报.2010（5）；34-37.