基于人工智能的混凝土配合比優(yōu)化設(shè)計(jì)

徐毅慧

?

基于人工智能的混凝土配合比優(yōu)化設(shè)計(jì)

徐毅慧

（漳州職業(yè)技術(shù)學(xué)院 建筑工程系，福建 漳州 363000）

采用遺傳算法對(duì)混凝土進(jìn)行配合比優(yōu)化設(shè)計(jì)，以經(jīng)濟(jì)成本為目標(biāo)函數(shù)、以人工神經(jīng)網(wǎng)絡(luò)混凝土性能預(yù)測(cè)模型為約束條件，用實(shí)數(shù)編碼表示個(gè)體的染色體位串，通過(guò)選擇、交叉、變異等遺傳算子作用，完成遺傳操作，以優(yōu)勝劣汰為原則，最終達(dá)到最優(yōu)解。將優(yōu)化結(jié)果和工程實(shí)例的配合比進(jìn)行對(duì)比，可見(jiàn)該方法可降低造價(jià)、節(jié)約能源，具有較好的工程使用價(jià)值。

人工神經(jīng)網(wǎng)絡(luò)；遺傳算法；配合比優(yōu)化設(shè)計(jì)

1 引言

隨著科學(xué)技術(shù)的進(jìn)步和建筑業(yè)的發(fā)展，土木工程對(duì)混凝土材料的性能，提出了越來(lái)越高的要求，傳統(tǒng)的配合比設(shè)計(jì)方法[1]在很大程度上依賴于設(shè)計(jì)者的經(jīng)驗(yàn)。雖然混凝土科學(xué)技術(shù)已有漫長(zhǎng)的發(fā)展歷史，但仍然是一門基于實(shí)驗(yàn)的科學(xué)。隨著材料科學(xué)、計(jì)算機(jī)科學(xué)和先進(jìn)測(cè)試技術(shù)和方法的應(yīng)用，混凝土科學(xué)技術(shù)已走上從經(jīng)驗(yàn)到理論、從定性到定量的發(fā)展道路。

近年來(lái)，土木建筑科研人員逐漸把人工神經(jīng)網(wǎng)絡(luò)[2]、遺傳算法[3]等人工智能科學(xué)引入混凝土配合比的優(yōu)化設(shè)計(jì)中，取得了一系列的科研成果。I-Cheng Yeh[4]、季韜[5]分別提出了基于人工神經(jīng)網(wǎng)絡(luò)的混凝土配合比優(yōu)化設(shè)計(jì)方法；王繼宗[6]、Chul-Hyun Lim[7]、劉翠蘭[8]、I-Cheng Yeh[9]將遺傳算法應(yīng)用于混凝土配合比的優(yōu)化設(shè)計(jì)中。

本文提出的基于人工智能的混凝土配合比優(yōu)化設(shè)計(jì)方法，在國(guó)內(nèi)外學(xué)者的研究基礎(chǔ)上，突破傳統(tǒng)的混凝土配合比設(shè)計(jì)方法，以經(jīng)濟(jì)成本為目標(biāo)函數(shù)，以人工神經(jīng)網(wǎng)絡(luò)混凝土性能預(yù)測(cè)模型【10】為約束條件，用實(shí)數(shù)編碼表示個(gè)體的染色體位串，通過(guò)選擇、交叉、變異等遺傳算子作用，完成遺傳操作，以優(yōu)勝劣汰為原則，最終達(dá)到最優(yōu)解，實(shí)現(xiàn)遺傳算法對(duì)混凝土配合比的優(yōu)化設(shè)計(jì)，為高性能混凝土的發(fā)展奠定基礎(chǔ)。

2 利用Matlab遺傳算法工具箱實(shí)現(xiàn)配合比的優(yōu)化設(shè)計(jì)

在Matlab遺傳算法工具箱操作界面中輸入Fitness function（適應(yīng)度函數(shù)：經(jīng)濟(jì)成本）、Number of variables（變量個(gè)數(shù)：7（混凝土配合比組成材料種類））、Linear equalities（等式約束：絕對(duì)體積不變Aeq=[1/2620 1/2590 1/2610 1/3020 1/2090 1/2980 1/1000]，beq=[0.99]）、Bounds（變量邊界約束：小石子、大石子、砂、水泥、粉煤灰、礦渣和水等材料用量上下限Lower= [0;600;500;200;0;0;130]，Upper= [450;1500;1000;500;180;180;210]）、Population size（種群大?。?0）以及相應(yīng)的Selection（選擇算子：Stochasticuniform）、Mutation（變異算子：Adaptive feasible）、Crossover（交叉算子：Scattered），并設(shè)定算法的終止條件，點(diǎn)擊開(kāi)始，則遺傳算法程序開(kāi)始運(yùn)行直到得出最優(yōu)解（滿意解），如圖1所示。算法的輸出界面如圖2所示，輸出信息包括算法停止的當(dāng)前代數(shù)(Current generation)、最優(yōu)適應(yīng)度值(Fitness function value)、算法終止的原因(Optimization terminated)及最優(yōu)解的各個(gè)變量值(Final point)。以泵送C40為例，遺傳算法運(yùn)行結(jié)束，輸出界面顯示如下信息：Current generation為21，表示算法停止在第21代；Fitness function value為395.64，表示算法停止時(shí)的最優(yōu)適應(yīng)度函數(shù)值等于395.64，即此時(shí)混凝土的單方造價(jià)為395.64元；Optimization terminated為average change in the fitness value less than options，表示本次運(yùn)行停止的原因是到達(dá)設(shè)定的停滯代數(shù)算法終止；Final point為300、699、596、246、112、103、207，表示取得最優(yōu)適應(yīng)度值時(shí)單方混凝土中小石子、大石子、砂、水泥、粉煤灰、礦渣和水的用量。

圖1 遺傳算法操作頁(yè)面

圖2 遺傳算法輸出界面(以泵送C40為例)

3 配合比優(yōu)化設(shè)計(jì)結(jié)果

根據(jù)混凝土攪拌站提供的C30、C40高性能混凝土配合比，優(yōu)化設(shè)計(jì)前后的配合比對(duì)比如表1所示，優(yōu)化設(shè)計(jì)前后的混凝土性能見(jiàn)表2。

表1 優(yōu)化設(shè)計(jì)前后混凝土配合比 單位：

表2 優(yōu)化設(shè)計(jì)前后混凝土性能

分析表1、表2，優(yōu)化后，幾組配合比均能滿足坍落度、28d抗壓強(qiáng)度和氯離子擴(kuò)散系數(shù)的要求。在相同的約束條件下，優(yōu)化后，水泥用量減少，粉煤灰、礦渣用量增加，混凝土的單方造價(jià)降低了。實(shí)際試配中，若坍落度不夠，可調(diào)整減水劑摻量；強(qiáng)度不夠，可微調(diào)水膠比。

在工程實(shí)際中，只要給出相應(yīng)的混凝土性能（坍落度、28d抗壓強(qiáng)度、氯離子擴(kuò)散系數(shù)）指標(biāo)，即可設(shè)定相應(yīng)的約束條件進(jìn)行遺傳算法對(duì)混凝土配合比的優(yōu)化設(shè)計(jì)。采用建立在正交試驗(yàn)基礎(chǔ)上的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型作為性能約束條件，運(yùn)用遺傳算法達(dá)到混凝土配合比優(yōu)化目的，可以減少大量的試配工作量，節(jié)省財(cái)力和物力。

4 結(jié)論

根據(jù)建立的目標(biāo)函數(shù)和材料約束條件，利用混凝土性能神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型約束混凝土的性能指標(biāo)，實(shí)現(xiàn)遺傳算法對(duì)混凝土配合比的優(yōu)化設(shè)計(jì)，對(duì)強(qiáng)度等級(jí)為C30、C40的泵送和非泵送混凝土進(jìn)行了優(yōu)化。優(yōu)化后的混凝土，水泥用量減少，粉煤灰和礦渣的用量增加，節(jié)省了資源，減少了污染，達(dá)到環(huán)保節(jié)能的目的；并且混凝土的坍落度、28d抗壓強(qiáng)度和氯離子擴(kuò)散系數(shù)均滿足要求，單方造價(jià)也降低了，取得良好的社會(huì)和經(jīng)濟(jì)效益。

基于遺傳算法的混凝土配合比優(yōu)化設(shè)計(jì)是在給定的混凝土性能指標(biāo)情況下，綜合考慮混凝土配合比各個(gè)參數(shù)對(duì)混凝土性能影響的全局優(yōu)化設(shè)計(jì)方法。

對(duì)于混凝土攪拌站而言，已有大量的混凝土試驗(yàn)數(shù)據(jù)，根據(jù)數(shù)據(jù)庫(kù)可建立精確的人工神經(jīng)網(wǎng)絡(luò)混凝土性能預(yù)測(cè)模型來(lái)作為遺傳算法優(yōu)化設(shè)計(jì)混凝土配合比的性能約束條件，從而根據(jù)本文提供的基于Matlab遺傳算法工具箱的混凝土配合比優(yōu)化設(shè)計(jì)方法實(shí)現(xiàn)混凝土配合比的優(yōu)化設(shè)計(jì)。

[1] 李業(yè)蘭．建筑材料[M]．北京：中國(guó)建筑工業(yè)出版社，1993．

[2] 葛哲學(xué)，孫志強(qiáng)．神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實(shí)現(xiàn)[M]．北京：電子工業(yè)出版社，2007．

[3] 雷英杰等．MATLAB遺傳算法工具箱及應(yīng)用[M]．西安：西安電子科技大學(xué)出版社，2005．

[4] I-Cheng Yeh．Design of High-Performance Concrete Mixture Using Neural Networks and Nonlinear Programming[J]．JOURNAL OF MATERIALS IN CIVIL ENGINEERING，1999：38-42．

[5] Tao Ji，Tingwei Lin，Xujian Lin．A concrete mix proportion design algorithm based on artificial neural networks[J]．Cement and Concrete Research，2006（36）：1399-1408．

[6] 王繼宗，盧智成．基于遺傳算法的高強(qiáng)混凝土配合比優(yōu)化設(shè)計(jì)[J]．混凝土與水泥制品，2004（6）：19-22．

[7] Chul-Hyun Lim，Young-Soo Yoon，Joong-Hoon Kim．Genetic algorithm in mix proportioning of high-performance concrete[J]．Cement and Concrete Research，2004（34）：409-420．

[8] 劉翠蘭，李高峰．基于遺傳算法的粉煤灰高性能混凝土配合比優(yōu)化設(shè)計(jì)[J]．蘭州理工大學(xué)學(xué)報(bào)，2006,32（5）：133-135．

[9] I-Cheng Yeh．Computer-aided design for optimum concrete mixtures[J]．Cement and Concrete Composites，2007（29）：193-202．

[10] 陳雄毅，徐毅慧，侯東君．基于人工神經(jīng)網(wǎng)絡(luò)的混凝土抗?jié)B性能預(yù)測(cè)[J]．福建建筑,2010(8)：96-97．

The optimum design of concrete mix proportion using artificial knowledge

XU Yi-hui

（Zhangzhou Institute of Technology,Civil Engineering, Fujian,Zhangzhou,363000,China）

The paper developed an optimum design method of concrete using genetic algorithm, which took economical cost as object function and the artificial neural network prediction models of concrete properties as restriction conditions. Based on the rule of survival of the fittest, the genetic algorithm was finally obtained by using real number codes for bit strings of chromosome and arithmetic operators such as selection, cross, mutation. It could be seen by comparing the optimum results with the engineering case, that the method developed could decrease the cost and economize the energy consumption, having a good application in engineering.

artificial neural network; genetic algorithm; optimum design of mix proportion

TU528.1

A

1673-1417（2011）04-0015-04

2011－09－25

徐毅慧（1983－），福建漳州人，助教，碩士。

（責(zé)任編輯：季平）