AI算法可預測材料特性，未來建筑業(yè)或被顛覆？

□編譯/李耀琪

AI算法可預測材料特性，未來建筑業(yè)或被顛覆？

□編譯/李耀琪

算法，是人工智能（AI）如何實現(xiàn)應用的解決方法。用最優(yōu)的算法快速地解決問題一直是前沿研究的重點內(nèi)容。就目前而言，雖然AI技術更多地應用到例如智能識別、VR/AR、機器人、智能家居等領域，但是這并不代表在傳統(tǒng)領域就無法得到應用。研究人員Jones和McCarthy就通過支持向量機算法（SVM）對混凝土強度隨著時間的變化進行了預測，而且預測結果與實際結果相似度極高。該項研究也預示著AI應用正在由高端科技向傳統(tǒng)領域進行過渡與滲透。

眾所周知，混凝土是一種建材領域特定的、必不可少的基礎材料，它能夠在澆筑后的很長時間內(nèi)獲得一定的強度，從而保持物體在特定應用下的穩(wěn)定性。根據(jù)人類的長期應用經(jīng)驗，在一般情況下，普通混凝土是指已經(jīng)老化28天，具有抗壓強度的樣品。這樣的混凝土能夠廣泛應用到許多建筑領域。因此，強度成為混凝土在特定應用環(huán)境下的重要標準。

事實證明，對混凝土強度的快速和可靠的預測對提高經(jīng)濟效益具有重要的意義?，F(xiàn)在，混凝土強度的快速預測已經(jīng)成為了研究的熱門領域，并且已經(jīng)開展了大量的實際研究工作。研究人員發(fā)現(xiàn)，通過AI的兩項技術可以提出一個能夠精度預測混凝土壓縮強度的模型，而這兩項分別是具有變革性的支持向量機（SVM）和多變量非線性回歸。

在早期的時候，就有研究者提出用支持向量機來研究預測混凝土的抗壓強度。預測模型中使用的變量來自于混合比例元素和7天抗壓強度的知識中。這些模型能夠良好地預測混凝土的抗壓強度，并且在研究中使用的數(shù)據(jù)能夠與非線性多變量回歸產(chǎn)生良好的相關性。此外，SVM模型被證明是，具有最小誤差和標準偏差的輕質(zhì)泡沫混凝土抗壓強度重要的預測工具。

介紹

混凝土被認為是世界上最重要的建筑材料，也是用于建筑或土木工程結構的最常見的材料。目前，建筑業(yè)對于使用輕質(zhì)泡沫混凝土（LFC）作為建筑材料表現(xiàn)出了極大的興趣，因為它具有許多有利的特性，例如更輕的重量，易于制造，耐久性和低成本效益。

泡沫混凝土是新一代輕質(zhì)混凝土，具有一些有吸引力的特性，如流動性、自壓實性和自流平性，低尺寸變化和超低密度。此外，該材料可以設計成具有可控制的低強度，優(yōu)良的絕熱性能和良好的承載能力等特性，并且取材非常容易。

由于其獨特的性能，泡沫混凝土具有用于建筑工業(yè)中各種應用的潛力。研究人員Jones和McCarthy就對泡沫混凝土用作結構材料的潛力進行了調(diào)研。他們對構成材料和混合比例對泡沫混凝土的性能和行為產(chǎn)生的影響進行了分析，包括泡沫混凝土的抗壓密度、水泥類型和含量、水/水泥比例、表面活性劑類型和固化方式等。結果發(fā)現(xiàn)，由于泡沫混凝土具有優(yōu)良的隔熱性和輕量性，所以，它可以補充其他材料來用于更高強度的結構應用。

混凝土強度預測方法

一直以來，人們對于普通水泥漿、砂漿和混凝土，已經(jīng)有了幾種強度預測方法。然而，在當前更快的施工速度下，需要生產(chǎn)更多的混凝土，而且要保證所生產(chǎn)的混凝土質(zhì)量與標準和規(guī)格的一致性。

因此，舊方法就無法滿足新需求下的生產(chǎn)效率了?，F(xiàn)在，人們已經(jīng)通過計算建模、統(tǒng)計技術等新的AI手段來改進與測試混凝土硬度的檢驗方法。

統(tǒng)計技術：一些研究工作集中在使用多變量回歸模型來提高預測的準確性。統(tǒng)計模型具有吸引力，一旦擬合，它們可以用于比其他建模技術更快地執(zhí)行預測，并且相應地更容易在軟件中實現(xiàn)。統(tǒng)計分析還可以通過相關分析提供影響28天抗壓強度的關鍵因素。由于這些原因，選擇統(tǒng)計分析作為本研究的強度預測技術。

實驗準備材料與要求

輕質(zhì)泡沫混凝土的制造由四種類型的材料組成，即普通波特蘭水泥、砂、水和泡沫。

生產(chǎn)輕質(zhì)泡沫混凝土的材料：1.符合I型波特蘭水泥要求的普通波特蘭水泥（OPC）是符合英國標準（BS EN 197-1：2000）規(guī)定的要求的；2.不同尺寸的細硅砂（600μm，1.18和2mm）；3.正常的自來水；4.穩(wěn)定的氣泡（在泡沫發(fā)生器中混合發(fā)泡劑和水而產(chǎn)生。目的是通過將預制的穩(wěn)定泡沫結合到新鮮的輕質(zhì)泡沫混凝土中來控制輕質(zhì)泡沫混凝土的密度。）。

對于該研究，發(fā)泡劑與水的比率為1∶30體積比。使用的超增塑劑是符合ASTM標準規(guī)格（ASTM C494M-04）的GLENIUM52。超增塑劑有深棕色水溶液?；谳p質(zhì)泡沫混凝土的目標密度w / c和s / c（砂與水泥比）設計最佳混合比例。密度范圍為15001750和1800kg / m3。所使用的w / c比的范圍為0.5、0.45、0.4、0.35和0.3，而對于本工作中的所有混合物，s / c為1.0。本研究中使用的固化方法是密封固化。制備泡沫混凝土，然后倒入立方體中。在7天和28天的時候，分別測試150套混凝土立方體的密度和抗壓強度。

預測算法

支持向量機（SVM）

支持向量機（SVM）是用于分類或回歸的強大的監(jiān)督學習算法。SVM是一個有區(qū)別的分類器，也就是說，它們在數(shù)據(jù)簇之間畫一個邊界。支持向量機是基于定義決策邊界的決策平面的概念。決策平面是對具有不同類成員的一組對象進行分離的方法。支持向量機（SVM）主要是通過在分離不同類標簽的多維空間中構造超平面來執(zhí)行分類任務的分類方法。SVM支持回歸和分類任務，可以處理多個連續(xù)和分類變量。為分類變量創(chuàng)建一個虛擬變量，其中實例值為0或1。因此，三個層次（A，B，C）組成的分類因變量則由一組虛擬變量來表示：

A：{1 0 0}，B：{0 1 0}，C：{0 0 1}

為了構建最佳超平面，SVM則采用迭代訓練算法，來將函數(shù)誤差降到最小。根據(jù)誤差函數(shù)的形式，SVM模型可以分為四個不同的組：

·分類SVM類型1（也稱為C-SVM分類）

·分類SVM類型2（也稱為nu-SVM分類）

·回歸SVM類型1（也稱為ε-SVM回歸）

·回歸SVM類型2（也稱為nu-SVM回歸）

回歸SVM

在回歸SVM中，必須估計因變量y對一組獨立變量x的函數(shù)依賴性。與其他回歸問題一樣，它假定獨立變量和因變量之間的關系是由確定性函數(shù)f加上一些添加劑噪聲：

y = f（x）+噪聲

然后，任務是找到用于f的函數(shù)形式，其可以正確地預測先前沒有呈現(xiàn)SVM的新情況。這可以通過在樣本集上訓練SVM模型來實現(xiàn)，即訓練集，涉及類似分類的過程以及誤差函數(shù)和順序優(yōu)化。根據(jù)該誤差函數(shù)的定義，可以識別兩種類型的SVM模型。

回歸SVM類型1

對于這種類型的SVM，誤差函數(shù)是：

誤差函數(shù)最小化受制于：

支持向量機模型中可以使用幾個內(nèi)核。

這些包括線性、多項式、徑向基函數(shù)（RBF）和Sigmoid函數(shù)。

內(nèi)核函數(shù)

其中K（Xi，Xj）=φ（Xi）·φ（Xj）

也就是說，核函數(shù)表示通過變換φ映射到高維特征空間中的輸入數(shù)據(jù)點的點積。γ是某些核函數(shù)的可調(diào)參數(shù)。RBF是目前支持向量機中使用的最受歡迎的內(nèi)核類型選擇。這主要是因為它們在實際x軸的整個范圍上的局部和有限響應。

徑向基函數(shù)（RBF）

這是一個實數(shù)值函數(shù)，其值僅取決于離原點的距離，因此可以得出φ（X）=φ（‖X‖）；或者取決于到被稱為中心的某個c點的距離，使得φ（X，C）=φ（‖X-C‖）。我們把滿足φ（X）=φ（‖X‖）的任何函數(shù)都稱為徑向函數(shù)，并規(guī)定通常為歐幾里德距離。當然，其他距離函數(shù)也是可行的。例如，對一些徑向函數(shù)來說，使用Lukaszyk-Karmowski度量可以避免由于所確定的系數(shù)wi導致矩陣惡化的問題，因為‖X‖總是大于零的。

徑向基函數(shù)的總和通常用于近似估計給定函數(shù)。這個近似處理的過程也可以被解讀為一種簡單的網(wǎng)絡。Preetham等人于2014就已經(jīng)提出了與土木工程相關的支持向量力學方法（SVM）問題的現(xiàn)狀。目前，許多領域正在進行SVM技術的數(shù)值研究，同時，許多RBF的研究也被用作支持向量分類的內(nèi)核。

預測結果

輕質(zhì)泡沫混凝土的性能

這項工作主要是對第7天和第28天兩個時間節(jié)點，輕質(zhì)泡沫混凝土樣品的參數(shù)進行測試，包括混凝土樣品的新鮮度、密度、抗壓硬度。根據(jù)早期的研究結果顯示，不同的混合比例會造成樣品密度的差異，而密度被認為是影響混凝土硬度的關鍵因素。因此，加入到混合物中的泡沫量直接控制其密度并因此控制其強度。這歸因于增加發(fā)泡劑引起的氣泡增加了混凝土孔隙率，同時削弱其強度的事實。圖1說明了這一事實，其中輕質(zhì)泡沫混凝土的抗壓強度與其密度之間的關系。

另一方面，增加輕質(zhì)泡沫混凝土的水泥含量能夠增強其抗壓強度（特別是不包括砂石骨料的泡沫混凝土）。如圖2所示。這種趨勢的解釋是：通過不斷的增加水泥，致使與水反應的精細材料增加，導致更多的水合產(chǎn)物與原有的混合物結合，從而增加了強度。此外，事實證明，增加細骨料的粒徑會降低輕質(zhì)泡沫混凝土的硬度。（表1）

圖2：泡沫混凝土的抗壓強度與密度的關系

第一，傳統(tǒng)多變量非線性回歸

為了提前預測泡沫混凝土在第28天的抗壓強度，我們使用非線性回歸分析了150個樣品的數(shù)據(jù)集。研究的主要變量：密度、水泥含量、砂含量、w / c比、砂粒度、發(fā)泡劑、泡沫含量和7天的抗壓強度。用于第28天抗壓強度的非線性回歸的一般模型為：

Var10（相關變量）= 第28天的抗壓強度；

V1~V9（獨立變量）=輸入?yún)?shù)；

分析中使用的損失函數(shù)為最小二乘法；

當實際觀察與使用開發(fā)模型的預測結果相比時，發(fā)現(xiàn)相關系數(shù)R = 0.97884248，r2 = 0.9581326，置信水平為95%（α= 0.050）。具有標準偏差、t值和p值的模型參數(shù)系數(shù)（一個）則在表2中列出。

表1：混合比例詳細信息

表2：回歸模型的系數(shù)（參數(shù)a）

實際觀測結果與回歸模型產(chǎn)生的預測結果繪制如圖3所示。該圖解釋了兩個數(shù)據(jù)集之間的高相關性，并反映了所開發(fā)的模型的高精度性能。圖3（a）中，在圍繞30 MPa的抗壓強度附近的幾個點與實際觀測結果略有不同，這可能由于原料的性質(zhì)（特別是砂的粒度）和所測試樣品的具體條件的不同所導致的。

預測結果的差異值反映了開發(fā)模型的優(yōu)良性能。再次，該圖展示出了在預測抗壓強度方面，每個讀數(shù)準確的誤差量。根據(jù)圖3（b）可以看出，在30 MPa附近的區(qū)間上，模型預測結果與實際觀察比較相近，同時，點位分布較多的在（-4和+4）之間的誤差范圍內(nèi)。就輸入和輸出的總相關系數(shù)表明，在第28天和第7天，與泡沫混凝土抗壓性相關的因素中，密度和水泥含量分別為正方向，w / c比、砂/水泥比和泡沫含量在負方向。

圖3：回歸模型的性能

表3：支持向量機的四種類型函數(shù)結果

第二，支持向量機

為了實現(xiàn)這種技術，第28天的抗壓強度被定義為因變量（Var10），其他輸入（V1~V9）作為自變量。將150個整體觀察的樣本大小隨機分為（111個樣本）和（39個樣本）進行測試，并且采用1型支持向量機進行分析處理。測試了四種核函數(shù)類型：徑向基函數(shù)、線性、多項式和Sigmoid函數(shù)。該過程結果列于表3中。

表4：RBF支持向量機模型的主要特點

很明顯，在RBF的測試和總體數(shù)據(jù)集方面，都表現(xiàn)出了最好的高相關性能。它在四個函數(shù)中具有最小均方誤差，并且具有最小的標準偏差。所以，詳細的討論將集中于RBF來解釋這個模型的主要特點。表4中列示出了所有研究的樣本，在預測模型中的總誤差平均值被發(fā)現(xiàn)是（-0.32084），總體相關系數(shù)非常顯著（約99%），這也反映了開發(fā)的模型的高精度。圖4則顯示了相關數(shù)據(jù)集（a），測試數(shù)據(jù)集（b）和總數(shù)據(jù)集（c）的RBF的預測值作圖?？梢钥闯觯A測值非常接近圖中所有數(shù)據(jù)集的等式線分布，并且與實際觀察到的數(shù)據(jù)高度相似，這表示所提出的上述模型具有高可靠性。而且，對于每個數(shù)據(jù)集，我們都為其擬合了最佳的計算公式來繪制分布圖。

總結

這項工作主要是對不同混合比例的輕質(zhì)泡沫混凝土在第28天里抗壓強度的變化作了研究。結果顯示，密度和水泥含量對混凝土強度產(chǎn)生的影響非常顯著，因此，這兩個因素對設計泡沫混凝土混合物具有重要的意義。同時，該研究還證明了，隨著w / c比、砂/水泥比和泡沫含量的增加，對泡沫混凝土的抗壓強度會造成不利的影響。

圖4：（a）相關數(shù)據(jù)集（b）測試數(shù)據(jù)集（c）總數(shù)據(jù)集

在本研究中，研究者提出了一種用于預測輕質(zhì)泡沫混凝土抗壓強度的數(shù)學模型。用于執(zhí)行所提出的模型的技術包括傳統(tǒng)的多變量非線性回歸和具有變革性的支持向量機建模。結果顯示，本研究中使用的數(shù)據(jù)集的觀察值和預測值之間擁有良好的相關性。所以，這兩項技術被稱為是最具有吸引力的過程預測工具。事實證明，SVM技術中的徑向基函數(shù)（RBF）與其他函數(shù)和傳統(tǒng)回歸相比，在預測結果上能夠達到最小均方誤差和標準偏差。這反映了該種AI相關技術，除了預測整體相關性以外，在預測其它數(shù)據(jù)集結果方面表現(xiàn)出了非常良好的高精度性。

手機掃碼閱讀