基于人工智能的混凝土配合比优化设计分析

胡 畔

（武汉市政建设集团有限公司，湖北 武汉 430023）

0 引言

人工智能技术飞速发展过程中，深度学习在国内外金融、气象、交通等诸多领域中得到广泛应用，借助大数据中自动学习特征完成复杂的非线性映射。混凝土抗压强度是重要的性能质量检测指标，人工智能兴起后，人工智能技术在混凝土配合比设计中得到广泛应用，西方国家先后推出非线性模型、混合回归模型、人工神经网络模型来完成对混凝土抗压强度的预测。从国内混凝土配合比设计发展现状来看，人工智能技术在混凝土配合比设计中的应用范围有限，虽然早期国内学者对HPC配合比设计方案进行了初步规划，但依然耗时较长、成本较高，想要提高人工智能配合比优化设计模型的使用价值，还需要继续深入研究。本文开展基于人工智能的混凝土配合比优化设计的研究和分析。

1 基于人工智能的混凝土配合比预测模型

混凝土抗压强度预测模型是混凝土配合比优化设计中的核心，也是开展后续优化设计的关键，由数据预处理、特征工程、ADARF回归模型、性能评价等多部分构成。在该过程中，历史数据库模型的处理非常关键，受多方面因素影响，人工数据采集难度较大，存在数据缺失、数据噪声等问题，需要经过科学的选择，才能够构建出可靠的数据库。在该数据库中需要涵盖水泥、石灰石粉、矿渣粉、粉煤灰、膨胀剂、减水剂、细砂、中砂、粗砂、小石、大石等多方面关键新要素，还要对坍落度、生产线、浇筑方式、28d强度、表观密度等性能指标进行记录。在此基础上借助随机森林算法落实集成预测工作，最终完成预测模型。从具体的性能测试来看，该预测模型准确性较高，配合成熟框架的深度学习，能够找到最优配合比，使混凝土配合比优化设计工作得到全面落实。在模型优化设计过程中，28d混凝土抗压强度预测模型作为主要约束条件，经济成本为主要的目标函数，突破传统的混凝土配合设计方法，同时还考虑环保情况等因素，为生产高性能混凝土奠定基础[1]。

2 基于人工智能的混凝土配合比优化设计分析

在建筑工程中混凝土配合比的设计成本较高、设计周期较长，最终的结果无法保证。借助人工智能展开混凝土配合比设计，不仅可以更好地保证抗压强度、还能够节约生产成本，降低碳排放量，在满足经济性条件的同时，也满足了生态性条件，对建筑工程未来的发展具有极大的促进性作用。

2.1 模型设计分析

深度学习、遗传算法、人工神经网络等信息技术都可以应用到混凝土配合比优化设计中，明确混凝土中不同元素的具体用量，以此打造出高性能的混凝土。利用相应的算法，在给定的混凝土性能指标数据上，完成全局优化设计，优化后水泥用量明显减少，粉煤灰、矿渣的用量相应提高。在优化设计中，只需要给出相应的混凝土性能，就能够设计具体的约束条件，有效减少适配工作量，节省财力和物力。综合来看，需要设计出一个混凝土配合比优化设计模型，首先借助过往的混凝土历史生产数据作为模型；其次，设计深度学习框架模型以及专家知识库，包括专家评分表和国家设计标准，更好地抽取出混凝土配合比数据（见图1）；最后设计出微调模块，以单位价格、碳排放量等方面作为优化目标，完成最终的配合比优化设计[2]（见图2）。在人工智能辅助下，在输入基本的混凝土材料情况后，会先形成一个模糊匹配后的配合比，进而根据专家评分表、国家混凝土设计标准展开调整，形成基准配合比，在此基础上，可根据条件展开微调，以提高水胶比条件、抗压强度条件、成本条件、环保条件，确保最终的效果，使混凝土最终的配合比满足实际应用要求。

图1 人工智能预测模型的训练与测试分析

图2 人工智能预测模型功能分析

混凝土抗压强度是最为关键的参数，根据混凝土配合比数据库，完成初步的数据预处理和特征工程，得到准确有效的预测模型。在这一阶段选择keras开源深度学习框架完成搭建，从实际运用来看，所搭建形成的神经网络预测性能较优，而且在线能力较强，可以实现实时设计优化。专家知识库中包含国家标准、专家评分、归纳总结三个层面。所谓专家评分机制，就是在过往的工程经验上，结合用户输入的信息数据进行评价，通过评分机制找到评分最高的配合比。相应的评分原则也要进行具体的设计，包括但不限于抗压强度高于标准值、配合比满足用户需求，以及混凝土、水泥、粗细集料型号品种相同等。还需要结合国家标准明确配合比的约束条件，形成基准配合比。混凝土配合比微调是这一模型中的最后一部分，公式（1）为微调模型中的具体公式，其主要针对的是经济偏向型配合比。还可以根据碳排放量、抗压强度等指标，设计出环境偏向型、强度偏向型和均衡型。需要注意的是，微调阶段是在已经满足最优配比方案上对配合比展开的进一步调整，因此可以根据实际需求进行选择，确保混凝土质量。

式中：

C——用量；

W——价格，各W项依次分别为：小石、大石、细砂、中砂、粗砂、石灰石、粉煤灰、减水剂、水泥、水等的价格。

2.2 实际应用分析

在实际处理中，借助配合比数据库和keras开源深度学习框架完成多目标需求的计算分析，可以获得候选最优配合比，根据具体的工程强度要求和单方生产成本、单方生产碳排放量，进一步明确不同材料组分的用量限制和参数比例。为了进一步验证混凝土数据情况，借助该人工智能模型设计相应的混凝土，输入配合比要求和具体的水泥型号、细集料、粗集料、减水剂等方面的数据[3]。经过初步处理后，按照混凝土两个强度等级，分别得到三个设计方案，表1为C30设计优化前后数据对比，表2为设计优化前后性能对比。从具体的数据中不难看出，设计优化后的数据配合比更优。需要注意的是，此处选择的设计数据为基准配合比，后续可根据实际要求展开微调，以此在满足经济要求的同时保证生态环保效果。从实际应用性能效果来看，在实际发展过程中借助随机森林算法和keras开源深度学习框架完成配合比优化设计，充分考虑到不同目标之间的关联性。这种模型不仅可以完成高精度的预测，还可以根据建筑工程的不同要求给出最优配合比参数。

表1 优化前后混凝土配合比的变化

表2 优化前后混凝土的性能

三种设计方案给设计人员提供了更多的选择空间，具有很好的指导作用和应用价值。不仅如此，这种混凝土配合比模型不仅能够对常态混凝土进行设计优化，还可以对高性能混凝土、碾压混凝土进行优化，设计模型实用性较强，相比较传统的混凝土配合比设计方法来讲，模型设计优化后配合比数据更加合理、经济、环保，整体效果更加突出。另外，在人工智能的辅助下，可以找出影响混凝土不合格的主要指标，还可以模拟基准混凝土配合比数据下，混凝土的具体工作性能，包括：坍落度、含气量、表观密度、流速、流动性、柔和性、黏聚性、包裹性等方面，在这个过程中，能够清晰直观地看见混凝土配合比调整问题，完整记录这一过程，能够为混凝土生产、技术提出具体参考依据。在这种人工智能模型中可以针对混凝土配合比进行重复试验，直到不同性能指标合格为止，包括抗渗、抗冻、弹性模量、碳化、抗腐蚀等方面，为最终确定混凝土配合比奠定基础。在人工智能模式下，数据分析工作能够高效高质地开展，混凝土中不同性能变化主要原因也能够借助这一模型进行分析，和易性较弱、含气量不合格、柔和性较差、黏度不正常等问题也可以在这一人工智能模型中找到相应的原因，并且可为后续混凝土工作的开展制定具体的施工计划和施工方案。在人工智能模型设计下，最优解并不唯一，会根据不同偏向理论找到相对应配合比参数，根据试拌的结果来看，配合比优化后抗压强度和给定值相近，不会出现强度不足或者强度冗余等问题。

3 结束语

混凝土是建筑领域中应用十分广泛的材料，目前以28d抗压强度作为主要的混凝土质量判断依据。通过人工智能手段，引入全新的设计模型可以更好地完成混凝土配合比设计，在降低材料成本的同时，提高材料的质量和环保性能是现阶段重点。本文设计出的人工智能混凝土配合比优化设计模型，适用不同类型的混凝土，准确性较高，尤其是在28d抗压强度这一指标的预测精度上，效果突出，框架成熟，操作容易上手。未来还需要不断提高模型的精度和通用性，根据混凝土的应用需求展开多元化的设计。