一种淤泥固化土的强度预测方法及系统与流程

1.本发明涉及建筑材料领域，尤其是一种淤泥固化土的强度预测方法及系统。


背景技术：

2.土木工程、港口航道工程、围海造地工程等实际施工建筑过程中，对于不同批次固化疏浚淤泥的试样，淤泥的含水率、颗粒级配及水泥掺量存在显著差异，导致处理得到的固化淤泥强度差异比较大。目前，工程中所应用的质量控制方法主要有两种：一是通过flow value test实验在流塑态情况下对淤泥混合料进行测定；二是通过uct(unconfined compressionstrength，无侧限抗压强度度试验)测定固化淤泥无侧限抗压强度，即本文所述的固化淤泥强度。在实际工程中，无侧限抗压强度是衡量固化淤泥性能的重要指标，但需要在淤泥试件进行标准养护后再做试验获取结果。这样虽然可以得到可靠的结果，但是受条件的限制，且需要投入大量的人力、物力和财力。因此找到一种计算机的数值模拟的方法取代部分试验内容，可以通过模拟的方法来预测固化淤泥的无侧限抗压强度，可以减少人力、物力、财力和时间的消耗，且对于提高施工质量和节省原材料具有理论价值和工程实践意义。基于数值模拟技术的数字化设计方法已经在众多领域应用，但传统的数值模拟技术精确性和适用性都有一定的限制，因此需要一种新型的数值模拟方法来预测固化淤泥的强度。


技术实现要素：

3.针对现有技术中存在的问题，第一方面，本发明提供了一种淤泥固化土的强度预测方法，包括如下步骤：定义多个影响淤泥固化土强度的影响因素；整合所述影响因素构建淤泥固化土强度的评价体系；通过所述评价体系获得淤泥固化土的强度参数；确定所述强度参数的支持度和置信度；利用所述强度参数结合所述支持度和所述置信度，构建淤泥固化土的强度预测模型从而获得初始预测结果；构建适应度函数优化所述初始预测结果，获得目标预测结果。本发明提供的方法作为一种计算机的数值模拟的方法取代了实际工程上的部分试验内容，使得可以通过模拟的方法来预测固化淤泥的无侧限抗压强度，不仅可以减少人力、物力、财力和时间的消耗，并且对于提高施工质量和节省原材料具有理论价值和工程实践意义。
4.可选地，所述定义多个影响淤泥固化土强度的影响因素，包括如下步骤：采集信息，所述信息包括文献资料和实际工程案例；从所述信息中筛选数据，所述数据表征影响因素影响所述淤泥固化土强度的特性；根据所述数据确定多个所述影响因素。
5.可选地，所述整合所述影响因素构建淤泥固化土强度的评价体系，包括如下步骤：依照所述数据，将所述影响因素划分为正性影响因素和负性影响因素；
6.分别利用所述正性影响因素和负性影响因素生成正性影响因素集q
′
和负性影响因素集q
″
；
7.合并所述正性影响因素集q
′
和负性影响因素集q
″
获得影响因素集i，所述影响因
素集i满足如下表达式：
8.i＝{i
′1,i
′2,
…i′n,i
″
n+1
,i
″
n+2
,
…
,i
″
n+m
}，
9.其中，i表示影响淤泥固化土强度因素的集合，i
′
∈q
′
，n表示所述影响因素集i中正性影响因素的数量，i
″
∈q
″
，m表示所述影响因素集i中负性影响因素的数量；
10.利用所述影响因素集构建淤泥固化土强度的影响因素评价体系e，所述影响因素评价体系e满足如下表达式：
[0011][0012]
其中，k＝1,2,
…
,n+m，ek表示淤泥固化土第k个影响因素对应评价指标，j(ek)表示第k个影响因素映射到所述影响因素评价体系中的数值，n+m表示影响因素评价体系e中评价指标的总数量。
[0013]
通过将影响因素划分成为正性影响因素和负性影响因素便于后续生成评价体系，即每个影响因素对于固化淤泥无侧限抗压强度的影响特性；并通过影响因素的特性构建而成的评价体系，使得从多方面收集而来的数据统一化，不仅便于及时填补数据空白或残缺，也便于后续分析。
[0014]
可选地，所述通过所述评价体系获得淤泥固化土的强度参数，包括如下步骤：结合所述评价指标，将对应的所述影响因素作为样本构建随机森林；
[0015]
通过所述随机森林中的决策子树进行分枝操作获得备用分枝；
[0016]
利用所述备用分枝获得最优分枝，所述最优分枝满足如下表达式：
[0017][0018]
其中，ui＝(e(i)+k(i))c(i)2，i表示影响淤泥固化土强度的一影响因素，mi表示由通过备用分枝筛选出的最优分枝，k(i)表示影响因素i对淤泥固化土强度的重要性，e(i)表示根据影响因素评价体系e获取的所述影响因素i对影响淤泥固化土强度的相关性，f(e(i))表示所述相关性的权重系数，c(i)＝r(i)
×
s(i)表示由淤泥固化土的影响因素构成的随机森林泛化误差，其中，r(i)表示所述随机森林泛化误差的有限上界，s(i)表示所述随机森林产生过拟合的概率；
[0019]
并将所述最优分枝的数量设定为终止条件；
[0020]
利用所述终止条件整合所述决策子树，获得不同的所述影响因素的强度参数，所述强度参数满足如下表达式：
[0021][0022]
其中，表示淤泥固化土的影响因素i的强度参数，jh表示淤泥固化土的影响因素构成的总体样本，fi表示所述决策子树针对影响因素i输出的结果，t表示所述决策子树的向量输入，ts表示所述决策子树的向量输出。通过改进随机森林算法与本发明适应，使得本发明具有较好的泛化能力，能够有效避免产生过拟合现象，同时能够针对各项影响因素的特点，获取各项影响因素的影响程度从而得到重要度排序，并且选择并行计算的方式，使得本方法在计算时操作简便，运行速度快，有利于提升强度预测效率。
[0023]
可选地，所述强度参数包括淤泥含水率、有机质含量、固化剂用量和养护方式。
[0024]
可选地，所述确定所述强度参数的支持度和置信度，包括如下步骤：根据所述影响因素评价体系e，设定所述淤泥固化土的影响因素的支持度阈值x和置信度阈值y；
[0025]
定义置信度为衡量所述影响因素影响所述强度参数的频繁度，所述置信度满足如下表达式：
[0026][0027]
其中，b
xy-i
表示影响因素i的置信度，xi表示影响因素i的支持度阈值，yi表示影响因素i的置信度阈值；
[0028]
定义支持度为衡量所述强度参数影响所述淤泥固化土强度的频繁度，所述支持度满足如下表达式：
[0029][0030]
其中，a
xy-i
表示影响因素i的支持度，xi表示影响因素i的支持度阈值，yi表示影响因素i的置信度阈值。
[0031]
可选地，所述利用所述强度参数结合所述支持度和所述置信度，构建淤泥固化土的强度预测模型从而获得初始预测结果，包括如下步骤：利用所述强度参数结合所述支持度和所述置信度，构建淤泥固化土的强度预测模型，所述强度预测模型满足如下表达式：
[0032][0033]
其中，fi表示在影响因素i的作用下淤泥固化土的强度，a
xy-i
表示影响因素i的支持度，b
xy-i
表示影响因素i的置信度，表示淤泥固化土的影响因素i的强度参数；
[0034]
通过所述强度预测模型迭代计算获得初始预测结果，所述初始预测结果满足如下表达式：
[0035][0036]
其中，f表示多个影响因素作用下淤泥固化土强度的初始预测结果，c表示有效影响因素个数，t表示迭代次数，a
xy-i
表示影响因素i的支持度，b
xy-i
表示影响因素i的置信度，表示淤泥固化土的影响因素i的强度参数。
[0037]
可选地，所述构建适应度函数优化所述初始预测结果，获得目标预测结果，包括如下步骤：设定粒子群参数，所述粒子群参数包括粒子群的最大迭代数t
max
、飞行速度v和位置d；
[0038]
利用所述述初始预测结果结合所述粒子群参数，初始化粒子群；
[0039]
根据所述粒子群在运动过程中的变化因素，迭代更新所述飞行速度和所述位置；
[0040]
利用更新后的飞行速度v
′
和位置d
′
，结合所述支持度和所述置信度构建适应度函数，所述适应度函数满足如下表达式：
[0041]
[0042]
其中，tg表示粒子群的局部极值点，o
α
,o
β
,o
γ
表示表粒子坐标，ξ表示粒子的惯性权重，t
max
代表粒子群迭代飞行速度和位置的最大迭代次数，n
′
表示所述粒子群中最佳粒子的变异概率，f表示多个影响因素作用下淤泥固化土强度的初始预测结果；
[0043]
通过所述适应度函数优化所述初始预测结果获得目标预测结果。本发明选择粒子群算法对初始预测结果进行优化处理，经过多次迭代计算，获得目标预测结果，即将工程问题转化为数学优化问题，在实现固化淤泥无侧限抗压强度数值预测的基础上提升了预测数值的精度。
[0044]
可选地，所述飞行速度和所述位置分别满足如下公式：
[0045]
v＝ktg/n
′
，
[0046]
d＝(o
α
,o
β
,o
γ
)，
[0047]
其中，v表示飞行速度，d表示位置，tg表示粒子群的局部极值点，o
α
,o
β
,o
γ
表示表粒子坐标，n
′
表示所述粒子群中最佳粒子的变异概率。
[0048]
可选地，所述目标预测结果满足如下表达式：
[0049]
h(a)＝|r(a)/(max(g
ac
)-l
ac
)-1|，
[0050]
其中，h(a)表示初始预测结果a的最优淤泥固化土强度预测结果，r(a)表示初始预测结果a的测试函数；g
ac
表示利用初始预测结果a初始化后的粒子群寻优速度；l
ac
表示初始预测结果a的计算权值。
[0051]
第二方面，本发明还提供了一种淤泥固化土的强度预测系统，该系统包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行所述淤泥固化土的强度预测方法。本系统结构紧凑，适用性强，极大程度地提高了运行效率，为结合所述淤泥固化土的强度预测方法，实现快速且精准地模拟淤泥固化土强度的数值提供了一个实体系统。
附图说明
[0052]
图1为本发明淤泥固化土的强度预测方法的流程图；
[0053]
图2为本发明淤泥固化土的实测强度与预测强度对比图；
[0054]
图3为本发明淤泥固化土的强度预测系统的结构图。
具体实施方式
[0055]
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
[0056]
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理
解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
[0057]
请参阅图1，在一个可选地实施例中，本发明提供了一种淤泥固化土的强度预测方法，包括如下步骤：s1、定义多个影响淤泥固化土强度的影响因素。
[0058]
具体地，在本实施例中，所述定义多个影响淤泥固化土强度的影响因素，包括如下步骤：采集信息，所述信息包括文献资料和实际工程案例，即文献资料可以选择为国内外与淤泥固化建筑材料领域有关的专业领域中的期刊或者专业院校的研究论文，实际工程案例可以选择为实体建筑案例，如住房建设、公路建设、桥梁建设、建筑构件预制等实际案例；从所述信息中筛选数据，所述数据表征影响因素影响所述淤泥固化土强度的特性，详细地，在一个实施例中，从一篇领域相关的文献《碱性氧化剂对水泥固化淤泥强度的影响研究》中采集的信息为：通过无侧限抗压强度试验，初步了解碱性氧化剂对水泥固化淤泥强度的影响规律，并利用有机元素试验、动电电位试验、比表面积试验和sem等手段，进一步探究碱性氧化剂的固化机理。研究结果表明：掺碱性氧化剂的水泥固化淤泥7d无侧限抗压强度达到了1.536mpa；根据所述数据确定多个所述影响因素，在又一个实施例中，在传统淤泥固化中，砂率、水泥用量、水胶比以及粉煤灰用量均为淤泥固化土强度的影响因素。
[0059]
在一个可选地实施例中，本发明提供了一种淤泥固化土的强度预测方法，还包括如下步骤：s2、整合所述影响因素构建淤泥固化土强度的评价体系。
[0060]
具体地，在本实施例中，所述整合所述影响因素生成影响因素集，包括如下步骤：
[0061]
依照所述数据，将所述影响因素划分为正性影响因素和负性影响因素，详细的，在又一个实施例中，根据上述数据表征掺碱性氧化剂强定义为正性影响因素；
[0062]
分别利用所述正性影响因素和负性影响因素生成正性影响因素集q
′
和负性影响因素集q
″
；
[0063]
合并所述正性影响因素集q
′
和负性影响因素集q
″
获得影响因素集i，所述影响因素集i满足如下表达式：
[0064]
i＝{i
′1,i
′2,
…i′n,i
″
n+1
,i
″
n+2
,
…
,i
″
n+m
}，
[0065]
其中，i表示影响淤泥固化土强度因素的集合，i
′
∈q
′
，n表示所述影响因素集i中正性影响因素的数量，i
″
∈q
″
，m表示所述影响因素集i中负性影响因素的数量；
[0066]
利用所述影响因素集构建淤泥固化土强度的影响因素评价体系e，所述影响因素评价体系e满足如下表达式：
[0067][0068]
其中，k＝1,2,
…
,n+m，ek表示淤泥固化土第k个影响因素对应评价指标，j(ek)表示第k个影响因素映射到所述影响因素评价体系中的数值，该映射关系可实际根据相关数据进行设定，n+m表示影响因素评价体系e中评价指标的总数量；
[0069]
通过将影响因素划分成为正性影响因素和负性影响因素便于后续生成评价体系，即每个影响因素对于固化淤泥无侧限抗压强度的影响特性；并且通过影响因素的特性构建而成的评价体系，使得从多方面收集而来的数据统一化，不仅便于及时填补数据空白或残缺，也便于后续分析。
[0070]
在一个可选地实施例中，本发明提供了一种淤泥固化土的强度预测方法，还包括如下步骤：s3、通过所述评价体系获得淤泥固化土的强度参数。
[0071]
具体地，在本实施例中，所述通过所述评价体系获得淤泥固化土的强度参数，包括如下步骤：
[0072]
结合所述评价指标，将对应的所述影响因素作为样本构建随机森林；
[0073]
通过所述随机森林中的决策子树进行分枝操作获得备用分枝；
[0074]
利用所述备用分枝获得最优分枝，所述最优分枝满足如下表达式：
[0075][0076]
其中，ui＝(e(i)+k(i))c(i)2，i表示影响淤泥固化土强度的一影响因素，mi表示由通过备用分枝筛选出的最优分枝，k(i)表示影响因素i对淤泥固化土强度的重要性，e(i)表示根据影响因素评价体系e获取的所述影响因素i对影响淤泥固化土强度的相关性，f(e(i))表示所述相关性的权重系数，c(i)＝r(i)
×
s(i)表示由淤泥固化土的影响因素构成的随机森林泛化误差，其中，r(i)表示所述随机森林泛化误差的有限上界，s(i)表示所述随机森林产生过拟合的概率；
[0077]
并将所述最优分枝的数量设定为终止条件；
[0078]
利用所述终止条件整合所述决策子树，获得不同的所述影响因素的强度参数，所述强度参数满足如下表达式：
[0079][0080]
其中，表示淤泥固化土的影响因素i的强度参数，jh表示淤泥固化土的影响因素构成的总体样本，fi表示所述决策子树针对影响因素i输出的结果，t表示所述决策子树的向量输入，ts表示所述决策子树的向量输出；在本实施例中，输出的强度参数包括淤泥含水率、有机质含量、固化剂用量以及养护方式，其相关数据如下表1所示：
[0081]
表1淤泥含水率、有机质含量、固化剂用量及养护方式
[0082]
淤泥含水率(％)有机质含量(％)固化剂用量(％)养护方式400.55标准养护
[0083]
其中，40％表示淤泥固化土中淤泥含水率，0.5％表示所述淤泥固化土中有机质含量；5％表示淤泥固化土中固化剂用量，标准养护表示淤泥固化土的养护方式。通过改进随机森林算法与本发明适应，使得本发明具有较好的泛化能力，能够有效避免产生过拟合现象，同时能够针对各项影响因素的特点，获取各项影响因素的影响程度从而得到重要度排序，并且选择并行计算的方式，使得本方法在计算时操作简便，运行速度快，有利于提升强度预测效率。
[0084]
在又一个可选地实施例中，步骤s3通过结合随机森林算法完成，其中，通过bootstrap重抽样方法建立决策子树模型，采用cart方法对决策树进行分枝操作。依据此方法建立的不同的决策树模型会根据样本的特点进行属性分裂，通过分裂形成随机森林。
[0085]
在一个可选地实施例中，本发明提供了一种淤泥固化土的强度预测方法，还包括如下步骤：s4、确定所述强度参数的支持度和置信度。
[0086]
详细地，在本实施例中，所述确定所述强度参数的支持度和置信度，包括如下步骤：
[0087]
根据所述影响因素评价体系e，设定所述淤泥固化土的影响因素的支持度阈值x和置信度阈值y；
[0088]
定义置信度为衡量所述影响因素影响所述强度参数的频繁度，所述置信度满足如下表达式：
[0089][0090]
其中，b
xy-i
表示影响因素i的置信度，xi表示影响因素i的支持度阈值，yi表示影响因素i的置信度阈值；
[0091]
定义支持度为衡量所述强度参数影响所述淤泥固化土强度的频繁度，所述支持度满足如下表达式：
[0092][0093]
其中，a
xy-i
表示影响因素i的支持度，xi表示影响因素i的支持度阈值，yi表示影响因素i的置信度阈值。
[0094]
在一个可选地实施例中，本发明提供了一种淤泥固化土的强度预测方法，还包括如下步骤：s5、利用所述强度参数结合所述支持度和所述置信度，构建淤泥固化土的强度预测模型从而获得初始预测结果。
[0095]
详细地，在本实施例中，所述利用所述强度参数结合所述支持度和所述置信度，构建淤泥固化土的强度预测模型从而获得初始预测结果，包括如下步骤：
[0096]
利用所述强度参数结合所述支持度和所述置信度，构建淤泥固化土的强度预测模型，所述强度预测模型满足如下表达式：
[0097][0098]
其中，fi表示在影响因素i的作用下淤泥固化土的强度，a
xy-i
表示影响因素i的支持度，b
xy-i
表示影响因素i的置信度，表示淤泥固化土的影响因素i的强度参数；
[0099]
通过所述强度预测模型迭代计算获得初始预测结果，所述初始预测结果满足如下表达式：
[0100][0101]
其中，f表示多个影响因素作用下淤泥固化土强度的初始预测结果，c表示有效影响因素个数，t表示迭代次数，a
xy-i
表示影响因素i的支持度，b
xy-i
表示影响因素i的置信度，表示淤泥固化土的影响因素i的强度参数。
[0102]
在一个可选地实施例中，本发明提供了一种淤泥固化土的强度预测方法，还包括如下步骤：s6、构建适应度函数优化所述初始预测结果，获得目标预测结果。
[0103]
具体地，在本实施例中，所述构建适应度函数优化所述初始预测结果，获得目标预测结果，包括如下步骤：
[0104]
设定粒子群参数，所述粒子群参数包括粒子群的最大迭代数t
max
、飞行速度v和位置d，其中，最大迭代数t
max
可以根据数据模拟经验进行设定，并设定模拟数据的误差范围，
当模拟数据的误差超出误差范围时，可以选择调整最大迭代数t
max
来修正误差，所述飞行速度和所述位置分别满足如下公式：
[0105]
v＝ktg/n
′
，
[0106]
d＝(o
α
,o
β
,o
γ
)，
[0107]
其中，v表示飞行速度，d表示位置，tg表示粒子群的局部极值点，o
α
,o
β
,o
γ
表示表粒子坐标，n
′
表示所述粒子群中最佳粒子的变异概率；
[0108]
利用所述述初始预测结果结合所述粒子群参数，初始化粒子群；
[0109]
根据所述粒子群在运动过程中的变化因素，迭代更新所述飞行速度和所述位置；
[0110]
利用更新后的飞行速度v
′
和位置d
′
，结合所述支持度和所述置信度构建适应度函数，所述适应度函数满足如下表达式：
[0111][0112]
其中，tg表示粒子群的局部极值点，d
α
,d
β
,d
γ
表示表粒子坐标，ξ表示粒子的惯性权重，t
max
代表粒子群迭代飞行速度和位置的最大迭代次数，n
′
表示所述粒子群中最佳粒子的变异概率，f表示多个影响因素作用下淤泥固化土强度的初始预测结果；
[0113]
通过所述适应度函数优化所述初始预测结果获得目标预测结果，所述目标预测结果满足如下表达式：
[0114]
h(a)＝|r(a)/(max(g
ac
)-l
ac
)-1|，
[0115]
其中，h(a)表示初始预测结果a的最优淤泥固化土强度预测结果，r(a)表示初始预测结果a的测试函数；g
ac
表示利用初始预测结果a初始化后的粒子群寻优速度；l
ac
表示初始预测结果a的计算权值。
[0116]
本发明选择粒子群算法对初始预测结果进行优化处理，通过更新的所述飞行速度和所述位置消除了粒子运动过程中的变化因素，提升了数据优化的精度，经过多次迭代计算，获得目标预测结果，即将工程问题转化为数学优化问题，在实现固化淤泥无侧限抗压强度数值预测的基础上提升了预测数值的精度。
[0117]
请参见图2，在又一个实施例中，通过本发明方法，即步骤s1至步骤s6，获得了淤泥固化土的实测强度与预测强度对比图，其中横坐标为养护龄期，单位为天；纵坐标为无侧限抗压强度，单位为兆帕，折线1为预测无侧限抗压强度，折线2实测无侧限抗压强度。图2中预测值与实际值误差小，精确度高，证明了本方法具有工程实践意义。
[0118]
综上，本发明提供的方法作为一种计算机的数值模拟的方法取代了实际工程上的部分试验内容，使得可以通过模拟的方法来预测固化淤泥的无侧限抗压强度，不仅可以减少人力、物力、财力和时间的消耗，并且对于提高施工质量和节省原材料具有理论价值和工程实践意义，同时，本发明方法的适用性强，此套方法针对污泥固化土的强度预测也同样适用。
[0119]
请参见图3，本发明还提供了一种淤泥固化土的强度预测系统，该系统包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行所述淤泥固化土的强度预测方法。本系统结构紧凑，适用性强，极大程度地提高了运行效率，为结合所述淤泥固化土的强度预测方法，实现快速且精准地
模拟固化淤泥无侧限抗压强度的数值提供了一个实体系统。
[0120]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。