一种基于CTGAN的预测混凝土极限抗压强度的方法

一种基于ctgan的预测混凝土极限抗压强度的方法
技术领域
1.本发明属于混凝土极限抗压强度预测技术领域，更具体地，涉及一种基于ctgan的预测混凝土极限抗压强度的方法。


背景技术：

2.近年来，工业固废的有效利用已成为一个热点问题。在混凝土材料中加入高炉矿渣、粉煤灰等工业废弃物，不仅可以提高工作性能，还可以显着降低碳排放，促进土木工程领域的绿色发展。例如，高性能混凝土(hpc)会添加辅助胶凝材料，如粉煤灰、渣和化学外加剂。
3.如今，在实际工程中因为混凝土强度不足而导致结构破坏的事件屡屡发生，混凝土作为一种广泛应用的建筑材料，其结构强度问题越来越受到国内外的广泛关注。混凝土材料在刚性路面的施工中起着重要作用。强度高、稳定性好、耐久性好一直是水泥路面的优点，因此相应的材料性能对于路面的使用寿命和使用质量非常关键。
4.目前国内外许多专家都对混凝土的材料设计进行了相关研究，但传统的材料设计主要是基于室内实验室的，由于测量数据的随机性、系统误差等因素的影响，混凝土的渗透规律具有许多不确定性，采用一般的统计方法，试验观测数据的离散性较大，往往会造成分析结果失真，并且传统的实验方法往往是一项长期而复杂的过程，实验周期长，工作量巨大，研究效率比较低。
5.随着人工智能的不断发展，一些专家也开始将目光转向人工智能领域，基于深度学习的混凝土结构性能评价研究也得到了广泛的应用。采用简单的机器学习、bp神经网络等智能预测模型，虽然有效地解决了研究中出现的一些复杂问题，减小了误差，提高了研究效率，但是由于工程领域数据量普遍较少，易陷入过拟合等固有缺陷，可能会导致不恰当和不可靠的预测结果。此外，对更深层次关系的研究需要大量数据的支持。然而，在混凝土材料试验过程中，由于耗费大量的人力和时间，很难收集到足够的数据，现有技术中扩充原始小型试验数据集的精度有待进一步提高。
6.基于上述缺陷和不足，本领域亟需提出一种新的预测混凝土极限抗压强度的方法，能够对小型实验数据集进行有效扩充，并以此对混凝土极限抗压强度进行精准预测。


技术实现要素：

7.针对现有技术的以上缺陷或改进需求，本发明提供了一种基于ctgan的预测混凝土极限抗压强度的方法。在有限的实验数据基础上，利用ctgan模型对原始数据集筛选后的特征进行数据增强，以提高预测精度，得到更贴近实际的预测结果，用以解决实际工程中对含工业废料混凝土的抗压强度进行预测的问题。
8.为实现上述目的，本发明的技术方案是：
9.一种基于ctgan的预测混凝土极限抗压强度的方法，其特征在于，包括以下步骤：
10.s1：获取工业废料混凝土原始数据集，计算原始数据集中水用量与水泥用量、高炉
矿渣用量和粉煤灰用量之和的比例，同时计算粗骨料用量和细骨料用量之和与水泥用量、高炉矿渣用量和粉煤灰用量之和的比例，找到上述两种比例在原始数据集中的最大值和最小值；
11.将两种比例限制在各自的最大值和最小值中进行取值，形成两种限制条件；
12.s2对原始数据集中的各个特征进行相关性分析，保留相关性系数不大于0.5的特征，重新组合获得筛选数据集；将筛选数据集划分为训练集和测试集，所述筛选数据集的训练集作为ctgan模型的输入，训练ctgan模型学习筛选数据集的数据分布以及各配料与混凝土极限抗压强度之间的相关性，生成虚拟的混凝土配合比数据，所生成虚拟的混凝土配合比数据满足步骤s1中的两种限制条件，输出虚拟数据集；
13.s3构建一维残差卷积模型并利用虚拟数据集训练，获得最终的一维残差卷积模型用于预测混凝土极限抗压强度；
14.所述一维残差卷积模型包括4个卷积层，每个卷积层后设置有批量归一化层和relu激活函数；一维残差卷积模型的输入是一个一维张量，经过四次卷积、批量归一化和relu激活函数的处理，输出一个三维张量；将第一个卷积层后面的relu激活函数的输出连接残差模块，所述残差模块包括依次串联的残差层、bn层和relu函数，残差模块的输出和三维张量一起输入到三个串联的全连接层fc中，前两个全连接层fc后均连接一个批量归一化层和relu激活函数，最后一个全连接层fc的输出为一维残差卷积模型的输出。
15.所述ctgan模型包括生成器和判别器，生成器中包括三层依次串联的异或层xor，每个异或层xor连接一个卷积层conv、bn层和relu激活函数后连接到下一个异或层xor的输入，最后一个异或层xor经卷积层conv、bn层和relu激活函数处理后连接全连接层fc，全连接层fc的输出分别经tanh激活函数和gumbel激活函数处理后输出虚拟样本；第一个异或层xor的输入为随机噪声；
16.所述判别器包括两个卷积层conv，第一个卷积层conv的输出经leaky激活函数和drop层处理后连接第二个卷积层conv，第二个卷积层conv的输出经leaky激活函数和drop层处理后连接一个全连接层fc，全连接层fc输出虚拟样本的得分score给到生成器中；第一个卷积层conv的输入为生成器输出的虚拟样本和筛选数据集中的样本。
17.所述步骤s2具体包括以下步骤：
18.s21根据筛选数据集的特征，在ctgan模型中添加配料之间的步骤s1中的两种限制条件，并调整ctgan模型的超参数，所述ctgan模型中的卷积层conv均为一维卷积层；
19.s22ctgan模型中的生成器对筛选数据集中的样本添加随机噪声，生成虚拟样本给ctgan模型中的判别器，判别器给出虚拟样本的得分反馈给生成器；
20.s23限制ctgan生成的各虚拟样本的特征均为正值，同时，调用sdv库中的create_cus tom_constraint模块创建自定义限制constraints参数，ctgan模型生成虚拟数据之后，进行筛选，排除不符合所述两种限制条件的虚拟样本，保留符合要求的虚拟样本，使生成的虚拟样本更加符合筛选数据集的数据范围；
21.s24重复步骤s22-s23训练生成器和判别器，直至判别器分辨不出样本的真假，得到学习到筛选数据集的数据分布以及各配料与混凝土极限抗压强度之间的相关性的ctgan模型；
22.s25保存步骤s24得到的ctgan模型，生成40000-60000个虚拟样本，组成虚拟数据
集。
23.所述两种限制条件的表达式为：
[0024][0025][0026]
其中，water为水用量，cement为水泥用量，slag为高炉矿渣用量，flyash为粉煤灰用量，coarseaggregate为粗骨料用量，fineaggregate为细骨料用量。
[0027]
所述步骤s3具体包含以下步骤：
[0028]
s31将影响混凝土极限抗压强度的原材料和配合比因素作为一维残差卷积模型的输入，极限抗压强度作为输出；
[0029]
s32使用一维残差卷积模型对极限抗压强度进行预测，训练模型时的损失器采用均方误差回归损失函数，优化器采用adam，学习率设置为lr＝0.000001，迭代次数epochs＝5000；
[0030]
s33在测试一维残差卷积模型时采用平均绝对误差和相关系数两个评价指标对一维残差卷积模型的预测结果进行评估；
[0031]
所述平均绝对误差mae表达式为：
[0032][0033]
所述相关系数r2表达式为：
[0034][0035]
其中n为样本数，y为样本数据真实值，为所有样本数据真实值的平均值，为样本数据预测值。
[0036]
作为进一步优选的，在训练ctgan模型之前，先对原始数据集中的混凝土极限抗压强度指标体系中的各个因素进行数据分析，包括各变量之间的pearson相关性分析，各变量间的弱相关性有助于预测模型捕捉到更多的信息和特征，因此选择相关性系数不大于0.5的特征进行保留，组成筛选数据集。
[0037]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
[0038]
1.本发明的ctgan模型的一定程度上提升模型捕捉原始数据集中更深层次的内在特征的能力，使得虚拟样本更加可靠。相对于传统的gan和ctgan模型，基于一维卷积网络的ctgan模型能够更加准确地学习到原始数据的分布和各个特征之间的相关性，从而生成更加可靠的虚拟样本数据。
[0039]
2.本发明的基于一维卷积网络的ctgan模型训练过程中，引入sdv库中的create_custo m_constraint模块创建自定义限制，使生成的虚拟数据更加符合原有数据集的数据范围。
[0040]
3.本发明采用的一维残差卷积模型通过残差模块在不同卷积层之间传递信息，提
高了模型的表达能力和准确性；相对传统机器学习模型能学习到数据的各个特征之间更深层次的关系，同时能够有效地加速模型的训练和收敛速度，并且在训练过程中对于过拟合的抑制效果非常明显。
[0041]
4.本发明的方法具有较强的可扩展性，可以应用于其他材料的性能预测和优化设计中。
[0042]
5.本发明的方法可以快速、准确地预测混凝土极限抗压强度，提高工程设计的效率和准确性。
附图说明
[0043]
图1是本发明实施例涉及的一种基于ctgan的预测混凝土极限抗压强度的方法中ctgan模型和一维残差卷积模型的结构示意图；
[0044]
图2是本发明实施例涉及的一种基于ctgan的预测混凝土极限抗压强度的方法中原始数据集和虚拟数据集影响因素相关性大小图；
[0045]
图3是本发明实施例涉及的一种基于ctgan的预测混凝土极限抗压强度的方法中不同gan模型获得的虚拟数据集的t-sne可视化分析对比图；
[0046]
图4是本发明实施例涉及的一种基于ctgan的预测混凝土极限抗压强度的方法中一维残差卷积模型在训练时的损失趋势图。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0048]
如图1所示，本发明实施例提供的一种基于ctgan的预测混凝土极限抗压强度的方法，包括以下步骤：
[0049]
步骤一，根据影响混凝土极限抗压强度的原材料和配合比因素构建混凝土极限抗压强度指标体系，并采集该结构强度指标体系的样本数据，记为原始数据集，并将其按9：1的比例划分为训练集和测试集。原始数据集为混凝土在正常条件下凝固一段时间后，通过对150mm高的圆柱形规范试件进行典型的抗压试验获得抗压强度。原始数据集中有9个参数，每个输入参数对极限抗压强度都有一定的影响。
[0050]
所述混凝土极限抗压强度指标体系包括极限抗压强度影响因素和极限抗压强度评价指标，极限抗压强度影响因素包括水泥用量、高炉矿渣用量、粉煤灰用量、水用量、高效减水剂用量、粗骨料用量、细骨料用量以及养护周期，所述抗压强度评价指标即混凝土极限抗压强度。
[0051]
本实施例中以公开数据集作为原始数据集，确保数据的准确性并且更好地和现有模型进行对比，根据影响混凝土极限抗压强度的原材料和配合比因素构建混凝土极限抗压强度指标体系，并采集混凝土极限抗压强度指标体系的样本数据，
[0052]
计算原始数据集中水用量与水泥用量、高炉矿渣用量和粉煤灰用量之和的比例，同时计算粗骨料用量和细骨料用量之和与水泥用量、高炉矿渣用量和粉煤灰用量之和的比
例，找到上述两种比例在原始数据集中的最大值和最小值；
[0053]
将两种比例限制在各自的最大值和最小值中进行取值，形成两种限制条件；
[0054]
s2对原始数据集中的各个特征进行相关性分析，保留相关性系数不大于0.5的特征，重新组合获得筛选数据集；将筛选数据集按照9:1划分为训练集和测试集，所述筛选数据集的训练集作为ctgan模型的输入，训练ctgan模型学习筛选数据集的数据分布以及各配料与混凝土极限抗压强度之间的相关性，生成虚拟的混凝土配合比数据，所生成虚拟的混凝土配合比数据满足步骤s1中的两种限制条件，输出虚拟数据集；
[0055]
将混凝土极限抗压强度指标体系里的各个变量进行pearson相关性分析，如果输入变量之间存在较强的线性相关关系，会造成数据的冗余和多重共线性问题，降低模型的泛化能力和稳定性，本发明利用pearson相关性系数衡量特征之间的相关性，如图2所示，pearson相关性系数取值范围为-1到1，方块颜色越深，说明两个变量间的pearson相关性系数越大，则相关性越强，反之，则相关性越弱。
[0056]
将混凝土极限抗压指标体系里的各个变量进行统计分析，即各变量之间的相关性分析，图2中显示本实施例中各输入变量之间相关性弱，即存在一定的非线性相关关系，会反映出数据的内在结构和规律，有助于神经网络捕捉到更多的信息和特征。
[0057]
s3构建一维残差卷积模型并利用虚拟数据集训练，获得最终的一维残差卷积模型用于预测混凝土极限抗压强度；
[0058]
所述一维残差卷积模型包括4个卷积层，每个卷积层后设置有批量归一化层和relu激活函数；一维残差卷积模型的输入是一个一维张量，经过四次卷积、批量归一化和relu激活函数的处理，输出一个三维张量；将第一个卷积层后面的relu激活函数的输出连接残差模块，所述残差模块包括依次串联的残差层、bn层和relu函数，残差模块的输出和三维张量一起输入到三个串联的全连接层fc中，前两个全连接层fc后均连接一个批量归一化层和relu激活函数，最后一个全连接层fc的输出为一维残差卷积模型的输出。
[0059]
本发明使用一维残差卷积模型对混凝土极限抗压强度进行预测，一维残差卷积模型使用卷积层提取输入数据的特征，并使用残差模块的跳连接用于捕获低级和高级特征，提高模型的准确性。残差模块中的残差连接层连接了前面卷积层的输入和后面卷积层的输出，可以有效地缓解梯度消失的问题，帮助模型更好地保留原始信息，同时减少训练过程中的过拟合，在不增加参数的情况下增加网络深度，从而提高模型的表达能力和预测性能，提高泛化能力。
[0060]
训练一维残差卷积模型时的损失器采用均方误差回归损失函数，采用adam优化器。在测试一维残差卷积模型时采用平均绝对误差和相关系数两个评估指标对一维残差卷积模型的预测结果进行评估。所述平均绝对误差的表达式如下：
[0061][0062]
所述相关系数的表达式如下：
[0063][0064]
其中n为样本数，y为样本数据真实值，为所有样本数据真实值的平均值，为样
本数据预测值。按9：1的比例将虚拟数据集划分为训练集和测试集。
[0065]
根据上述评估指标，将预测效果最好的一维残差卷积模型结构保存。
[0066]
所述两种限制条件的表达式为：
[0067][0068][0069]
其中，water为水用量，cement为水泥用量，slag为高炉矿渣用量，flyash为粉煤灰用量，coarseaggregate为粗骨料用量，fineaggregate为细骨料用量。
[0070]
所述ctgan模型包括生成器和判别器，生成器中包括三层依次串联的异或层xor，每个异或层xor连接一个卷积层conv、bn层和relu激活函数后连接到下一个异或层xor的输入，最后一个异或层xor经卷积层conv、bn层和relu激活函数处理后连接全连接层fc，全连接层fc的输出分别经tanh激活函数和gumbel激活函数处理后输出虚拟样本；第一个异或层xor的输入为随机噪声；
[0071]
所述判别器包括两个卷积层conv，第一个卷积层conv的输出经leaky激活函数和drop层处理后连接第二个卷积层conv，第二个卷积层conv的输出经leaky激活函数和drop层处理后连接一个全连接层fc，全连接层fc输出虚拟样本的得分score给到生成器中；第一个卷积层conv的输入为筛选数据集中的样本和生成器输出的虚拟样本。
[0072]
生成器将从噪声分布中抽取的向量作为输入，并将它们转换为与筛选数据集相似的数据。生成器包括4个卷积层，其中每一层都通过非线性激活函数进行转换，以产生更复杂的非线性映射。
[0073]
判别器是另一个前馈神经网络，用于评估给定的数据样本是否来自筛选数据集或生成器。判别器接收生成器生成的虚拟样本和筛选数据集中的真实样本，并尝试将它们区分开来。判别器由2个卷积层和1个全连接层fc组成，其中每一层也通过非线性激活函数进行转换，以产生更复杂的非线性映射。最后，判别器将输出一个score值，以评估输入数据样本的真实程度。
[0074]
根据筛选数据集的特征适当调整ctgan模型的超参数，加入先验限制，构建ctgan模型。本实施例中的ctgan模型batch_size设置为60，epochs设为10000，discriminator_steps设为3，即在训练时，每次更新生成器时要对判别器进行3次更新。ctgan模型中的生成器对筛选数据集中的样本添加随机噪声，生成虚拟样本给ctgan模型中的判别器，判别器给出虚拟样本的得分反馈给生成器。
[0075]
不断训练生成器和判别器这两个神经网络，直至判别器分辨不出样本的真假，得到学习到筛选数据集的数据分布以及各个配料与混凝土极限抗压强度之间的相关性的ctgan模型。保存上述ctgan模型，拟合生成出50000个虚拟样本，组成虚拟数据集。
[0076]
同样地，为了证明本技术所获得虚拟数据集的可靠性，对虚拟数据集进行数据分析，包括各变量之间的pearson相关性分析和t-sne可视化分析。
[0077]
如图2所示，其中左图反映筛选数据集各变量间的相关性，右图反映虚拟始数据集各变量间的相关性，可以看出原始数据集与虚拟数据集中各特征之间的相关性类似，且相关性均较低，利于之后一维残差卷积模型模型的训练。
[0078]
对筛选数据集和虚拟数据集做t-sne可视化分析，将九个维度的混凝土数据集可视化为二维的图，如图3所示，可以看出ctgan生成的虚拟样本的分布与真实样本的更相似，ctgan生成虚拟样本的效果较好。t-sne使用t分布来建立高维空间和低维空间之间的概率分布，然后通过最小化这两个分布之间的kl散度来优化低维坐标。其中kl散度的公式如下：
[0079][0080]
其中，p(j|i)表示给定数据点xi时，另一个数据点xj的条件概率；q(j|i)表示给定映射点yi时，另一个映射点yj的条件概率，pi代表真实概率分布中的第i个事件的概率，qi代表拟合概率分布中的第i个事件的概率，c代表kl散度，它是一种度量两个概率分布之间差异的指标，它衡量的是当用概率分布q来拟合真实概率分布p时的信息损失。
[0081]
使用wasserstein gan替换ctgan模型，对wasserstein gan处理获得的虚拟数据进行t-sne可视化分析，与ctgan模型做对比分析。与wasserstein gan相比，ctgan使用了一种条件生成器，可以根据用户指定的条件生成合成数据，从而提高了合成数据的多样性和可控性。此外，ctgan使用了一种模式正则化方法，可以增强生成器捕捉真实数据中的多模态分布，从而提高了合成数据的质量和准确性。因此，ctgan模型更加稳定可靠，不易受到梯度消失等问题的影响，训练过程更加顺利，生成的数据质量更加一致。如图3所示，左图为wasserstein gan生成的虚拟数据的t-sne可视化分析，右图为ctgan生成虚拟数据的t-sne可视化分析。
[0082]
对数据增强前后同一结构的一维残差卷积模型的预测结果进行比较分析，预测效果显著提升，肯定了使用ctgan模型进行数据增强的效果。训练时的平均绝对误差和相关系数变化如图4所示，两个预测评估指标都在迭代3000次之后得到收敛。为了验证使用虚拟数据集训练一维残差卷积模型的效果，随机从原始数据集和虚拟数据集中分别选取100个数据样本，组成新的验证集。将训练好的一维残差卷积模型对此验证集进行预测，再次肯定了使用ctgan模型进行数据增强的效果以及一维残差卷积模型的有效性。
[0083]
实施例1
[0084]
本发明提出的基于ctgan的预测混凝土极限抗压强度的方法，主要包含以下步骤：
[0085]
(1)获取原始数据集并做数据分析
[0086]
原始数据集由i.-c.yeh从github收集的1030个工业废料混凝土实验数据，其包含水泥用量、高炉矿渣用量、粉煤灰用量、水用量、高效减水剂用量、粗骨料用量、细骨料用量、养护龄期以及极限抗压强度共9个变量，数据如表1：
[0087]
表1样本数据
[0088]
[0089][0090]
通过对原始数据集进行分析，得到两个在生成数据时需要的限制,将其添加至ctgan模型中。
[0091]
两种限制条件的表达式为：
[0092][0093][0094]
其中，water为水用量，cement为水泥用量，slag为高炉矿渣用量，flyash为粉煤灰用量，coarseaggregate为粗骨料用量，fineaggregate为细骨料用量。
[0095]
(2)对原始数据集做数据增强
[0096]
此时原始数据集中的特征相互之间为弱相关，此即为筛选数据集。直接以水泥用量、高炉矿渣用量、粉煤灰用量、水用量、高效减水剂用量、粗骨料用量、细骨料用量、养护龄期以及极限抗压强度共9个变量作为ctgan模型的输入，在ctgan模型中添加上述的两种限制，设置ctgan模型超参数epoch为10000，batch_size为60，discriminator_steps为3。训练完成后保存ctgan模型，设置生成虚拟样本数量为50000个，组成虚拟数据集。
[0097]
(3)对极限抗压强度做回归预测
[0098]
以水泥用量、高炉矿渣用量、粉煤灰用量、水用量、高效减水剂用量、粗骨料用量、细骨料用量以及养护龄期共8个变量作为一维残差卷积模型的输入，极限抗压强度作为输出。
[0099]
按9：1的比例将原始数据集划分为训练集和测试集，训练时的损失器采用均方误差回归损失函数，优化器采用adam，学习率设置为lr＝0.00001，迭代次数epochs＝5000，记录不同极限抗压强度预测模型结构和超参数下预测得到的平均绝对误差和相关系数，如表2：
[0100]
表2
[0101][0102]
本发明所设置的一维残差卷积模型的平均绝对误差和相关系数之和最小。同样
地，按9：1的比例将虚拟数据集划分为训练集和测试集，采用同样的超参数、优化器以及损失器，对保存的一维残差卷积模型重新训练，同时分别从原始数据集和虚拟数据集中随机抽取100个样本数据，组成验证集，将其作为模型输入，同样地计算出平均绝对误差和相关系数。比较原始数据集和虚拟数据集、验证集使用同一一维残差卷积模型做回归预测得到的平均绝对误差和相关系数，对比结果如表3：
[0103]
表3
[0104][0105]
从表3的结果可以看出经过ctgan模型对原始数据集进行数据增强后，使用一维残差卷积模型做回归预测的效果显著提升，本技术的一维残差卷积模型平均绝对误差和相关系数分别为3.84和0.98，精度显著提高，在基于材料和配合比的混凝土极限抗压强度预测研究领域有良好应用前景。
[0106]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
[0107]
本发明未述及之处适用于现有技术。

技术特征：
1.一种基于ctgan的预测混凝土极限抗压强度的方法，其特征在于，包括以下步骤：s1：获取工业废料混凝土原始数据集，计算原始数据集中水用量与水泥用量、高炉矿渣用量和粉煤灰用量之和的比例，同时计算粗骨料用量和细骨料用量之和与水泥用量、高炉矿渣用量和粉煤灰用量之和的比例，找到上述两种比例在原始数据集中的最大值和最小值；将两种比例限制在各自的最大值和最小值中进行取值，形成两种限制条件；s2对原始数据集中的各个特征进行相关性分析，保留相关性系数不大于0.5的特征，重新组合获得筛选数据集；将筛选数据集划分为训练集和测试集，所述筛选数据集的训练集作为ctgan模型的输入，训练ctgan模型学习筛选数据集的数据分布以及各配料与混凝土极限抗压强度之间的相关性，生成虚拟的混凝土配合比数据，所生成虚拟的混凝土配合比数据满足步骤s1中的两种限制条件，输出虚拟数据集；s3构建一维残差卷积模型并利用虚拟数据集训练，获得最终的一维残差卷积模型用于预测混凝土极限抗压强度；所述一维残差卷积模型包括4个卷积层，每个卷积层后设置有批量归一化层和relu激活函数；一维残差卷积模型的输入是一个一维张量，经过四次卷积、批量归一化和relu激活函数的处理，输出一个三维张量；将第一个卷积层后面的relu激活函数的输出连接残差模块，所述残差模块包括依次串联的残差层、bn层和relu函数，残差模块的输出和三维张量一起输入到三个串联的全连接层fc中，前两个全连接层fc后均连接一个批量归一化层和relu激活函数，最后一个全连接层fc的输出为一维残差卷积模型的输出。2.根据权利要求1所述的基于ctgan的预测混凝土极限抗压强度的方法，其特征在于，所述ctgan模型包括生成器和判别器，生成器中包括三层依次串联的异或层xor，每个异或层xor连接一个卷积层conv、bn层和relu激活函数后连接到下一个异或层xor的输入，最后一个异或层xor经卷积层conv、bn层和relu激活函数处理后连接全连接层fc，全连接层fc的输出分别经tanh激活函数和gumbel激活函数处理后输出虚拟样本；第一个异或层xor的输入为随机噪声；所述判别器包括两个卷积层conv，第一个卷积层conv的输出经leaky激活函数和drop层处理后连接第二个卷积层conv，第二个卷积层conv的输出经leaky激活函数和drop层处理后连接一个全连接层fc，全连接层fc输出虚拟样本的得分score给到生成器中；第一个卷积层conv的输入为筛选数据集中的样本和生成器输出的虚拟样本。3.根据权利要求1所述的基于ctgan的预测混凝土极限抗压强度的方法，其特征在于，步骤s2具体包括以下步骤：s21根据筛选数据集的特征，在ctgan模型中添加配料之间的步骤s1中的两种限制条件，并调整ctgan模型的超参数，所述ctgan模型中的卷积层conv均为一维卷积层；s22 ctgan模型中的生成器对筛选数据集中的样本添加随机噪声，生成虚拟样本给ctgan模型中的判别器，判别器给出虚拟样本的得分反馈给生成器；s23限制ctgan生成的各虚拟样本的特征均为正值，同时，调用sdv库中的create_cus tom_constraint模块创建自定义限制constraints参数，ctgan模型生成虚拟数据之后，进行筛选，排除不符合所述两种限制条件的虚拟样本，保留符合要求的虚拟样本，使生成的虚拟样本更加符合筛选数据集的数据范围；
s24重复步骤s22-s23训练生成器和判别器，直至判别器分辨不出样本的真假，得到学习到筛选数据集的数据分布以及各配料与混凝土极限抗压强度之间的相关性的ctgan模型；s25保存步骤s24得到的ctgan模型，生成40000-60000个虚拟样本，组成虚拟数据集。4.根据权利要求1所述的基于ctgan的预测混凝土极限抗压强度的方法，其特征在于，所述两种限制条件的表达式为：其中，water为水用量，cement为水泥用量，slag为高炉矿渣用量，flyash为粉煤灰用量，coarseaggregate为粗骨料用量，fineaggregate为细骨料用量。5.根据权利要求1所述的基于ctgan的预测混凝土极限抗压强度的方法，其特征在于，步骤s3具体包含以下步骤：s31将影响混凝土极限抗压强度的原材料和配合比因素作为一维残差卷积模型的输入，极限抗压强度作为输出；s32使用一维残差卷积模型对极限抗压强度进行预测，训练模型时的损失器采用均方误差回归损失函数，优化器采用adam，学习率设置为lr＝0.000001，迭代次数epochs＝5000；s33在测试一维残差卷积模型时采用平均绝对误差和相关系数两个评价指标对一维残差卷积模型的预测结果进行评估；所述平均绝对误差mae表达式为：所述相关系数r2表达式为：其中n为样本数，y为样本数据真实值，为所有样本数据真实值的平均值，为样本数据预测值。

技术总结
本发明为一种基于CTGAN的预测混凝土极限抗压强度的方法。包括：构建混凝土抗压强度影响因素指标体系，建立并分析原始数据集，分析各配料之间的关系，限制部分配料间的比例，使用CTGAN模型做数据增强，使用一维残差卷积模型做回归预测。本发明可以更准确地预测混凝土极限抗压强度，在一定程度上解决了工程领域数据缺乏的问题，且该方法具有较强的可移植性，提高工程设计的效率和准确性。提高工程设计的效率和准确性。提高工程设计的效率和准确性。


技术研发人员：王雨飞 孙浚博 邹泽峰 王翔宇 姜楠 杨超 张静 方焘
受保护的技术使用者：华东交通大学
技术研发日：2023.05.17
技术公布日：2023/10/8