一种基于大数据的混凝土原材料及配合比推荐方法
阅读说明：本技术 一种基于大数据的混凝土原材料及配合比推荐方法 (Concrete raw material and mixing proportion recommendation method based on big data ) 是由 张鸿 黄涛 杨秀礼 张永涛 张国志 屠柳青 程茂林 朱明清 涂同珩 夏昊 徐杰 于 2020-12-14 设计创作，主要内容包括：本发明公开了一种基于大数据的混凝土原材料及配合比推荐方法,包括：S1,建立有关混凝土数据的历史数据库；S2,对S1中有关混凝土各原材料的性能参数数据做标准化处理；S3,利用混合学习器建立混凝土各项性能参数的预测模型；S4,根据施工要求,筛选出满足条件的供应商,并列出各原材料供应商的组合情况；S5,利用预测模型,建立穷举预测数据库；S6,以混凝土各项性能参数指标为边界条件,在穷举预测数据库中筛选出各原材料总成本最低的供应商和混凝土配合比的组合数据,并推荐给混凝土施工单位。本发明将多种回归算法和穷举预测相结合,不仅推荐出符合混凝土性能要求下最经济的配合比,还推荐出各原材料的供应商,推荐结果更全面。(The invention discloses a concrete raw material and mixing proportion recommendation method based on big data, which comprises the following steps: s1, establishing a historical database of the concrete data; s2, standardizing the performance parameter data of each raw material of the concrete in the S1; s3, establishing a prediction model of each performance parameter of the concrete by using the hybrid learner; s4, screening suppliers meeting the conditions according to the construction requirements, and listing the combination condition of each raw material supplier; s5, establishing an exhaustive prediction database by using a prediction model; and S6, screening out combined data of suppliers and concrete mix proportions with the lowest total cost of raw materials from an exhaustive prediction database by taking each performance parameter index of the concrete as a boundary condition, and recommending the combined data to a concrete construction unit. The invention combines various regression algorithms and exhaustive prediction, not only recommends the most economic mix proportion meeting the performance requirements of concrete, but also recommends suppliers of various raw materials, and the recommendation result is more comprehensive.)
技术领域
本发明涉及混凝土施工领域。更具体地说，本发明涉及一种基于大数据的混凝土原材料及配合比推荐方法。
背景技术
混凝土作为土木工程主体结构中最基础的材料，其质量和用量对于工程的质量控制和成本控制都至关重要，其中，原材料的选择和配合比设计是影响成品混凝土质量和成本的关键因素，两者是相互耦合的，合理经济的混凝土配合比设计都是建立在原材料基础之上，混凝土原材料是实现产品质量及体现经济效益的基础。在原材料供应环节，由于信息资源缺乏，项目进场后需要花费大量的时间寻找原材料资源，不能真正选择最为合适的供应商，部分原材料(如外加剂)多采用低价中标，其适应性差，质量不稳定，在配合比设计环节，由于选取的原材料质量不稳定，工作人员经验不足，为保证混凝土的强度和耐久性，通常需要提高水泥等胶材用量，导致配合比不经济，造成混凝土成本增加。因此，选择合适的原材料厂家对于配合比设计环节至关重要，而合理的配合比用量又直接影响了成品混凝土的性能和成本。
目前，相关领域已有通过智能优化和机器学习的方法利用混凝土生产试验历史数据去实现混凝土原材料配合比的设计和混凝土性能预测，但有关混凝土性能预测的研究没有考虑配合比的设计以及材料厂家的优化选择，而有关原材料配合比设计的研究通常需要以提前选择好的原材料的性能为前提，且实际施工中，混凝土生产成本不仅与配合比有关，更与原材料供应价格紧密相关。
发明内容
本发明的一个目的是提供一种基于大数据的混凝土原材料及配合比推荐方法，通过将多种回归算法和穷举预测相结合，不仅可以推荐出符合混凝土性能要求下最经济的配合比，还可以推荐出各原材料的供应商，推荐结果更全面，且使用混合学习器建立混凝土各项性能参数的预测模型，可替代繁琐的试验工作，提高工作效率，节约资源。
为了实现根据本发明的这些目的和其它优点，提供了一种基于大数据的混凝土原材料及配合比推荐方法，包括：
S1，以已完工的混凝土施工项目中积累的有关混凝土的原材料供应商、原材料生产和试验数据为基础，建立包含混凝土中各原材料的成本单价数据、各原材料的性能参数数据、混凝土配合比数据以及混凝土各项性能参数数据的历史数据库；
S2，对历史数据库中各原材料的性能参数数据做标准化处理，得到新的各原材料的性能参数数据；
S3，将多个学习器进行整合，得到混合学习器，所述混合学习器包括高斯过程回归、随机森林和梯度提升决策树；
S4，以历史数据库中混凝土配合比数据以及标准化处理后的各原材料的性能参数数据为输入值，以混凝土各项性能参数数据为输出值，利用混合学习器建立混凝土各项性能参数的预测模型；
S5，根据项目施工实际情况和区域特点，初步筛选出满足条件的各原材料的供应商，并列出混凝土各原材料供应商的所有组合情况；
S6，利用混凝土各项性能参数的预测模型，以筛选后的各原材料的性能参数数据和混凝土配合比数据为变量，利用穷举法穷举预测不同供应商组合以及配合比下的混凝土各项性能参数数据，并建立穷举预测数据库；
S7，以混凝土各项性能参数指标为边界条件，在穷举预测数据库中输入各原材料成本单价数据，并筛选出混凝土各项性能参数达标且各原材料总成本最低的混凝土各原材料的供应商和混凝土配合比的组合数据，并推荐给混凝土施工单位。
优选的是，S2中对历史数据库中各原材料的性能参数数据标准化处理的方式为，将各原材料中的每种性能参数的数据减去该性能参数的所有的数据的均值，并除以该性能参数所有的数据的方差，得到新的各原材料的性能参数数据，并将处理后的各原材料的性能参数数据作为输入值，输入到混合学习器中。
优选的是，建立混凝土各项性能参数的预测模型的过程中，是将标准化处理后的各原材料的性能参数数据、混凝土配合比数据以及混凝土各项性能参数数据随机划分成75％的训练集和25％的测试集，并将标准化处理后的原材料的性能参数数据、混凝土配合比数据作为输入值，混凝土的各项性能参数数据作为输出值，在训练集上使用与混凝土各项性能参数相匹配的学习器，训练混凝土各项性能参数的回归模型，并在测试集上测试回归精度，根据回归精度逐步调整训练模型的超参数，最终训练得到精确的混凝土各项性能参数的预测模型。
优选的是，所述回归模型的回归精度的测试是以均方误差为测试指标。
优选的是，S6中将筛选后的混凝土配合比数据的最大值乘以110％，最小值乘以90％，作为穷举预测混凝土配合比的上极限和下极限，并建立穷举预测数据库。
优选的是，将上极限和下极限之间的混凝土配合比数据均分成十等份，作为穷举预测过程中的采样间隔。
优选的是，混凝土的原材料包括，水泥、粉煤灰、矿粉、外加剂和粗集料以及细集料。
优选的是，混凝土的性能参数包括坍落度、混凝土强度、氯离子扩散系数和耐蚀系数以及电通量。
优选的是，混凝土各项性能参数的预测模型包括，坍落度预测模型、混凝土强度预测模型、氯离子扩散系数预测模型和耐蚀系数预测模型以及电通量预测模型。
本发明至少包括以下有益效果：
1、本发明实现了将混凝土原材料性能参数和混凝土配合比作为输入值，混凝土各项性能参数数据作为输出值，建立混凝土各项性能参数的预测模型，可替代繁琐的试验工作，可提高工作效率且节约资源。
2、本发明将多种回归算法和穷举预测相结合，不仅推荐出符合混凝土性能要求下最经济的配合比，还推荐出各原材料的供应商，推荐结果更全面。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的建立混凝土各项性能参数的预测模型的流程示意图；
图2为本发明的穷举预测混凝土各原材料供应商及配合比推荐的流程示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1-2所示，本发明提供一种基于大数据的混凝土原材料及配合比推荐方法，包括：
S1，以已完工的混凝土施工项目中积累的有关混凝土的原材料供应商、原材料生产和试验数据为基础，建立包含混凝土中各原材料的成本单价数据、各原材料的性能参数数据、混凝土配合比数据以及混凝土各项性能参数数据的历史数据库；
S2，对历史数据库中各原材料的性能参数数据做标准化处理，得到新的各原材料的性能参数数据；
S3，将多个学习器进行整合，得到混合学习器，所述混合学习器包括高斯过程回归、随机森林和梯度提升决策树；
S4，以历史数据库中混凝土配合比数据以及标准化处理后的各原材料的性能参数数据为输入值，以混凝土各项性能参数数据为输出值，利用混合学习器建立混凝土各项性能参数的预测模型；
S5，根据项目施工实际情况和区域特点，初步筛选出满足条件的各原材料的供应商，并列出混凝土各原材料供应商的所有组合情况；
S6，利用混凝土各项性能参数的预测模型，以筛选后的各原材料的性能参数数据和混凝土配合比数据为变量，利用穷举法穷举预测不同供应商组合以及配合比下的混凝土各项性能参数数据，并建立穷举预测数据库；
S7，以混凝土各项性能参数指标为边界条件，在穷举预测数据库中输入各原材料成本单价数据，并筛选出混凝土各项性能参数达标且各原材料总成本最低的混凝土各原材料的供应商和混凝土配合比的组合数据，并推荐给混凝土施工单位。
在上述技术方案中，混凝土中的原材料有很多种，每种原材料的供应商也有很多种，从而导致历史数据库中一种原材料性能参数有多种数据，而混凝土配合比为每立方米混凝土中所含各原材料质量，对应的混凝土的各项性能参数也有多种数据，本发明根据已完工的项目中积累的有关混凝土的信息，建立历史数据库，并对历史数据库中各原材料的性能参数数据做标准化处理，得到新的各原材料的性能参数数据，并作为混合学习器的输入值的一部分和混凝土配合比数据输入到混合学习器中，以混凝土各项性能参数数据为输出值，建立预测模型，混合学习器包括高斯过程回归、随机森林和梯度提升决策树，学习器与学习器之间相互独立存在，利用多个学习器预测混凝土各项性能参数模型，预测模型中对应不同的供应商，所提供的混凝土各原材料的性能参数也不同，所以预测模型中混凝土各原材料的性能参数有很多组，对应的混凝土各项性能参数也会有很多组数据输出，在混凝土施工项目中，对混凝土的各原材料性能有一定的要求，首先根据项目施工对混凝土的各原材料的要求，以及项目施工所在的地区，初步筛选掉混凝土各原材料不满足条件以及各原材料的供应商的所在地离项目施工地区较远的供应商，保留满足条件的供应商所提供的混凝土各原材料，并对满足条件的混凝土各原材料供应商进行组合，将筛选后的各原材料的性能参数数据和混凝土配合比数据为变量，穷举预测不同供应商的混凝土各项性能参数数据，在穷举预测的数据中输入各原材料成本单价数据，二次筛选得到混凝土各项性能参数达标且总成本最低的供应商和配合比的数据，并推荐给混凝土施工单位，使得混凝土施工单位知道如何直接选择成本较低且质量达标的混凝土各原材料，同时也可减少混凝土试验工作，提高工作效率，节约资源。
在一个混凝土施工的项目中，为得到混凝土各项性能参数达标且混凝土各原材料总成本最低的各原材料的供应商和混凝土配合比的组合数据，并根据此组合数据去采购混凝土各原材料，首先根据此次项目施工的实际情况和区域特点，初步筛选出满足条件的水泥、粉煤灰、矿粉和外加剂的供应商各5家，粗集料和细集料各有1家，即混凝土各原材料的供应商的组合情况有5*5*5*5*1*1＝625组，而每种原材料的比重有10种，即6种原材料对应的配合比有106种，那么一组原材料供应商组合有106组配合比，625组供应商组合可得到625*106组配合比以及混凝土的各项性能参数数据，再以此项目对混凝土各项性能要求为条件，二次筛选出符合条件的106组配合比以及混凝土的各项性能参数数据，根据106组数据对应的各原材料供应商提供的原材料单价和配合比，计算106组数据中对应的成本，并采取成本最低的组合情况推荐给项目负责人。
在另一种技术方案中，S2中对历史数据库中各原材料的性能参数数据标准化处理的方式为，将各原材料中的每种性能参数的数据减去该性能参数的所有的数据的均值，并除以该性能参数所有的数据的方差，得到新的各原材料的性能参数数据，并将处理后的各原材料的性能参数数据作为输入值，输入到混合学习器中。
在本技术方案中，对各原材料的性能参数数据标准化处理，可使得各原材料的性能参数的数据统一起来，不会有较大的数据上的差异，也可排查异常数据，提升预测模型读取数据的效率。
在另一种技术方案中，建立混凝土各项性能参数的预测模型的过程中，是将标准化处理后的各原材料的性能参数数据、混凝土配合比数据以及混凝土各项性能参数数据随机划分成75％的训练集和25％的测试集，并将标准化处理后的原材料的性能参数数据、混凝土配合比数据作为输入值，混凝土的各项性能参数数据作为输出值，在训练集上使用与混凝土各项性能参数相匹配的学习器，训练混凝土各项性能参数的回归模型，并在测试集上测试回归精度，根据回归精度逐步调整训练模型的超参数，最终训练得到精确的混凝土各项性能参数的预测模型。
在本技术方案中，将输入值的数据随机划分为训练集以及测试集，是为了测试预测模型的精度，在建立混凝土各项性能参数的预测模型过程中，首先将标准化处理后的原材料的性能参数数据作为输入值，混凝土的各项性能参数数据为输出值，在训练集上使用与混凝土各项性能参数对应的训练器训练与之对应的回归模型，并在测试集上测试回归模型的回归精度，根据精度反复调整回归超参数，最终训练得到精确的混凝土各项性能参数的预测模型，使得S6中穷举预测数据库中的数据更加精准。
在另一种技术方案中，所述回归模型的回归精度的测试是以均方误差为测试指标。
在本技术方案中，均方误差是体现训练集和测试集之间差异程度的一种度量，均方误差越小，则表示预测模型描述的混凝土各项性能参数的数据具有更好的精确度，均方误差的数值，可直白的体现预测模型的精度。
在另一种技术方案中，S6中将筛选后的混凝土配合比数据的最大值乘以110％，最小值乘以90％，作为穷举预测混凝土配合比的上极限和下极限，并建立穷举预测数据库。
在本技术方案中，穷举是计算机求解问题最常用的方法之一，首先需要建立一个数学模型，模型可为一组变量、以及这些变量需要满足的条件，采用穷举法求解混凝土各项性能参数时，数学模型为筛选后的各原材料的性能参数数据和混凝土配合比数据，并根据混凝土配合比的相关知识，将混凝土配合比确定在一个大概的取值范围，即混凝土配合比数据的最大值乘以110％，最小值乘以90％，并在这个范围内对混凝土配合比数据依次取值，再根据混凝土配合比的基本要求判断所取的值是否满足数学模型的条件，直找到全部符合条件的值为止，并将这些符合条件的数值建立穷举预测数据库，将混凝土配合比确定在一个大概的取值范围，并在该范围内取值，可减小穷举预测时的计算量，提高工作效率。
在另一种技术方案中，将上极限和下极限之间的混凝土配合比数据均分成十等份，作为穷举预测过程中的采样间隔。
在本技术方案中，采样间隔过大会导致穷举结果不够全面，采样间隔过小则会导致计算量过大，将穷举空间均分为十等分，可在穷举结果全面的情况下不增加计算量。
在另一种技术方案中，混凝土的原材料包括，水泥、粉煤灰、矿粉、外加剂和粗集料以及细集料。
在本技术方案中，混凝土的原材料包括水泥、粉煤灰、矿粉、外加剂、粗集料、细集料六种，水泥的性能参数包括：比表面积Sc(m2/kg)、密度ρc(g/cm3)、标稠用水量Pc(％)、抗压强度Rc(MPa)、每立方米混凝土中所含质量mc；粉煤灰的性能参数包括：比表面积SF(m2/kg)、密度ρF(g/cm3)、需水量比WF(％)、活性系数H28(％)、烧失量X(％)、每立方米混凝土中所含质量mF；矿粉的性能参数包括：比表面积SK(m2/kg)、密度ρk(g/cm3)、需水量比WF(％)、活性系数H28(％)、烧失量X(％)、每立方米混凝土中所含质量mk；外加剂性能参数包括：减水率WR(％)、固含量S(％)、密度ρa、抗压强度比RS(％)、每立方米混凝土中所含质量ma；粗集料的性能参数包括：堆积密度ρL1(kg/m3)、压碎值f1(MPa)、最大粒径d1(mm)、含泥量ωc1(％)、泥块含量ωc,1(％)、堆积空隙率VL1(％)、每立方米混凝土中所含质量mG1；细集料的性能参数包括：堆积密度ρL2(kg/m3)、压碎值f2(MPa)、最大粒径d2(mm)、含泥量ωc2(％)、泥块含量ωc,2(％)、空隙率VL2(％)、每立方米混凝土中所含质量mG2，混凝土由多种原材料组成，而每种原材料有多种性能参数，混凝土的各项性能参数与混凝土中各原材料的性能参数有关，建立混凝土各项性能预测模型时，不但需要考虑混凝土各原材料数据，还考虑需每一种原材料对应的性能参数数据，这样使得混凝土各项性能参数的预测模型中的数据更加全面。
在另一种技术方案中，混凝土的性能参数包括，坍落度、混凝土强度、氯离子扩散系数和耐蚀系数以及电通量。
在另一种技术方案中，混凝土各项性能参数的预测模型包括，坍落度预测模型、混凝土强度预测模型、氯离子扩散系数预测模型和耐蚀系数预测模型以及电通量预测模型。
在本技术方案中，混凝土的性能参数有多种，参数与参数之间的特征不同，所以需要与参数特征相适应的学习器对混凝的性能参数进行预测建模，将标准化后的原材料的性能参数数据作为输入值，混凝土坍落度为输出，在训练集上训练高斯过程回归器，在测试集上测试回归精度，根据精度反复调整高斯过程回归超参数，最终训练得到精确度较高的坍落度预测模型，最终的高斯过程回归超参数为kernel＝RBF,alpha＝0.001,n_restarts_optimizer＝1,normalize_y＝false,copy_X_train＝true；将标准化后的原材料数据作为输入，混凝土强度为输出，在训练集上训练高斯过程回归器，在测试集上测试回归精度，根据精度反复调整高斯过程回归超参数，最终训练得到精确度较高的混凝土强度预测模型，最终的高斯过程回归超参数为kernel＝polynominal,alpha＝0.0005,n_restarts_optimizer＝0,normalize_y＝false,copy_X_train＝true；将标准化后的原材料数据作为输入，混凝土氯离子扩散系数为输出，在训练集上训练随机森林回归器，在测试集上测试回归精度，根据精度反复调整随机森林回归超参数，最终训练得到精确度较高的氯离子扩散系数预测模型，最终的随机森林回归器超参数为bootstrap＝False,max_features＝0.2,min_samples_leaf＝1,min_samples_split＝4,n_estimators＝100；将标准化后的原材料数据作为输入，混凝土耐蚀系数为输出，在训练集上训练梯度提升树回归器，在测试集上测试回归精度，根据精度反复调整梯度提升树的超参数，最终训练得到精确度较高的耐蚀系数预测模型，最终的梯度提升树回归器超参数为learning_rate＝0.1,max_depth＝6,max_features＝'sqrt',min_samples_leaf＝5,min_samples_split＝14,n_estimators＝50；将标准化后的原材料数据作为输入，混凝土电通量为输出，在训练集上训练随机森林回归器，在测试集上测试回归精度，根据精度反复调整随机森林的超参数，最终训练得到精确度较高的电通量预测模型，最终的随机森林回归器超参数为bootstrap＝False,max_features＝0.05,min_samples_leaf＝3,min_samples_split＝8,n_estimators＝100，根据上述步骤，可得到混凝土各项性能参数的预测模型。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。