基于RF-SOA-DELM-AdaBoost模型的混凝土抗压强度预测及试验研究
Prediction and experimental study of concrete compressive strength based on the RF-SOA-DELM-AdaBoost model
关键词：
混凝土；抗压强度；海鸥算法；深度极限学习机；集成学习模型；组合预测
Key words：
Concrete; Compressive strength; Seagull algorithm; Deep limit learning machine; Ensemble learning model; Combination predict
刊期：
2025年第9期
DOI：
10.19761/j.1000-4637.2025.09.030.05
文章编号：
基金项目：
国家重点研发计划项目（2022YFC3802003）。
作者：
狄飞超1，2，李拔周1，2，3，李 阳1，2
单位：
1.中交武汉港湾工程设计研究院有限公司，湖北 武汉 430050；2.海工结构新材料及维护加固技术湖北省重点实验室，湖北 武汉 430050；3.中交第二航务工程局有限公司，湖北 武汉 430040
摘要
摘 要：提出了一种基于RF-SOA-DELM-AdaBoost的混凝土抗压强度组合预测模型。首先，采用随机森林（RF）特征重要性排序与统计分析的方法，确定了影响混凝土抗压强度的关键因素；其次，采用海鸥算法（SOA）优化了深度极限学习机（DELM）的权值和阈值，建立了SOA-DELM预测模型；最后，利用AdaBoost集成模型构建强回归器，得到了最终预测值。预测结果与试验数据对比表明：RF-SOA-DELM-Adaboost模型的预测精度和拟合效果显著优于其他模型，在混凝土抗压强度预测分析中应用前景广阔。
Abstract: A combined prediction model of concrete compressive strength based on RF-SOA-DELM-AdaBoost was proposed. Firstly, the key factors affecting the compressive strength of concrete were determined by the method of random forest (RF) feature importance ranking and statistical analysis. Secondly, the seagull algorithm (SOA) was used to optimize the weight and threshold of the deep limit learning machine (DELM), and the SOA-DELM prediction model was established. Finally, A strong regression was built by Adaboost integration to predict and get the final prediction value. The results of comparsion between model prediction and experiment show that the prediction accuracy and fitting effect of the RF-SOA-DELM-AdaBoost model are significantly better than other models, and it has broad application prospects in the research of concrete compressive strength prediction.
结论
（1）通过特征选择方法，对模型的输入进行处理与筛选，不仅能提高预测速度，还能提高预测精度。
（2）采用智能优化算法对模型的超参数进行优化，能够有效降低模型的预测误差。
（3）AdaBoost集成模型对数据的拟合效果显著优于单一模型。
（4）基于RF-SOA-DELM-AdaBoost的混凝土抗压强度预测模型算法精度高，数据拟合效果好，具有一定的工程应用价值，为混凝土抗压强度预测提供了新的发展思路。
（5）本研究还存在以下问题：用于验证模型的数据量较少；混凝土的抗压强度预测精度有待进一步提升。未来，将依托更多的施工现场混凝土配合比数据，完善模型，实现更高精度的混凝土抗压强度预测。
参考文献
[1] LIU J,ZHANG B D,LI Y,et al.Modeling and analysis of fiber-reinforced high-performance concrete strength prediction based on nonlinear programming[J].Construction and Building Materials,2022,322(4):304-308.
[2] 严久鑫.混凝土强度快速发展的影响机制研究[D].徐州:中国矿业大学,2021.
[3] 欧阳晖.使用快测法预测混凝土强度试验[J].江西建材,2022(5):68-70,73.
[4] YU D J,GUO H G,WEN Y M.Research on the intensity formula of recycled concrete based on crushed Index[J].Applied Mechanics and Materials,2012,1801(174-177):366-369.
[5] 徐平荣,绳钦柱,张建鹏,等.钻芯修正回弹法检测混凝土强度的分析研究[J].工程质量,2022,40(8):79-83.
[6] 马喜峰.回弹法评定混凝土强度主要影响因素试验研究[J].东北水利水电,2022,40(7):38-40,72.
[7] MAHDI S,MOHAMMAD S M,et al.Prediction of concrete strength in presence of furnace slag and fly ash using hybrid ANN-GA (Artificial Neural Network-Genetic Algorithm)[J].Smart Structures and Systems,2020,25(2):183-195.
[8] 张静,刘向东.混沌粒子群算法优化最小二乘支持向量机的混凝土强度预测[J].吉林大学学报(工学版),2016,46(04):1097-1102.
[9] 徐潇航,胡张莉,刘加平,等.基于机器学习回归模型的三峡大坝混凝土强度预测[J].材料导报,2023(2):1-20.
[10] LI Q F,SONG Z M.High-performance concrete strength prediction based on ensemble learning[J].Construction and Building Materials,2022,324(12):67-80.
[11] 韩斌,吉坤,胡亚飞,等.ANN-PSO-GA模型在湿喷混凝土强度预测及配合比优化中的应用[J].采矿与安全工程学报,2021,38(3):584-591.
[12] 曹斐,周彧,王春晓,等.一种改进的支持向量回归的混凝土强度预测方法[J].硅酸盐通报,2021,40(1):90-97.
[13] AMAN K,HARISH C A,MAZIN A M,et al.An optimized Neuro-Bee algorithm approach to predict the FRP-concrete bond strength of RC beams[J].IEEE Access,2022,10(2169-3536):3790-3806.
[14] 陈旻蔚.基于CGA-LSO-BP神经网络的固废基胶凝材料混凝土强度预测研究[D].邯郸:河北工程大学,2021.
[15] SHASWAT K.Hybrid-based deep belief network model for cement compressive strength prediction[J].The Computer Journal,2019,64(1):909-920.
引用本文
狄飞超,李拔周,李阳.基于RF-SOA-DELM-AdaBoost模型的混凝土抗压强度预测及试验研究[J].混凝土与水泥制品,2025(9):30-34.
DI F C,LI B Z,LI Y.Prediction and experimental study of concrete compressive strength based on the RF-SOA-DELM-AdaBoost model[J].China Concrete and Cement Products,2025(9):30-34.
上一个： 环氧乳液对水泥基修补材料性能的影响
下一个： 基于功能模块化拆分的预制混凝土夹心保温墙板二次成型精益制造工艺研究与应用
相关文件