«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:

期数:

2017年06期

页码:

10-14

栏目:

出版日期:

2017-12-15

文章信息/Info

Title:

Selection of concrete compressive strength index based on GA-BP algorithm

作者:

王江荣; 白保琦

兰州石化职业技术学院 信息处理与控制工程学院，兰州730060

Author(s):

WANG Jiangrong;  BAI Baoqi

College of Information Processing and Control Engineering, Lanzhou Petrochemical Polytechnic, Lanzhou 730060,China

关键词:

混凝土抗压强度评定; 遗传算法; BP神经网络; 指标筛选; 支持向量机

Keywords:

compressive strength evaluation of concrete;  genetic algorithm;  BP neural network;  index selection;  support vector machine(SVM)

分类号:

TP18

DOI:

1000-0682（2017）06-0010-05

文献标志码:

A

摘要:

利用遗传算法GA-BP神经网络筛选出最能表征混凝土抗压强度的因素指标，并以选取的因素指标作为输入变量、以抗压强度为输出变量，创建支持向量机(SVM)回归模型，克服了冗余因素指标对模型精度的影响。实例分析表明采用筛选后的指标创建的SVM模型具有较高的精确度，对抗压强度的预测效果优于未经筛选的指标创建的SVM模型，简化了混凝土抗压强度评定的过程，只需考虑少量因素指标就能完成对抗压强度的评定。

Abstract:

Genetic algorithm GA-BP neural network was used to select the factors that best characterize the compressive strength of concrete. The SVM regression model was established by using the selected factor as input variable and compressive strength as output variables,to overcomes the influence of redundant factors on model accuracy. The example shows that the SVM model created by the selected index has high accuracy, and the prediction effect of compressive strength is better than that SVM model without index selection, which simplifies the process of compressive strength evaluation of concrete. only need to consider a few factors to complete the assessment of the compressive strength.

参考文献/References:

[1] 焦继宏,王静.水泥28 d抗压强度的预测[J].粉煤灰综合利用,2001(5):38-40. [2] 朱丽君.影响水泥28 d抗压强度检验结果的误差来源分析[J].中国水泥,2011(9):75-77. [3] 熊静.回弹法评定混凝土抗压强度的主要影响因素及测强曲线的研究[D].广州:华南理工大学,2015. [4] 王志,丁德馨,张志军.支持向量机在混凝土强度预测中的应用研究[J].南华大学学报(自然科学版),2011, 25(1):18-22. [5] 王小川,史峰,郁磊,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013. [6] 吴成刚,韩秦平,李智雄.砂的细度模数与混凝土的强度[J].陕西建筑,2006(4):41-42,40. [7] 史峰,王辉. MATLAB智能算法30个案例分析[M].北京:北京航空航天大学出版社,2012:130-131. [8] 许国根,贾瑛.模式误别与智能计算的MATLAB实现[M].北京:北京航空航天大学出版社,2012.

相似文献/References:

[1]刘若涵,赵振民,赵 杰.基于神经网络与遗传算法的悬臂式掘进机智能控制系统[J].工业仪表与自动化装置,2014,(06):67.
　LIU Ruohan,ZHAO Zhenmin,ZHAO Jie.The boom-type roadheader intelligent control system based on neural network and genetic algorithms[J].Industrial Instrumentation & Automation,2014,(06):67.
[2]梁书立,冯渭春.空间机械手模型参数在轨标定方法研究[J].工业仪表与自动化装置,2017,(02):3.
　LIANG Shuli,FENG Weichun.Research on the on-orbit calibration of space manipulator model parameter[J].Industrial Instrumentation & Automation,2017,(06):3.
[3]李 珣,刘 瑶,周 健,等.基于改进遗传算法的交通信号配时优化模型[J].工业仪表与自动化装置,2017,(04):125.
　LI Xun,LIU Yao,ZHOU Jian,et al.An optimization model of traffic signal cooperative timing based on improved GA[J].Industrial Instrumentation & Automation,2017,(06):125.
[4]刘洪玮.遗传算法在模糊PID交流电机矢量控制系统中的应用[J].工业仪表与自动化装置,2018,(01):120.[doi:1000-0682（2018）01-0000-00]
　LIU Hongwei.Application of algorithm genetic in fuzzy PID vector control system of AC motor[J].Industrial Instrumentation & Automation,2018,(06):120.[doi:1000-0682（2018）01-0000-00]
[5]郭松林,王光辉.基于人工蜂群算法优化采煤机伺服系统PID参数[J].工业仪表与自动化装置,2018,(02):29.[doi:1000-0682（2018）02-0000-00]
　GUO Songlin,WANG Guanghui.Optimization of PID parameters of hydraulic servo system based on artificial bee colony algorithm[J].Industrial Instrumentation & Automation,2018,(06):29.[doi:1000-0682（2018）02-0000-00]
[6]臧春华,张帅杰,苏宝玉.基于最小二乘辨识模型的PID自整定应用研究[J].工业仪表与自动化装置,2021,(05):67.[doi:10.19950/j.cnki.cn61-1121/th.2021.05.015]
　ZANG Chunhua,ZHANG Shuaijie,SU Baoyu.Application research of PID auto-tuning based on least squares identification model[J].Industrial Instrumentation & Automation,2021,(06):67.[doi:10.19950/j.cnki.cn61-1121/th.2021.05.015]
[7]曲晓峰,陈光伟.基于改进支持向量机的抽水蓄能发电机转子绕组接地故障检测方法[J].工业仪表与自动化装置,2023,(01):97.[doi:10.19950/j.cnki.cn61-1121/th.2023.01.019]
　QU Xiaofeng,CHEN Guangwei.Ground fault detection method of pumped storage generator rotor winding based on improved support vector machine[J].Industrial Instrumentation & Automation,2023,(06):97.[doi:10.19950/j.cnki.cn61-1121/th.2023.01.019]
[8]何强鉴,赵 刚,水 星,等.基于GA-SVM优化算法的扒渣机器人逆运动学求解研究[J].工业仪表与自动化装置,2023,(06):64.[doi:DOI:10.19950/j.cnki.cn61-1121/th.2023.06.011]
　HE Qiangjian,ZHAO Gang,SHUI Xing,et al.Inverse kinematics of slag raking robot based on GA-SVM optimization algorithm solving research[J].Industrial Instrumentation & Automation,2023,(06):64.[doi:DOI:10.19950/j.cnki.cn61-1121/th.2023.06.011]
[9]王凯雄.基于遗传改进神经网络的煤矿井下传感器非线性校正方法[J].工业仪表与自动化装置,2024,(04):114.[doi:DOI:10.19950/j.cnki.cn61-1121/th.2024.04.022]
　WANG Kaixiong.A nonlinear correction method for coal mine underground sensors based on genetic improved neural network[J].Industrial Instrumentation & Automation,2024,(06):114.[doi:DOI:10.19950/j.cnki.cn61-1121/th.2024.04.022]

备注/Memo

备注/Memo:

收稿日期：2017-03-09 基金项目：兰州市科学技术局计划项目（兰财建发[2015]85号）；兰州石化职业技术学院科技资助项目（院发〔2015〕69号）；甘肃省科技厅计划项目（1204GKCA004）；甘肃省财政厅专项资金立项资助（甘财教[2013]116号） 作者简介：王江荣（1966），男，甘肃静宁人，硕士，教授，主要从路基沉降、控制理论与应用方面的研究。

常用功能

更新日期/Last Update: 2017-12-01