基于支持向量機的建筑工程混凝土質量可靠性分析

侍莘莘 （合肥熱電集團有限公司，安徽 合肥 230031）

0 引言

混凝土質量檢測是建筑工程檢測過程中的重要一環，應當予以充分的技術支持。但是，在實際的混凝土質量檢測過程中會受到很多因素的影響，例如環境因素、人為因素等，這些因素都有可能會對混凝土質量檢測造成一定程度的影響[1-3]。因此，混凝土質量檢測十分重要，所以針對如何提升質量檢測的準確性有以下三點重要意義。一是混凝土質量檢測可以對混凝土的質量進行精準的、全面的檢查，同時又可以通過全面地分析得到準確的數據，從而為工作人員更精準地進行混凝土配比提供依據；二是通過混凝土質量檢測可以進一步控制工程成本，由于將配比進行優化之后，減少了材料的浪費，進而降低了成本投入；三是混凝土質量檢測可以提高建筑工程的安全性能，減少事故的發生，對于保障工程的安全也具有重大意義。

現階段已經形成了有關混凝土的相關標準和使用規范，首先是因為混凝土是否達標直接關系到整個工程的持久性和安全性[4-6]；其次是因為建筑工程是較為普遍的，形成一套完整、系統的標準也有利于未來混凝土的配比；最后是一套標準可以有效地降低成本，減少不必要的浪費。在具體應用中，混凝土的質量也是衡量工程質量是否達標的重要指標。越來越多的學者意識到了混凝土的重要性，因此展開了更加深入的研究。同時，為提升國內的建造水平并和國際接軌，更要加強研究。隨著時代的發展以及技術的不斷更新，人工智能的使用范圍逐漸變大，在混凝土配比的領域中也有所涉及。因此，人工智能技術在混凝土配比作業中建立的混凝土性能模型要比優化算法建立的模型更加精準、成本低且性價比更高，可以更精細化地完成配比工作。

1 項目概況

項目總建筑面積約為200516.10 m2，其中地上部分為157891.18m2，地下部分為46544.86m2。工程地面上主要由5棟高層住宅，2棟商業組成。8#樓西單元、9#樓東單元為34 層高層住宅樓，建筑高度為109.45m；8#樓東單元、9#樓西單元為27層高層住宅樓，建筑高度為96.70m；10#樓、11#樓為17 層住宅樓，建筑高度為56.70m；12#樓東單元為23 層住宅樓，建筑高度為79.30m，西單元為24 層住宅樓，建筑高度為82.20m；13#樓、14#樓為4層商業樓，建筑高度為23.00～25.20m。地下為兩層，層高為3.60m，防水等級一級，耐火等級一級，抗震設防烈度為6 度，結構安全等級二級，地基基礎設計等級甲級。此項目工程所需要的混凝土都是商品混凝土，并利用泵送設備進行施工。

2 混凝土的力學性能試驗

2.1 混凝土制備

根據《普通混凝土力學性能試驗方法標準》（GB/T 2558-2020）進行操作，依據抗壓強度、抗折強度、劈裂強度測得的數據來評定混凝土的力學性能，再生混凝土性能的影響因素較多，根據混凝土配合比設計要求，混凝土力學性能影響因素主要包括水泥、粉煤灰、碎石、細骨料、減水劑、水量，這幾種常用的組成材料的樣本數據見表1。

表1 組成材料的樣本數據(單位：kg/m3)

將150mm×150mm×150mm 的立方體作為標準試塊，把已經配比好的混凝土裝到里面，并計算25L 的混凝土需要的材料量。在完成所有的材料稱重之后，按照標準依次投放進攪拌機，在完成攪拌作業之后將其倒出，最后形成模具。試驗主要設備見圖1，試驗主要過程見圖2。先進行坍塌度的測試，然后再次將其倒進試模當中進行下一步工作，并在適宜的環境中進行保存。傳統的混凝土配比需要進行多次，才能試驗出適合施工的配比，這也就意味著需要耗費大量的人力、物力，造成浪費[7-8]。

圖1 試驗主要設備

圖2 試驗主要過程

2.2 實驗結果

抗壓強度試驗結果如圖3 所示，最大值為46.7MPa、最小值為38.9MPa；坍落度試驗結果如圖4 所示，最大值為19.6mm、最小值為18.1mm。根據水泥、粉煤灰、碎石、細骨料、減水劑、水量幾個參數的配比，發現水泥與碎石的數值對抗壓強度的影響最為明顯，其次是粉煤灰與細骨料。

圖3 抗壓強度試驗結果

圖4 坍落度試驗結果

3 支持向量機的理論基礎

3.1 支持向量機的原理

支持向量機（SVM）是基于應用統計學習理論的學習算法，處理小樣本數據分類和相關的回歸問題[9-10]。它主要是通過建立一個最優分類超平面，將輸入空間中的不可分樣本（無論是線性或者是非線性的樣本）分開，如圖5所示。

圖5 最優分類超平面

最優分類超平面公式：

式中：w為權重；b為偏差。

原樣本空間就可以分為兩類樣本，其公式表示為：

式中：yi∈[-1,1]，為輸入參數。

但樣本可能存在誤差，為了校正存在的偏差，可以引入松弛變量εi和懲罰因子C，進而超平面的約束表示為：

Lagrangian 乘子為參數αi，轉換為對偶問題，即：

根據Kuhn-Tucker 條件，αi必須滿足αi[yi(wφ(xi)+b) - 1 +εi= 0]，當αi≠0 時，樣本為支持向量。最后得到最優分類函數：

式中：m為支持向量的個數；K(x,xi)=φT(x)為核函數。

3.2 支持向量機核函數的選擇

在支持向量機分類中，核函數的選擇非常重要。核函數的主要功能是對樣本數據通過相關的處理進行分類。本文選擇的核函數為徑向基函數（RBF），此核函數計算速度快、訓練簡單。

式中：u、v分別為數據集的兩個樣本；γ是核函數的系數。

3.3 支持向量機的基本流程

支持向量機的基本流程如圖6 所示。

圖6 基本流程

支持向量機的步驟如下：確定混凝土分析模型的輸入和輸出向量，并針對樣本數據的特性及實際需求，將樣本分為訓練集和測試集；創建支持向量混凝土質量分析模型，得到相應的分類模型，在同一工況條件下確定模型參數；利用訓練好的分類模型，對待測試的樣本進行測試；結果分析。

4 基于支持向量機的建筑工程混凝土質量可靠性預測

混凝土的制作過程中，影響其運行安全性的因素眾多，經過綜合考慮選取對混凝土質量比較重要的性能參數（即水泥、粉煤灰、碎石、細骨料、減水劑、水量）作為輸入量，輸出量選擇抗壓強度與坍落度。在MATLAB 工具箱，利用改進的網格搜索法對SVM 懲罰參數C、核函數參數γ 尋優，這樣可以減小尋優所花費的時間。參數的尋優范圍為（2-15，215），經過優化選擇后最終得到SVM 最優懲罰參數C=24.5634、γ=0.22067，尋優準確率為96.0387%。利用支持向量機的建筑工程混凝土預測模型，通過對10組樣本進行訓練，對另外的15組數據進行測試，為了保證訓練樣本的收斂，對其進行歸一化處理。本次對樣本數據中16～25 號樣本進行訓練，對1～15 號樣本進行預測和驗證。預測模型結果與試驗值對比結果如圖7、圖8所示。通過對比支持向量機與試驗結果絕對誤差數據，最大誤差沒有超過5%，誤差相對較小，準確率較高，模型相對穩定，算法更簡潔、方便、實用。

圖7 抗壓強度預測模型結果與試驗值對比

圖8 坍落度預測模型結果與試驗值對比

5 結論

具有良好的力學性能以及耐久性是優質混凝土的重要性能，也是未來混凝土改良的方向。在實際的工程施工中，混凝土質量能否符合施工標準是極其重要的?，F階段測量已經投入生產的高性能混凝土的強度成本較高，所以成本低且精準地測量出其強度是非常有必要的。本文通過支持向量機對試驗測得樣本數據進行混凝土的質量可靠性訓練、驗證和測試，預測正確率能達到95%。