基于GBDT算法的混凝土叠合面黏结强度预测分析_王建民.pdf

第 26 卷第 2 期2023 年 2 月建筑材料学报JOURNAL OF BUILDING MATERIALSVol.26，No.2Feb.，2023基于GBDT算法的混凝土叠合面黏结强度预测分析王建民1，叶钰蓉1，饶超敏1，卓仁杰2，柳俊哲1，3，*（1.宁波大学 土木与环境工程学院，浙江 宁波 315211；2.电子科技大学 计算机科学与工程学院，四川 成都 611731；3.青岛农业大学 建筑工程学院，山东 青岛 266109）摘要：制备了陶粒轻骨料混凝土与普通混凝土叠合试块，以分组试验数据为小样本，采用端到端的梯度提升决策树（GBDT）集成学习算法，建立了混凝土叠合面处理方式、浇筑间隔时间及法向作用力等输入特征参数与叠合面黏结强度之间的预测模型；并将GBDT模型预测结果与支持向量回归、K近邻回归、决策树和BP神经网络等模型的预测结果进行综合对比.结果表明：GBDT模型预测结果的拟合优度、平均绝对误差和均方根误差均优于其它模型，其测试样本集的平均相对误差明显小于其它模型.所建立的GBDT模型具有较高的准确率，可对混凝土叠合面黏结强度的变化进行满意的预测分析.关键词：叠合混凝土；GBDT算法；黏结性能；黏结强度；陶粒；预测分析中图分类号：TU528.2文献标志码：A doi：10.3969/j.issn.1007-9629.2023.02.006Prediction on Composite Interface Bonding Strength between Ceramsite Lightweight Aggregate Concrete and Normal Concrete Based on GBDT AlgorithmWANG Jianmin1，YE Yurong1，RAO Chaomin1，ZHUO Renjie2，LIU Junzhe1，3，*（1.School of Civil and Environmental Engineering，Ningbo University，Ningbo 315211，China；2.School of Computer Science and Engineering，University of Electronic Science and Technology of China，Chengdu 611731，China；3.School of Architecture Engineering，Qingdao Agricultural University，Qingdao 266109，China）Abstract:By making composite blocks of ceramsite lightweight aggregate concrete（LWAC）and normal concrete（NC），the end-to-end gradient boosting decision tree（GBDT）predicting model was proposed based on the grouping experiment，which correlates composite interface preparing method，casting interval time and normal force on composite interface to bonding strength between LWAC and NC.The results from GBDT bonding strength prediction model are compared with those from the support vector machine regression model，K-nearest neighbor regression model，the decision tree and BP neural network.The comparison shows that the designed GBDT model is more robust than the other four models with superior predictive performance synthetically testified by the goodness of fit，mean absolute error and root mean squared error.In addition，the mean relative error from GBDT prediction for the test samples is obviously smaller than that from the other four models.An effective and satisfactory prediction result can be obtained for the composite interface bonding strength between LWAC and NC from the established GBDT model.Key words:composite concrete；GBDT algorithm；bonding performance；bonding strength；ceramsite；predictive analysis文章编号：1007-9629（2023）02-0150-06收稿日期：2021-12-10；修订日期：2022-01-10基金项目：国家自然科学基金资助项目（51878360，52178223）；宁波市自然科学基金资助项目（202003N4136）第一作者：王建民（1974），男，山西运城人，宁波大学教授，博士生导师，博士.E-mail：通讯作者：柳俊哲（1964），男，黑龙江五常人，青岛农业大学教授，博士生导师，博士.E-mail：第 2期王建民，等：基于 GBDT算法的混凝土叠合面黏结强度预测分析普 通 混 凝 土（NC）与 陶 粒 轻 骨 料 混 凝 土（LWAC）之间的浇筑结合面（叠合面）为叠合构件的薄弱部位.叠合面的黏结强度受两侧混凝土材料性能、浇筑间隔时间、叠合面受力状态和叠合面处理方式等多种因素的综合影响.其中，浇筑间隔时间在较短时间范围内变化时影响较明显，且为非线性变化关系1.在低静水压力情况下，新老混凝土黏结强度与叠合面上法向作用力近似呈线性关系2.针对陶粒轻骨料混凝土和普通混凝土在较短时间间隔内的叠合浇筑，文献 3 在试验分析基础上提出具有内部分层式速度间断面的剪切破坏模型，将叠合浇筑的剪切破坏强度与剪切破坏面及破坏机构的形成、相关材料的特性相关联.考虑上述诸多因素及其相互之间的耦合影响，混凝土叠合面上的黏结强度影响表现为复杂关联的非线性关系.虽然可通过多参数分组组合，采用多因素多水平方法对叠合面黏结强度的变化影响开展试验分析，但有限的分组试验、试验数据的离散性等无法就各因素对黏结强度的变化和影响进行准确的预测分析.BP神经网络（BPNN）已广泛应用于优化混凝土配合比以及预测混凝土性能等方面，并取得了良好的预测效果4-7.但 BPNN作为一种单一学习器，在预测准确率上仍存在一定的局限，模型的可解释性不强，建模时神经元个数和隐含层层数等模型结构参数的选择尚无科学依据，需要从实践中总结经验.机器学习中的其他非线性模型，如随机森林（RF）、自适应提升（AdaBoost）、极端梯度提升（XGB）和梯度提升决策树（GBDT）等，是以决策树（DT）为基本模型的集成学习方法，可将单一学习模型有机结合，形成一个统一模型，从而可获得更准确可靠的预测学习结果.Tuan等8采用 XGB 学习方法根据混凝土材料组成和龄期对其立方体抗压强度进行了准确地预测分析.相比较而言，GBDT作为一种成熟的集成学习算法，将多个回归树模型串联在一起，组成一个强学习器，其基本学习器回归树模型具有效率高、缺失值不明显的特点9，更注重学习模型的精度10，具有高效、预测准确、对原始数据不敏感和可解释性强等优点11-12.热镀力学性能学习模型的预测结果比较表明，GBDT、RF 和 AdaBoost 这 3 种集成学习模型在训练效率、预测精度以及在测试数据上的泛化能力优于 BP 模型13.其中，GBDT 模型的预测精度和泛化能力最好.有关 GBDT 在混凝土材料及其相关领域的预测分析目前尚未见研究和报道.本文设计制作了多组陶粒轻骨料混凝土与普通混凝土叠合试块，对其进行了双面直剪试验；在此基础上，采用 GBDT 算法对叠合面的黏结强度进行建模预测分析；并与支持向量回归（SVR）、K 近邻回归（KNN）、DT和 BPNN这 4种经典模型的预测结果进行了综合对比.1试验样本GBDT 作为端到端的机器学习模型，预测结果依赖于训练样本集规模与样本数据的可靠性等.石运良等14通过试验和数值模拟 2种方式综合获取了样本数据.考虑到数值模拟结果在一定程度上依赖于试验测试结果及数值模型的建立，本文所有样本数据均基于多因素多水平的正交试验.设计制作尺寸为150 mm150 mm150 mm的陶粒轻骨料混凝土与普通混凝土夹层叠合的双面直剪试块，如图1所示.试块浇筑时，先浇筑中间LWAC夹层部分，根据不同间隔时间再浇筑两侧 NC叠合层部分.图 1中 F为叠合面法向作用力，q为试验作用均布荷载.LWAC 和 NC 设计强度等级分别为 LC30、C40.试验所用轻骨料为粉煤灰高强陶粒，筒压强度为8.4 MPa，堆积密度与表观密度分别为988、1 796 kg/m3；普通粗骨料为 515 mm 连续级配的石灰岩碎石，堆积密度与表观密度分别为1 323、2 464 kg/m3；水泥采用海螺牌 P O 42.5普通硅酸盐水泥；细骨料采用淡化后的中细海砂，粉煤灰采用镇海电厂级粉煤灰；采用自来水进行搅拌.LWAC和 NC的配合比及 28 d立方体抗压强度见表1.考虑叠合面法向作用力 F和浇筑间隔时间的变化，叠合面处理方式考虑人工刷毛、粉煤灰砂浆涂刷和露骨料剂处理这 3 种方式.人工刷毛后叠合面平均粗糙程度控制为 23 mm.叠合面法向作用力 F取 0、12.5、25.0、37.5、50.0、75.0、100.0 kN；浇筑间隔图 1双面叠合浇筑试块及试验加载示意图Fig.1Diagram of sandwich composite blocks and loading scheme（size：mm）151建筑材料学报第 26卷时间取 10 h及 2、7、14、28 d.根据多因素多水平正交试验设计，选取具有代表性的参数组合进行 36组试验，具体见表 2.每组试验包含 35个试块，其中包括12块备用试块，结果取平均值.各组试块在实验室标准养护 28 d后按照图 1所示进行双面直剪试验.试验加载采用接触前位移控制、接触后力控制的方式，加载速率取 0.50.8 MPa/s.采用千斤顶对试块分级施加法向荷载.各试块黏结强度如图 2 所示.由图 2 可见，试块黏结强度随法向作用力的变化明显；试块黏结强度前期随浇筑间隔时间的变化明显，当浇筑间隔时间超过 7 d 后，其变化相对平缓.表 1LWAC和 NC的配合比及 28 d立方体抗压强度Table 1Mix proportion and 28 d cubic compressive strength of LWAC and NCConcreteLWACNCMix proportion/(kg m-3)Ceramsite7280Crushed stone01 200Sand495591Cement450410Fly ash8080Water237200Cubic compressive strength(28 d)/MPa31.043.9表 2试验样本分组Table 2Groups of experimental