文献类型：期刊文章

作　　者：李亚冉[1] 肖其远[2] 刘凌晖[2]

LI Yaran;XIAO Qiyuan;LIU Linghui(Department of Civil Engineering,Changzhi Vocational and Technical College,Changzhi 046000,China;School of Civil Engineering,Central South University,Changsha 410075,China)

机构地区：[1]长治职业技术学院土木工程系,山西长治046000 [2]中南大学土木工程学院,湖南长沙410075

出　　处：《材料科学与工程学报》

基　　金：中南大学大型仪器设备共享基金资助项目(CSUZC202118)。

年　　份：2023

卷　　号：41

期　　号：4

起止页码：610-619

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD_E2023_2024、JST、RCCSE、ZGKJHX、核心刊

摘　　要：新拌自密实混凝土(SCC)的工作性能调控对其现场施工乃至后期硬化性能至关重要。为了进一步提高通过初始配合比预测新拌工作性参数的精确度,采用BP神经网络和支持向量回归(SVR)两种常见的机器学习计算模型来分析配合比输入变量与坍落扩展度、L型仪通过率和V型漏斗流出时间的潜在函数关系。在计算前按照60%,20%和20%的比例依次将数据集划分为训练集、验证集和测试集。采用三个机器学习性能评估指标,即决定系数R^(2),均方误差MSE和平均绝对百分比误差MAPE来表征和对比它们的预测精度差异。并且通过敏感性分析研究单一变量的变化对结果的影响趋势。结果表明,支持向量回归SVR模型对SCC坍落扩展度,L型仪通过率和V型漏斗流出时间的预测结果相比BPNN神经网络模型更高。以V型漏斗流出时间参数为例,基于SVR的总体数据集合R^(2),MSE和MAPE值分别为0.9213,0.8602和14.519,高于BP神经网络对应的0.9162,1.1281和18.007。参数敏感性分析结果表明,水泥掺量越高会导致坍落扩展度的减小和L型仪通过率,V型漏斗流出时间的增加。与此同时,水胶比和减水剂掺量的提高则会使得SCC扩展度提高。

关 键 词：自密实混凝土 坍落扩展度 L型仪通过率  V型漏斗  BP神经网络 支持向量回归

分 类 号：TU528]