数据挖掘及神经网络在土木工程中的应用

Performance Evaluation
III
重庆大学硕士学位论文
1
绪
论
1
1.1 选题意义
绪 论
土木工程中，混凝土以其在性能、施工、经济等方面的显著优点成为最广泛应 用的人工材料，其结构也由此成为重要的建筑结构形式。有专家预计，在 21 世纪 土木工程中，混凝土仍然是主要材料，即混凝土还将长期服务于世界。 混凝土是土木工程中的重要建筑材料，其强度、耐久性等性能直接影响着建 筑物的安全性和使用性能。随着人口爆炸、生产发展，资源枯竭、环境破坏尤为 严重，地球承受的负担剧增，人类的生存受到严重的威胁。20 世纪 90 年代起，新 的混凝土原材料出现(作为混凝土主要原材料的水泥和外加剂的品种和产量增长 非常快)，促使了混凝土新品种、新技术的科研与应用的蓬勃发展，混凝土正向着 高强度、大流动性、高耐久性即高性能混凝土的方向发展。 “高性能混凝土是一种新型高技术混凝土，是在大幅度提高普通混凝土性能 的基础上，采用现代混凝土技术，选用优质原材料，在严格的质量管理条件下制 成的；除了水泥、水、集料以外，必须掺加足够数量的细掺料与高效外加剂；高 性能混凝土应重点保证下列诸性能：耐久性、工作性、各种力学性能、适用性、 体积稳定性以及经济合理性” ［1］ 。 高性能混凝土相对于普通混凝土的优点主要体现在以下几个方面：(1)工作性 好，新拌混凝土的工作性是指拌和物在搅拌、运输、浇筑等过程中能保持均匀、 密实而不分层离析的性能； (2)抗压强度高， 高强是高性能混凝土的重要特征之一。 混凝土强度的提高，可以使相同截面尺寸的构件的承载力大幅增加，而在相同的 荷载下则可使构件的截面减少，对于结构物来说，减小截面尺寸意味着降低结构 自重，从而减轻地基基础的负荷。同时，减小截面尺寸对房屋建筑来说还可以增 加使用面积和有效空间，如深圳鸿昌广场［2］ ，原设计用 C40 混凝土，改用 C60 混 凝土后，增加使用面积达 1060 平方米，经济效益十分明显，并可使建筑物的感观 大大改善。对桥梁建筑来说可以增加桥下净空或降低两岸路堤标高，对地下建筑 来说可以减小岩土开挖量，等等。(3)耐久性优异，高性能混凝土具有优良的抗渗 性、抗冻性、抗磨性以及对盐类和化学物质的抗侵蚀能力；(4)方便施工，在工程 中同时使用不同强度的混凝土，可以尽量统一构件尺寸，为划一施工模板提供了 条件。 高性能混凝土不仅在性能上对传统混凝土有很大突破，而且在节约能源、资 源、改善劳动条件，尤其是环境方面有着十分重要的意义，是一种可持续发展的 绿色材料。由于高性能混凝土在土木工程中独特的优越性，如在工程安全使用、 经济合理性、环境条件的适应性等方面的明显效益，而被各国学者所接受，被认
重庆大学 硕士学位论文 数据挖掘及神经网络在土木工程中的应用 姓名：潘华 申请学位级别：硕士 专业：计算机技术 指导教师：杨小帆;李本强 20051001
重庆大学硕士学位论文
中文摘要
摘
要
数据挖掘就是从大量不完全的、有噪声的、模糊的、随机的实际数据中发现 隐含的、事先未知的潜在有用的并且最终可理解的信息和知识的过程。而神经网 络是数据挖掘常用的工具。本文旨在研究如何将数据挖掘技术及神经网络应用于 土木工程。 神经网络训练误差值的选取是一个具有挑战性的问题。目前多数处理这个问 题的方法，是通过简单的试算法。结合土木工程应用，考虑训练样本的随机特性， 本文提出了一个新的选取训练误差初始值的方法。该方法由实测值求出相应的真 值置信区间，若训练误差的取值使得网络预测值落在真值置信区间内就可以认为 此时的训练学习反映了网络输出变量的真值情况，学习就可以结束。此时允许训 练误差大小为真值置信区间长度的二分之一。试验结果表明该方法能减少神经网 络的训练时间。 过去，对神经网络预测结果的评价广泛采用相对误差方法。对于有随机因素 影响的样本数据，该方法已经不再适用。于是，本文对此进行了深入研究，以数 理统计理论为基础，提出了适合随机问题的评价方法。该方法定义了模型预测的 正确率这一概念，进一步由正确率导出模型预测结果正确的概率，以此来评价模 型预测结果的可靠性。土木工程实际应用结果表明，该方法是可行的，评价结论 更贴近工程实际。 最后，针对在高性能混凝土配制方面的应用，利用可视化编程语言 Delphi 编 制了应用软件，软件具有数据管理、网络训练、网络检验、性能预测和成本计算 等功能。实际测试表明，软件达到了实用要求，具有工程实用价值。从而提高了 高性能混凝土的生产效率。 总之，本文从数据挖掘基本思想出发，在考虑有随机因素影响的条件下，对 挖掘模型的训练及预测结果的评价方法进行了研究，提出了相应的分析计算方法。 并成功地应用于土木工程。 关键词：数据挖掘，神经网络，统计学，训练误差，性能评价
Iபைடு நூலகம்
重庆大学硕士学位论文
英文摘要
ABSTRACT
Data mining (DM) aims at drawing implied and useful information/knowledge from massive incomplete, noisy, blurry, and stochastic real data; while neural network is a frequently used tool for DM. This thesis addresses how to apply the DM technique and neural network to civil engineering. The choice of the value of the training error of a neural network is a challenging problem. To our knowledge, the majority of existing methods for this problem are based on the simple trial process. With application to civil engineering, this thesis advises a new method for determining the training error of a neural network by taking into account the stochastic characteristic of the training samples. In this method, the confident interval of true value corresponding with actual measured value is calculated. As for a certain value of the training error, if the predicted value of a neural network model lies in true value confident interval, it is believed that the true value of a neural network output variable be obtained, and the training process of a neural network is over. Thus, an initial value of the training error can be determined, and it is half the confident interval of true value. Experimental results show that the proposed method can decrease the time overhead required by the training of a neural network. In the past, the predicted results produced by neural network models were often evaluated by using the relative error has been widely applied to this problem. But it is no longer fitted for random training samples. Therefore, based on mathematics statistics theory, this thesis presents a new evaluation method for evaluating these predicted results by introducing the notion of the correction rate of prediction. Then, the confident interval of correction rate of the predictions is deduced. Indeed, it can give an indication as to the likely future of a neural network model. When applied to civil engineering, experimental results justify that this evaluation method is useful, and its conclusion is close to engineering actualities. A set of software for high performance concrete fabrication is also developed with Delphi. enhance the production efficiency of high performance concrete fabrication. The software supplies some important fuction blocks, such as data management, neural network training, neural network chocking, performance predicting and costs calculating. A practical test show that the software is actually useful, and has engineering value, and it can enhance the production efficiency of high performance