[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)的瀝青動態(tài)黏彈特性預(yù)測方法有效
| 申請?zhí)枺?/td> | 202110975355.2 | 申請日: | 2021-08-24 |
| 公開(公告)號: | CN113533133B | 公開(公告)日: | 2022-02-15 |
| 發(fā)明(設(shè)計(jì))人: | 單麗巖;王亞杰;楊金龍;王建杰 | 申請(專利權(quán))人: | 哈爾濱工業(yè)大學(xué) |
| 主分類號: | G01N11/00 | 分類號: | G01N11/00;G01N21/35;G06K9/62;G06N20/00 |
| 代理公司: | 哈爾濱龍科專利代理有限公司 23206 | 代理人: | 李智慧 |
| 地址: | 150001 黑龍*** | 國省代碼: | 黑龍江;23 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 機(jī)器 學(xué)習(xí) 瀝青 動態(tài) 特性 預(yù)測 方法 | ||
1.一種基于機(jī)器學(xué)習(xí)的瀝青動態(tài)黏彈特性預(yù)測方法,其特征在于所述方法包括如下步驟:
步驟一:采用動態(tài)剪切流變儀、元素分析儀、紅外光譜儀對不同瀝青樣本進(jìn)行測試,建立基于CAM模型的動態(tài)模量主曲線,獲取樣本的元素含量及紅外光譜曲線;
步驟二:選擇各個樣本的動態(tài)模量主曲線移位因子參數(shù)C1、C2,形狀參數(shù)k、me,玻璃態(tài)動態(tài)模量Gg,以及交叉頻率fc構(gòu)建宏觀特征參數(shù)數(shù)據(jù)集,選擇各個樣本的C、H、N、S、O元素含量,C/H與C/N及紅外光譜特征峰峰高與峰面積構(gòu)建微觀特征參數(shù)數(shù)據(jù)集;
步驟三:利用均值化方法對數(shù)據(jù)集數(shù)據(jù)進(jìn)行去量綱處理,計(jì)算經(jīng)均值化處理后數(shù)據(jù)的方差;
步驟四:計(jì)算步驟三得到的微觀特征參數(shù)的Pearson相關(guān)系數(shù),基于主成分分析對選取的具有較大Pearson相關(guān)系數(shù)的微觀特征參數(shù)進(jìn)行降維,替換為較少的新特征參數(shù)V1、V2…;
步驟五:計(jì)算步驟二選取的動態(tài)模量主曲線擬合參數(shù)與步驟四處理后的微觀特征參數(shù)間的距離相關(guān)系數(shù),確定與動態(tài)模量主曲線擬合參數(shù)有較大相關(guān)性的微觀特征參數(shù)為模型輸入變量,并以此組建一一對應(yīng)的新的宏微觀數(shù)據(jù)集;
步驟六:將步驟五組建的數(shù)據(jù)集按照9:1的比例劃分成訓(xùn)練集與測試集,選擇適當(dāng)?shù)暮撕瘮?shù)類型搭建基于支持向量機(jī)的瀝青動態(tài)黏彈特性預(yù)測模型,基于訓(xùn)練集數(shù)據(jù)進(jìn)行瀝青動態(tài)黏彈特性預(yù)測模型訓(xùn)練,并借助網(wǎng)格搜索法和交叉驗(yàn)證法優(yōu)化模型參數(shù);
步驟七:基于測試集數(shù)據(jù)檢驗(yàn)步驟六中訓(xùn)練好的瀝青動態(tài)黏彈特性預(yù)測模型,以平均絕對百分比誤差測試瀝青動態(tài)黏彈特性預(yù)測模型的準(zhǔn)確性。
2.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的瀝青動態(tài)黏彈特性預(yù)測方法,其特征在于所述步驟一中,所測試的不同瀝青樣本包括:不同標(biāo)號的瀝青、不同油源的瀝青、摻加不同改性劑的瀝青、是否經(jīng)過老化的瀝青中的幾種。
3.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的瀝青動態(tài)黏彈特性預(yù)測方法,其特征在于所述步驟三中,均值化方法的公式如下:
其中,x′i為特征參數(shù)去量綱后的值,xi為特征參數(shù)原始值,為特征參數(shù)對應(yīng)所有樣本下的均值。
4.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的瀝青動態(tài)黏彈特性預(yù)測方法,其特征在于所述步驟六中,支持向量機(jī)將輸入空間的變量x,y映射至高維特征空間中,在高維空間找出變量之間的非線性關(guān)系,從而找到一個最優(yōu)函數(shù)f(x),f(x)的公式如下:
其中,xi·x為核函數(shù),αi、b為模型參數(shù)。
5.根據(jù)權(quán)利要求4所述的基于機(jī)器學(xué)習(xí)的瀝青動態(tài)黏彈特性預(yù)測方法,其特征在于所述核函數(shù)類型包括:線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯核函數(shù)、sigmoid核函數(shù)中的一種。
6.根據(jù)權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的瀝青動態(tài)黏彈特性預(yù)測方法,其特征在于所述步驟七中,平均絕對百分比誤差的公式為:
其中,yi為測試值,f(xi)為預(yù)測值。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于哈爾濱工業(yè)大學(xué),未經(jīng)哈爾濱工業(yè)大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110975355.2/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 上一篇:一種防誤擊發(fā)的電動腔鏡吻合器
- 下一篇:一種血管夾
- 根據(jù)用戶學(xué)習(xí)效果動態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個人化學(xué)習(xí)服務(wù)的方法
- 漸進(jìn)式學(xué)習(xí)管理方法及漸進(jìn)式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲介質(zhì)
- 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)移動學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲介質(zhì)
- 游戲?qū)W習(xí)效果評測方法及系統(tǒng)





