CN115497574B 一种基于模型融合的hpc抗压强度预测方法和系统 （中交第二航务工程局有限公司）

一种基于模型融合的HPC抗压强度预测方法本发明公开了一种基于模型融合的HPC抗压2S2、对训练完成的第一预测模型和第二预测模型进行复合运算得到HPC抗压强度预测所述步骤S2中，得到HPC抗压强度预测的融合模型的方法包括采用加权平均法对第一所述第一预测模型基于AdaBoost算法对HPC的抗压强度进行预测；所述第二预测模型基于CatBoost算法对HPC的抗压强采用加权平均法对第一预测模型和第二预测模型进行模复合运算时，基于法的第二预测模型的权重大于基于AdaBoost算法的第所述加权平均法中每个预测模型的权重的计算方法包括：通过求w1和w2分别对应第一预测模型和第二预测模型的2.如权利要求1所述的基于模型融合的HPC抗压S3、利用第一算法对所述HPC抗压强度预测的融合模参数的成分含量对HPC抗压强度预测的融合模型输出的HPC抗压3.如权利要求2所述的基于模型融合的HPC抗压4.一种采用权利要求1所述基于模型融合的HPC抗压强度预测方法的基于模型融合的所述模型训练模块用于根据采集的HPC的历史参数数据分别对第一模型和第二模型进所述模型复合运算模块用于对训练完成的第一预测模型和第二预测模型进行复合运算得到HPC抗压强度预测的融合模型，所述HPC抗压强度预测的融合模型输出最终的HPC抗5.如权利要求4所述的基于模型融合的HPC抗压到每一种HPC参数的成分含量对HPC抗压强度预测的融合模型输出的HPC抗压强度的贡献36.如权利要求4所述的基于模型融合的HPC抗压强度复合运算模块中，采用加权平均法对第一预测模型和第二预测模型输出的HPC抗压强度进4[0001]本发明属于大型沉井建造技术领域，具体涉及一种基于模型融合的HPC抗压强度[0005]基于试验法即通过各种试验仪器设备对高性能混凝土材料成型前后的结构进行5[0009]实现本发明目的之一的一种基于模型融合的HPC抗压强度预测方法，包括如下步[0010]S1、根据采集的HPC的历史参数数据分别对第一预测模型和第二预测模型进行训[0011]S2、对训练完成的第一预测模型和第二预测模型进行复合运算得到HPC抗压强度HPC参数的成分含量对HPC抗压强度预测的融合模型输出的HPC抗压强度的贡献值；所述贡献值用于度量HPC的各成分含量对HPC的抗压强度的预测值是否具有增强HPC抗压强度的效[0027]YER为特征j的特征归因ShapleyValue，即第j个参数对HPC抗压强度预测的[0028]Ψ0为HPC抗压强度预测的融合模型的平均预测结果，即抗压强度预测结果的均6[0030]SHAP全局特征重要性即为每个特征的ShapleyValue绝对值求和的平均，即[0041]yia为第i条样本对应的混凝土实际抗压强度；[0042]为HPC抗压强度预测的融合模型H(x)对第i条样本的混凝土抗压强度输[0049]进一步的技术方案包括：所述第一预测模型基于AdaBoost算法对HPC的抗压强度[0050]进一步的技术方案包括：所述第二预测模型基于CatBoost算法对HPC的抗压强度7参数包括棵树和深度，对超参数调优后得到调优后的用于预测HPC抗压强度的第一预测模[0053]AdaBoost模型和CatBoost模型都是基于树的集成模型，二者的基模型都是树的棵树就是DecisionTree树的个数；AdaBoost模型的深度和CatBoost模型的深度就是AdaBoost模型的层数和CatBoost[0054]进一步的技术方案包括：步骤S1中还包括对采集的HPC的历史参数数据通过特征征构造方式即结合工程经验对不同的混凝土参数进行数学计算得到不同的混凝土参数的[0055]实现本发明目的之二的一种基于模型融合的HPC抗压强度预测系统，包括模型训[0056]所述模型训练模块用于根据采集的HPC的历史参数数据分别对第一模型和第二模[0057]所述模型复合运算模块用于对训练完成的用于预测HPC抗压强度的第一预测模型抗压强度预测的融合模型输出最终的HPC抗压强度的异常值进行检测；所述异常值检测的方法包括采用基于K_Means++聚类与孤立森林相结合8为性太强的问题。基于K_Means++算法进行数据聚类分析能极大提升孤立森林算法的检测[0073](1)采用了基于集成学习的方式建立混凝土抗压强度预测模型，并进一步对集成做出的包含有本发明权利要求书技术方案而不同于下列具体实施方式的也是本发明的保9[0088]同时，将每个样本所对应的实际抗压强度作为目标变量y,从而构建实验数据集同时了解数据分布情况。对缺失值较少(10％以内)且对应特征极值相差不大的特征变量，线图boxplot用于异常值处理前后的效果对比与处理效益的确认；本实施例所采用的是基于K_Means++聚类算法+孤立森林的异常值检测，K_Means++算法通过将初始质心放置在远[0101]由于步骤1中所采集得到的原始数据集中仅包含了组成HPyia为第i示为基于AdaBoost算法的第一预测模型在测试集上的拟合效果图。从图中可看出，基于CatBoost算法的第二预测模型对抗压强度的预测效果明显优于基于AdaBoost算法的第一用加权平均法对CatBoost模型与AdaBoost模型进行模型融合，并在融合过程中赋予了[0122]将基于AdaBoost算法的第一预测模型与基于CatBoost算法的第二预测模型作为[0127]T：表示要进行模型融合的基模型个数，本实施例中的基模型为AdaBoost与[0134]yia为第i条样本对应的混凝土实际抗压强度；[0158]为特征j的特征归因ShapleyValue，即第j个参[0159]Ψ0为待解释的模型g平均预测结果，本实施例中即HPC抗压强度预测的融合模型[0161]SHAP全局特征重要性即为每个特征的ShapleyValue绝对值求和的平均，即其中，本实施例利用SHAP算法进行模型可解释性分析的部分图表示例的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限[0166]模型训练模块用于根据采集的HPC的历史参数数据分别对第一模型和第二模型进[0167]模型复合运算模块用于对训练完成的用于预测HPC抗压强度的第一预测模型和第强度预测的融合模型输出最终的HPC抗压强[0168]模型复合运算模块中，采用加权平均法对第一预测模型和第二预测模型输出的