基于遗传算法和人工神经网络的高性能混凝土劈裂抗拉强度预测文/中国建筑第五工程局有限公司李彪，陆孟杰，左乐，黎伟，邱人大为实现高性能混凝土劈裂抗拉强度的准确预测，提出结合人工神经网络(ANN)和遗传算法(GA)的GA-ANN预测模型。
首先通过遗传算法得到合适的人工神经网络初始权值和阈值，然后在GA-ANN预测模型基础上对数据集进行训练和测试，并利用相关系数误差指标对模型性能进行比较和评估。
所提出的GA-ANN预测模型为高性能混凝土劈裂抗拉强度提供了一种高精度、方便快捷的预测方法。
1 人工神经网络模型与遗传算法人工神经网络（ANN）是由许多单元、节点或神经元组成的网络，如图1所示。
在各网络层神经元个数确定后，神经网络预测能力主要受限于网络层间初始权值和阈值的选取。
考虑到单隐藏层网络在合适的初始权值、阈值下精度即可满足工程精度要求，本文主要聚焦于通过优化算法实现初始权值和阈值的获取。
遗传算法(GA)是一种自适应的启发式搜索算法，属于进化算法的较大部分，是基于自然选择和遗传学的思想。
这些是对提供历史数据的随机搜索的智能利用，以引导搜索进入解决方案空间中的更好性能区域，通常用于生成优化问题和搜索问题的高质量解决方案。
遗传算法优化人工神经网络流程如图2所示。
2 混凝土劈裂抗拉强度预测数据集所使用的数据集样本共714组，每组包括水泥抗压强度、抗拉强度、龄期、碎石最大粒径和细度模数等在内的12个输入变量和1个输出变量（劈裂抗拉强度）。
样本数据集统计特征如表1所示。
表 1 样本数据集统计特征结果与分析将714组样本数据集分为2部分：571组训练集和143组测试集。
在数据训练前，对所有变量进行归一化处理，将每类变量均缩放至［0,1］。
经过模型的不断调整发现，当模型隐藏层神经元个数量选定为8时，模型预测精度最佳。
GA-ANN模型参数设置和网络架构分别如表2、图3所示。
表2 GA-ANN 模型参数设置ANN模型优化前和利用GA优化后的样本训练与测试结果分别如图4，5所示，可以明显发现优化后模型的结果更贴近对角线分布，训练和测试得到的强度结果与实际值间的相关系数R分别为0.986，0.973，明显高于优化前的相关系数。
引入正态分布X～N (μ,σ2)，绘制模型优化前、后误差分布与正态分布曲线分别如图6，7所示。
经过优化后的模型误差正态分布曲线均值μ为-0.08，标准差σ为优化前的1/2，优化后模型误差更集中于0附近。
在式(2)~(4)基础上，计算模型结果误差指标如图8所示，其中测试集的MAE，RMSE，MAPE均减小为优化前的5/14，5/12，5/17，优化后模型预测结果误差显著降低。
3 结语1）模型优化前、后测试集预测结果与实际值间的相关系数由0.911提高至0.973，优化后的模型预测误差指标MAE，RMSE，MAPE分别降低为优化前的5/14，5/12，5/17，表明本文提出的基于遗传算法的人工神经网络模型预测精度较优化前得到较大程度提升。
2）GA-ANN模型预测误差正态分布曲线均值μ为-0.08，基本接近0，标准差σ为优化前的1/2，模型预测精度高。
3）该模型改变了传统劈裂抗拉强度预测以回归拟合得到一个多元显式方程为目的的思路，借助机器学习算法实现了多输入变量与输出变量之间隐式非线性相关关系的映射，模型泛化能力强，进一步验证了GA-ANN模型在高性能混凝土劈裂抗拉强度预测中的实用性和有效性。
4）下一步的研究将致力于通过实验室试验和文献查阅等手段扩充数据集和考虑更多影响因素来进一步提升模型性能。
本文节选自：基于遗传算法和人工神经网络的高性能混凝土劈裂抗拉强度预测（全文刊登于《施工技术（中英文）》2023年第2期）《施工技术》杂志创刊于1958年，多年来，及时追踪报道建设领域的最新技术，以其实用性强、内容丰富的特色，深受工程技术人员的欢迎和好评，发行量在国内建筑领域遥遥领先。
欢迎关注“施工技术”微信公众号及官网http://www.shigongjishu.cn/。