本发明涉及数据处理，特别涉及一种预测混凝土极限应变特征的处理方法和装置。
背景技术：
1、钢筋混凝土构件(简称混凝土构件)在受压实验过程中实测的应力-应变曲线上存在一个极限应力点，该极限应力点对应的应变值称为极限应变值εccu。由混凝土构件的受压力学模型可知该极限应变值与一系列混凝土构件的设计参数有关，这些设计参数常见的有箍筋短轴尺寸、箍筋长轴尺寸、箍筋截面面积、箍筋截面惯性矩、箍筋外形编码、箍筋间距、箍筋配筋率、箍筋强度、箍筋肢数、混凝土强度、截面尺寸、混凝土保护层厚度、构件纵向尺寸、构件高宽比、构件截面形状、纵筋强度、纵筋配筋率、配箍特征值和配筋特征值等。常规情况下要获得某个混凝土构件的极限应变值要么使用带有建模和模拟功能的力学模拟软件对构件进行三维建模并基于三维模型进行受压模拟分析从而得到对应的极限应变值，要么通过受压实验的实际测量信息获得极限应变值。通过实践我们发现这两种常规处理方式每获得一个混凝土构件的极限应变值都要消耗大量的模拟计算时间和实验时间、存在单次处理效率低下的问题，基于这两种常规处理方式很显然是无法对批量混凝土构件的极限应变值进行快速获取的。
技术实现思路
1、本发明的目的，就是针对现有技术的缺陷，提供一种预测混凝土极限应变特征的处理方法、装置、电子设备及计算机可读存储介质。本发明先基于反向传播(backpropagation，bp)网络构建混凝土极限应变特征预测模型，并通过对多个混凝土厂家数据源和多个建筑行业文献数据源进行数据采集构建数据集；然后使用遗传(geneticalgorithm，ga)算法根据数据集对预测模型进行第一轮训练，并使用模型参数优化器根据数据集对各个第一轮模型进行第二轮训练，并基于数据集对各个第二轮模型进行性能评估，并基于评估值最高的第二轮模型的模型参数对第一预测模型进行模型参数固化；最后，在完成模型参数固化后基于第一预测模型处理批量预测任务。通过本发明提供的预测模型来处理极限应变值的数据获取任务，可以提高单件/批量任务的处理效率。
2、为实现上述目的，本发明实施例第一方面提供了一种预测混凝土极限应变特征的处理方法，所述方法包括：
3、基于bp网络构建混凝土极限应变特征预测模型作为对应的第一预测模型；
4、通过对多个混凝土厂家数据源和多个建筑行业文献数据源进行数据采集构建对应的第一数据集；
5、使用ga算法根据所述第一数据集对所述第一预测模型进行第一轮训练得到多个第一轮模型；并使用预设的模型参数优化器根据所述第一数据集对各个所述第一轮模型进行第二轮训练得到对应的第二轮模型；并基于所述第一数据集对各个所述第二轮模型进行性能评估得到对应的第一评估值；并基于所述第一评估值最高的所述第二轮模型的模型参数对所述第一预测模型进行模型参数固化；
6、完成模型参数固化后基于所述第一预测模型处理批量预测任务。
7、优选的，所述第一预测模型用于根据模型输入的归一化参数向量x对混凝土构件的极限应变特征进行预测并输出对应的归一化预测值y；
8、所述归一化参数向量x的向量长度为19，由十九类归一化参数组成；所述十九类归一化参数包括归一化箍筋短轴尺寸、归一化箍筋长轴尺寸、归一化箍筋截面面积、归一化箍筋截面惯性矩、归一化箍筋外形编码、归一化箍筋间距、归一化箍筋配筋率、归一化箍筋强度、归一化箍筋肢数、归一化混凝土强度、归一化截面尺寸、归一化混凝土保护层厚度、归一化构件纵向尺寸、归一化构件高宽比、归一化构件截面形状、归一化纵筋强度、归一化纵筋配筋率、归一化配箍特征值和归一化配筋特征值；
9、所述归一化预测值y为一个归一化的极限应变值；
10、所述第一预测模型包括第一输入层、第一隐藏层和第一输出层；所述第一预测模型中所述第一隐藏层与所述第一输出层使用的神经元传递函数均为sigmoid激活函数；
11、所述第一输入层由十九个并列的输入层神经元组成；所述输入层神经元与所述归一化参数向量x中的所述归一化参数一一对应；
12、所述第一输入层的各个所述输入层神经元用于接收所述归一化参数向量x中对应的所述归一化参数作为对应的神经元输入值；
13、所述第一隐藏层由多个并列的隐藏层神经元组成，每个所述隐藏层神经元与所有所述输入层神经元全连接；
14、所述第一隐藏层的各个所述隐藏层神经元用于对与自身连接的所有所述输入层神经元的所述神经元输入值进行全连接计算生成对应的第一全连接向量、并基于sigmoid激活函数对所述第一全连接向量进行激活运算得到对应的第一激活向量；
15、所述第一输出层只有一个输出层神经元，所述输出层神经元与所有所述隐藏层神经元全连接；
16、所述第一输出层的所述输出层神经元用于对与自身连接的所有所述隐藏层神经元的所述第一激活向量进行全连接计算生成对应的第二全连接向量、并基于sigmoid激活函数对所述第二全连接向量进行激活运算并将运算结果作为对应的所述归一化预测值y输出。
17、优选的，所述建筑行业文献数据源包括建筑行业的期刊论文、著作、研究报告、专利和标准规范；
18、所述第一数据集包括多个第一数据记录；所述第一数据记录包括第一训练参数向量和第一标签预测值；所述第一训练参数向量与所述归一化参数向量x的数据结构相同、也是由十九个所述归一化参数组成；所述第一标签预测值与所述归一化预测值y的数据含义相同、也是一个归一化的极限应变值；
19、所述模型参数优化器包括adam优化器。
20、优选的，所述通过对多个混凝土厂家数据源和多个建筑行业文献数据源进行数据采集构建对应的第一数据集，具体包括：
21、从多个所述混凝土厂家数据源处获得多个第一混凝土构件受压实验报告；并从多个所述建筑行业文献数据源处获得多个第一行业文献；
22、并对所有所述第一混凝土构件受压实验报告和所有所述第一行业文献进行混凝土构件设计参数与对应的构件实验测量极限应变值检索得到对应的多个第一检索记录；所述第一检索记录包括第一构件类型、第一构件设计参数组和第一实验测量极限应变值；所述第一构件类型包括第一、第二、第三和第四类型；所述第一类型对应的混凝土构件类型为既有箍筋又有纵筋的混凝土构件；所述第二类型对应的混凝土构件类型为只有箍筋没有纵筋的混凝土构件；所述第三类型对应的混凝土构件类型为只有纵筋没有箍筋的混凝土构件；所述第四类型对应的混凝土构件类型为既没有箍筋也没有纵筋的混凝土构件；所述第一构件类型为第一类型的所述第一检索记录的记录数量最多，所述第一构件类型为第二类型的所述第一检索记录的记录数量次之，所述第一构件类型为第三类型的所述第一检索记录的记录数量再次，所述第一构件类型为第四类型的所述第一检索记录的记录数量最少；所述第一构件设计参数组由十九类未做归一化的原始参数组成；所述十九类未做归一化的原始参数包括箍筋短轴尺寸、箍筋长轴尺寸、箍筋截面面积、箍筋截面惯性矩、箍筋外形编码、箍筋间距、箍筋配筋率、箍筋强度、箍筋肢数、混凝土强度、截面尺寸、混凝土保护层厚度、构件纵向尺寸、构件高宽比、构件截面形状、纵筋强度、纵筋配筋率、配箍特征值和配筋特征值；所述第一实验测量极限应变值为一个未作归一化的极限应变值；
23、对所有所述第一检索记录进行遍历；并在遍历时，将当前遍历的所述第一检索记录作为对应的当前检索记录；并对所述当前检索记录的所述十九类未做归一化的原始参数分别进行归一化处理得到一组对应的所述十九类归一化参数组成一个对应的所述第一训练参数向量；并对所述当前检索记录的所述第一实验测量极限应变值进行归一化处理得到对应的所述第一标签预测值；并由所述当前检索记录对应的所述第一训练参数向量和所述第一标签预测值组成一个对应的所述第一数据记录；并在遍历结束时，由得到的所有所述第一数据记录组成对应的所述第一数据集。
24、优选的，所述使用ga算法根据所述第一数据集对所述第一预测模型进行第一轮训练得到多个第一轮模型，具体包括：
25、步骤501，将所述第一预测模型的输入层神经元总数nin设为19、输出层神经元总数nout设为1，并基于得到由多个隐藏层神经元总数nhid组成的隐藏层神经元总数范围；
26、其中，fint()为向下取整函数，△n的取值范围为[0,n0-1]，预设数量n0为一个大于1的整数；所述隐藏层神经元总数范围中所述隐藏层神经元总数nhid的总数与所述预设数量n0匹配；
27、步骤502，基于预设的第一提取比例从所述第一数据集中随机提取出多个所述第一数据记录组成对应的第二数据集；
28、其中，所述第一提取比例为一个小于1的百分比；所述第一数据集的记录总数与所述第一提取比例的乘积和所述第二数据集的记录总数匹配；
29、步骤503，基于各个所述隐藏层神经元总数nhid对所述第一预测模型的所述第一隐藏层的形状进行设置得到对应的第一个体模型；并对各个所述第一个体模型的模型参数集进行初始化；并基于各个所述第一个体模型的当前模型参数集进行实数向量转换得到对应的第一个体参数向量；并为各个所述第一个体模型设置一个对应的第一个体误差，并将各个所述第一个体误差初始化为1；并将一轮迭代计数器初始化为1；
30、其中，所述第一个体模型的总数与所述预设数量n0匹配；
31、步骤504，将各个所述第一个体模型作为对应的当前个体模型；并对所述第二数据集的所有所述第一数据记录进行遍历；并在遍历时将当前遍历的所述第一数据记录作为对应的当前数据记录；并将所述当前数据记录的所述第一训练参数向量输入所述当前个体模型进行预测处理得到对应的第一训练预测值；并由所述第一训练预测值和所述当前数据记录的所述第一标签预测值组成一个对应的第一预测标签对；并在本次遍历结束时，将所述当前个体模型对应的所有所述第一预测标签对带入预设的第一误差函数进行误差计算得到对应的第一误差值，并将所述当前个体模型对应的所述第一个体误差重置为对应的所述第一误差值；
32、其中，所述第一误差函数为均方误差函数；
33、步骤505，将各个所述第一个体模型对应的所述第一个体误差的倒数作为对应的第一个体适应度；并对得到的所有所述第一个体适应度进行总和计算得到对应的第一适应度总和；并将各个所述第一个体适应度与所述第一适应度总和的比值作为对应的第一个体选择概率；并按所述第一个体选择概率从高到低的顺序对所有所述第一个体模型进行排序得到对应的第一个体模型序列；
34、步骤506，对所述预设数量n0是否为奇数进行识别；若是，则转至步骤507；若否，则转至步骤508；
35、步骤507，将所述第一个体模型序列中的第1个所述第一个体模型作为当次精英模型；并将所述第一个体模型序列的第2、3个所述第一个体模型组成一个对应的第一配对个体，将第4、5个所述第一个体模型组成一个对应的所述第一配对个体，依次类推，直到将第n0-1、n0个所述第一个体模型组成一个对应的所述第一配对个体为止；并将所述当次精英模型的所述第一个体参数向量直接作为对应的第一个体交叉参数向量；并基于预设的个体交叉算法和预设的第一交叉概率对各个所述第一配对个体的两个所述第一个体模型的所述第一个体参数向量进行向量参数交叉处理得到两个对应的所述第一个体交叉参数向量；并转至步骤509；
36、其中，所述个体交叉算法为ga算法中的一类染色体交叉算法，所述染色体交叉算法至少包括单点交叉算法、多点交叉算法和算术交叉算法；
37、步骤508，将所述第一个体模型序列的第1、2个所述第一个体模型组成一个对应的所述第一配对个体，将第3、4个所述第一个体模型组成一个对应的所述第一配对个体，依次类推，直到将第n0-1、n0个所述第一个体模型组成一个对应的所述第一配对个体为止；并基于所述个体交叉算法和所述第一交叉概率对各个所述第一配对个体的两个所述第一个体模型的所述第一个体参数向量进行向量参数交叉处理得到两个对应的所述第一个体交叉参数向量；
38、步骤509，基于预设的个体变异算法和预设的第一变异概率对各个所述第一个体模型的所述第一个体交叉参数向量进行向量参数变异处理得到对应的第一个体变异参数向量；
39、其中，所述个体变异算法为ga算法中的一类染色体变异算法，所述染色体变异算法至少包括基本位变异算法、均匀变异算法、非均匀变异算法和高斯近似变异算法；
40、步骤510，基于各个所述第一个体变异参数向量重置对应的所述第一个体模型的模型参数集；
41、步骤511，对所述一轮迭代计数器是否超过预设的一轮迭代次数阈值进行识别；若超过，则转至步骤512；若未超过，则对所述一轮迭代计数器加1并返回步骤504；
42、步骤512，对各个所述第一个体模型的模型参数进行一次固化，并将参数固化后的各个第一个体模型作为一个对应的所述第一轮模型。
43、优选的，所述使用预设的模型参数优化器根据所述第一数据集对各个所述第一轮模型进行第二轮训练得到对应的第二轮模型，具体包括：
44、步骤601，初始化二轮迭代计数器为1；并将当前训练的所述第一轮模型作为对应的当前模型；
45、步骤602，从所述第一数据集中随机选择预设的第一数量m的所述第一数据记录构成对应的第一批次记录集；并对所述第一批次记录集的所有所述第一数据记录进行遍历；并在遍历时将当前遍历的所述第一数据记录作为对应的当前数据记录；并将所述当前数据记录的所述第一训练参数向量输入所述当前模型进行预测处理得到对应的第二训练预测值yi；并将所述当前数据记录的所述第一标签预测值作为对应的第二标签预测值并由所述第二训练预测值yi和所述第二标签预测值组成一个对应的第二预测标签对；
46、其中，所述第一数量m为一个大于0的整数；1≤批次记录索引i≤m；
47、步骤603，将得到的所有所述第二预测标签对带入预设的第一模型损失函数loss进行计算得到对应的第一批次损失值；
48、其中，所述第一模型损失函数loss为：
49、
50、λ为预设的第一惩罚因子、p为预设的第一概率阈值；ε为阶跃函数，大于或等于yi时对应的阶跃函数的函数值为1，小于yi时对应的所述阶跃函数的函数值为0；
51、步骤604，对所述第二标签预测值大于所述第二训练预测值yi的所述第二预测标签对的总数进行统计得到对应的第一标签对总数m；并基于所述第一标签对总数m与所述第一数量m计算对应的第一批次概率；
52、其中，
53、为以为概率事件的概率函数；
54、步骤605，对所述第一批次损失值和所述第一批次概率进行识别；若所述第一批次损失值满足预设的第一损失值收敛范围且所述第一批次概率大于或等于所述第一概率阈值p则转至步骤609；若所述第一批次损失值不满足所述第一损失值收敛范围或所述第一批次概率小于所述第一概率阈值p则转至步骤606；
55、步骤606，对所述模型参数优化器的学习率进行设置，具体为：对所述二轮迭代计数器进行识别；若所述二轮迭代计数器为1，则将所述学习率设为预设的第一学习率；若所述二轮迭代计数器大于1，则对所述二轮迭代计数器除以预设的第一迭代次数的余数是否为1进行识别，若是则由当前的所述学习率与预设的第一衰减因子的乘积作为新的所述学习率；
56、步骤607，对所述模型参数优化器的优化目标函数o及其对应的约束条件进行设置；
57、其中，所述优化目标函数o为：
58、所述优化目标函数o的约束条件为：
59、步骤608，基于所述模型参数优化器对所述当前模型的当前模型参数集进行一轮优化处理；
60、步骤609，对所述二轮迭代计数器是否超过预设的二轮迭代次数阈值进行识别；若超过则转至步骤610；若未超过则对所述二轮迭代计数器加1并返回步骤602；
61、步骤610，对所述当前模型的模型参数进行一次固化，并将参数固化后的所述当前模型作为一个对应的所述第二轮模型。
62、优选的，所述基于所述第一数据集对各个所述第二轮模型进行性能评估得到对应的第一评估值，具体包括：
63、步骤71，基于预设的第二提取比例从所述第一数据集中随机提取出多个所述第一数据记录组成对应的第一评估数据集；并对所述第一评估数据集的记录总数进行统计得到对应的第二数量k；
64、其中，所述第二提取比例为一个小于1的百分比；所述第一数据集的记录总数与所述第二提取比例的乘积和所述第二数量k匹配；
65、步骤72，将各个所述第二轮模型逐个作为对应的当前模型；
66、步骤73，对所述第一评估数据集的所有所述第一数据记录进行遍历；并在遍历时将当前遍历的所述第一数据记录作为对应的当前数据记录；并将所述当前数据记录的所述第一训练参数向量输入所述当前模型进行预测处理得到对应的第三训练预测值yj；并将所述当前数据记录的所述第一标签预测值作为对应的第三标签预测值并由所述第三训练预测值yj和所述第三标签预测值组成一个对应的第三预测标签对；
67、其中，1≤评估记录索引j≤k；
68、步骤74，基于各个所述第三预测标签计算对应的第一相对误差ej；并对得到的所有所述第一相对误差ej进行均值计算得到对应的第一相对误差均值eaver；并根据所有所述第一相对误差ej和所述第一相对误差均值eaver计算对应的第一相对误差标准差s；
69、其中，
70、步骤75，根据所述第一相对误差均值eaver和所述第一相对误差标准差s进行评估值计算得到对应的所述第一评估值；
71、其中，a1、a2为两个预设的加权参数。
72、优选的，所述完成模型参数固化后基于所述第一预测模型处理批量预测任务，具体包括：
73、完成模型参数固化后接收第一批量预测清单；所述第一批量预测清单包括一个或多个第一混凝土构件参数组；所述第一混凝土构件参数组由十九类未做归一化的原始参数组成；所述十九类未做归一化的原始参数包括箍筋短轴尺寸、箍筋长轴尺寸、箍筋截面面积、箍筋截面惯性矩、箍筋外形编码、箍筋间距、箍筋配筋率、箍筋强度、箍筋肢数、混凝土强度、截面尺寸、混凝土保护层厚度、构件纵向尺寸、构件高宽比、构件截面形状、纵筋强度、纵筋配筋率、配箍特征值和配筋特征值；
74、对所有所述第一混凝土构件参数组进行遍历；并在遍历时，将当前遍历的所述第一混凝土构件参数组作为对应的当前参数组；并对所述当前参数组的所述十九类未做归一化的原始参数分别进行归一化处理得到一组对应的所述十九类归一化参数组成一个对应的第一模型输入向量；并将所述第一模型输入向量输入所述第一预测模型进行预测处理得到对应的第一模型预测值；并对所述第一模型预测值进行反归一化处理得到对应的第一极限应变预测值；并由所述当前参数组和所述第一极限应变预测值组成一个对应的第一预测记录；并在遍历结束时，由得到的所有所述第一预测记录组成对应的第一批量预测报告并保存。
75、本发明实施例第二方面提供了一种用于实现上述第一方面所述的预测混凝土极限应变特征的处理方法的装置，所述装置包括：模型构建模块、数据集构建模块、模型训练模块和模型应用模块；
76、所述模型构建模块用于基于bp网络构建混凝土极限应变特征预测模型作为对应的第一预测模型；
77、所述数据集构建模块用于通过对多个混凝土厂家数据源和多个建筑行业文献数据源进行数据采集构建对应的第一数据集；
78、所述模型训练模块用于使用ga算法根据所述第一数据集对所述第一预测模型进行第一轮训练得到多个第一轮模型；并使用预设的模型参数优化器根据所述第一数据集对各个所述第一轮模型进行第二轮训练得到对应的第二轮模型；并基于所述第一数据集对各个所述第二轮模型进行性能评估得到对应的第一评估值；并基于所述第一评估值最高的所述第二轮模型的模型参数对所述第一预测模型进行模型参数固化；
79、所述模型应用模块用于在完成模型参数固化后基于所述第一预测模型处理批量预测任务。
80、本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
81、所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
82、所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
83、本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
84、本发明实施例提供了一种预测混凝土极限应变特征的处理方法、装置、电子设备及计算机可读存储介质。由上述内容可知，本发明实施例先bp网络构建混凝土极限应变特征预测模型，并通过对多个混凝土厂家数据源和多个建筑行业文献数据源进行数据采集构建数据集；然后使用ga算法根据数据集对预测模型进行第一轮训练，并使用模型参数优化器根据数据集对各个第一轮模型进行第二轮训练，并基于数据集对各个第二轮模型进行性能评估，并基于评估值最高的第二轮模型的模型参数对第一预测模型进行模型参数固化；最后，在完成模型参数固化后基于第一预测模型处理批量预测任务。通过本发明实施例提供的预测模型来处理极限应变值的数据获取任务，不但提高了单件任务的处理效率、还提高了批量任务的处理效率。
1.一种预测混凝土极限应变特征的处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的预测混凝土极限应变特征的处理方法，其特征在于，
3.根据权利要求2所述的预测混凝土极限应变特征的处理方法，其特征在于，
4.根据权利要求3所述的预测混凝土极限应变特征的处理方法，其特征在于，所述通过对多个混凝土厂家数据源和多个建筑行业文献数据源进行数据采集构建对应的第一数据集，具体包括：
5.根据权利要求3所述的预测混凝土极限应变特征的处理方法，其特征在于，所述使用ga算法根据所述第一数据集对所述第一预测模型进行第一轮训练得到多个第一轮模型，具体包括：
6.根据权利要求3所述的预测混凝土极限应变特征的处理方法，其特征在于，所述使用预设的模型参数优化器根据所述第一数据集对各个所述第一轮模型进行第二轮训练得到对应的第二轮模型，具体包括：
7.根据权利要求3所述的预测混凝土极限应变特征的处理方法，其特征在于，所述基于所述第一数据集对各个所述第二轮模型进行性能评估得到对应的第一评估值，具体包括：
8.根据权利要求2所述的预测混凝土极限应变特征的处理方法，其特征在于，所述完成模型参数固化后基于所述第一预测模型处理批量预测任务，具体包括：
9.一种用于执行权利要求1-8任一项所述的预测混凝土极限应变特征的处理方法的装置，其特征在于，所述装置包括：模型构建模块、数据集构建模块、模型训练模块和模型应用模块；
10.一种电子设备，其特征在于，包括：存储器、处理器和收发器；
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行权利要求1-8任一项所述的方法。
