原创《AI算法可预测材料特性，未来建筑业或被颠覆》：该文是关于建筑业论文范文，为你的论文写作提供相关论文资料参考。
算法,是人工智能（AI）如何实现应用的解决方法.用最优的算法快速地解决问题一直是前沿研究的重点内容.就目前而言,虽然AI技术更多地应用到例如智能识别、VR/AR、机器人、智能家居等领域,但是这并不代表在传统领域就无法得到应用.研究人员Jones和McCarthy就通过支持向量机算法（SVM）对混凝土强度随着时间的变化进行了预测,而且预测结果和实际结果相似度极高.该项研究也预示着AI应用正在由高端科技向传统领域进行过渡和渗透.
众所周知,混凝土是一种建材领域特定的、必不可少的基础材料,它能够在浇筑后的很长时间内获得一定的强度,从而保持物体在特定应用下的稳定性.根据人类的长期应用经验,在一般情况下,普通混凝土是指已经老化28天,具有抗压强度的样品.这样的混凝土能够广泛应用到许多建筑领域.因此,强度成为混凝土在特定应用环境下的重要标准.
事实证明,对混凝土强度的快速和可靠的预测对提高经济效益具有重要的意义.现在,混凝土强度的快速预测已经成为了研究的热门领域,并且已经开展了大量的实际研究工作.研究人员发现,通过AI的两项技术可以提出一个能够精度预测混凝土压缩强度的模型,而这两项分别是具有变革性的支持向量机（SVM）和多变量非线性回归.
在早期的时候,就有研究者提出用支持向量机来研究预测混凝土的抗压强度.预测模型中使用的变量来自于混合比例元素和7天抗压强度的知识中.这些模型能够良好地预测混凝土的抗压强度,并且在研究中使用的数据能够和非线性多变量回归产生良好的相关性.此外,SVM模型被证明是,具有最小误差和标准偏差的轻质泡沫混凝土抗压强度重要的预测工具.
介绍
混凝土被认为是世界上最重要的建筑材料,也是用于建筑或土木工程结构的最常见的材料.目前,建筑业对于使用轻质泡沫混凝土（LFC）作为建筑材料表现出了极大的兴趣,因为它具有许多有利的特性,例如更轻的重量,易于制造,耐久性和低成本效益.
泡沫混凝土是新一代轻质混凝土,具有一些有吸引力的特性,如流动性、自压实性和自流平性,低尺寸变化和超低密度.此外,该材料可以设计成具有可控制的低强度,优良的绝热性能和良好的承载能力等特性,并且取材非常容易.
由于其独特的性能,泡沫混凝土具有用于建筑工业中各种应用的潜力.研究人员Jones和McCarthy就对泡沫混凝土用作结构材料的潜力进行了调研.他们对构成材料和混合比例对泡沫混凝土的性能和行为产生的影响进行了分析,包括泡沫混凝土的抗压密度、水泥类型和含量、水/水泥比例、表面活性剂类型和固化方式等.结果发现,由于泡沫混凝土具有优良的隔热性和轻量性,所以,它可以补充其他材料来用于更高强度的结构应用.
混凝土强度预测方法
一直以来,人们对于普通水泥浆、砂浆和混凝土,已经有了几种强度预测方法.然而,在当前更快的施工速度下,需要生产更多的混凝土,而且要保证所生产的混凝土质量和标准和规格的一致性.
因此,旧方法就无法满足新需求下的生产效率了.现在,人们已经通过计算建模、统计技术等新的AI手段来改进和测试混凝土硬度的检验方法.
统计技术：一些研究工作集中在使用多变量回归模型来提高预测的准确性.统计模型具有吸引力,一旦拟合,它们可以用于比其他建模技术更快地执行预测,并且相应地更容易在软件中实现.统计分析还可以通过相关分析提供影响28天抗压强度的关键因素.由于这些原因,选择统计分析作为本研究的强度预测技术.
实验准备材料和要求
轻质泡沫混凝土的制造由四种类型的材料组成,即普通波特兰水泥、砂、水和泡沫.
生产轻质泡沫混凝土的材料：1.符合I型波特兰水泥要求的普通波特兰水泥（OPC）是符合英国标准（BS EN 197-1：2000）规定的要求的；2.不同尺寸的细硅砂（600μm,1.18和2mm）；3.正常的自来水；4.稳定的气泡（在泡沫发生器中混合发泡剂和水而产生.目的是通过将预制的稳定泡沫结合到新鲜的轻质泡沫混凝土中来控制轻质泡沫混凝土的密度.）.
对于该研究,发泡剂和水的比率为1∶30体积比.使用的超增塑剂是符合ASTM标准规格（ASTM C494M-04）的GLENIUM52.超增塑剂有深棕色水溶液.基于轻质泡沫混凝土的目标密度w / c和s / c（砂和水泥比）设计最佳混合比例.密度范围为15001750和1800kg / m?.所使用的w / c比的范围为0.5、0.45、0.4、0.35和0.3,而对于本工作中的所有混合物,s / c为1.0.本研究中使用的固化方法是密封固化.制备泡沫混凝土,然后倒入立方体中.在7天和28天的时候,分别测试150套混凝土立方体的密度和抗压强度.
预测算法
支持向量机（SVM）
支持向量机（SVM）是用于分类或回归的强大的监督学习算法.SVM是一个有区别的分类器,也就是说,它们在数据簇之间画一个边界.支持向量机是基于定义决策边界的决策平面的概念.决策平面是对具有不同类成员的一组对象进行分离的方法.支持向量机（SVM）主要是通过在分离不同类标签的多维空间中构造超平面来執行分类任务的分类方法.SVM支持回归和分类任务,可以处理多个连续和分类变量.为分类变量创建一个虚拟变量,其中实例值为0或1.因此,三个层次（A,B,C）组成的分类因变量则由一组虚拟变量来表示：
径向基函数（RBF）
这是一个实数值函数,其值仅取决于离原点的距离,因此可以得出φ（X）等于φ（‖X‖）；或者取决于到被称为中心的某个c点的距离,使得φ（X,C）等于φ（‖X-C‖）.我们把满足φ（X）等于φ（‖X‖）的任何函数都称为径向函数,并规定通常为欧几里德距离.当然,其他距离函数也是可行的.例如,对一些径向函数来说,使用Lukaszyk-Karmowski度量可以避免由于所确定的系数wi导致矩阵恶化的问题,因为‖X‖总是大于零的.
建筑业论文参考资料：
结论：AI算法可预测材料特性，未来建筑业或被颠覆为关于本文可作为建筑业方面的大学硕士与本科毕业论文建筑行业转行三大方向论文开题报告范文和职称论文论文写作参考文献下载。
