数据驱动的土木工程材料性能表征与智能设计

随着计算机科学与人工智能技术的发展，数据驱动和机器学习得到了工程与学术领域的广泛关注，作为土木工程领域重要分支的土木工程材料也必然紧密围绕与服务智慧土木工程的发展。本书总结作者在土木工程材料性能表征与智能设计方面的最新研究成果，系统科学地描述土木工程材料性能表征的数据驱动模型、土木工程材料的智能优化设计方法及不确定性量化技术，对土木工程材料高性能化及土木工程安全施工具有显著的经济效益和社会效益。本书内容均采用Python和VBA来实现，便于读者学习和应用；在理论、方法、算法、应用等方面，均结合具体材料及试验进行论述，便于读者理解与应用。本书可供土木工程材料领域的工程技术人员、科研工作者、研究生及高年级本科生阅读参考，对其他相关领域的研究者也有一定的参考价值。

前言

第1章 土木工程材料性能表征与设计的发展现状和意义 1

1.1 土木工程材料性能表征 2

1.2 土木工程材料设计 3

1.3 土木工程材料性能表征与设计的发展现状 4

参考文献 7

第2章 土木工程材料性能表征的试验方法 12

2.1 水泥灌浆材料的物理力学性能 12

2.1.1 室内试验方法 12

2.1.2 原材料 16

2.1.3 室内试验结果 16

2.2 水泥稳定冷再生混合料的疲劳寿命 29

2.2.1 室内试验方法 30

2.2.2 原材料 34

2.2.3 室内试验结果 35

2.3 纳米改性沥青结合料路用性能 39

2.3.1 室内试验方法 39

2.3.2 原材料 44

2.3.3 室内试验结果 45

2.4 改性生物沥青红外光谱特征 49

2.4.1 室内试验方法 50

2.4.2 原材料 51

2.4.3 室内试验结果 51

参考文献 57

第3章 机器学习与数据驱动技术的理论、方法和算法 60

3.1 支持向量机理论 60

3.1.1 广义最优分类面 60

3.1.2 支持向量机 62

3.1.3 核函数 63

3.1.4 支持向量机函数拟合算法 64

3.1.5 支持向量机算法 65

3.1.6 序列最小优化算法 66

3.1.7 最小二乘支持向量机 71

3.1.8 多输出支持向量机 76

3.2 集成算法 80

3.2.1 AdaBoost 80

3.2.2 AdaBoost算法 82

3.2.3 AdaBoost过程 83

3.2.4 AdaBoost的特点 83

3.2.5 AdaBoost的实现与验证 84

3.3 符号回归方法 87

3.3.1 符号回归方程的表示 87

3.3.2 基于遗传编程的符号回归 88

3.3.3 符号回归的演化 89

3.3.4 符号回归的过程 90

3.3.5 程序与应用 91

3.4 降阶模型 94

3.4.1 降阶方法 94

3.4.2 基于降阶模型的预测 95

3.4.3 降阶模型的计算过程 96

3.4.4 降阶模型的实现与验证 97

3.5 优化技术 105

3.5.1 ABC算法 105

3.5.2 单纯同调全局优化算法 111

3.5.3 优化工具Solver 115

3.5.4 多目标优化 121

参考文献 127

第4章 土木工程材料性能的机器学习表征与优化 130

4.1 土木工程材料性能的支持向量机表征 130

4.1.1 水泥灌浆材料性能的支持向量机表征 130

4.1.2 水泥灌浆材料性能的最小二乘支持向量机表征 130

4.1.3 水泥灌浆材料性能的多输出支持向量机表征 133

4.2 基于支持向量机的土木工程材料智能设计 137

4.2.1 基于多输出支持向量机的土木工程材料智能设计 137

4.2.2 土木工程材料设计 138

4.3 土木工程材料性能的机器学习表征 143

4.3.1 机器学习方法 143

4.3.2 机器学习的实现 144

4.3.3 土木工程材料性能表征的机器学习及其比较 145

4.4 水泥灌浆材料性能的AdaBoost表征与设计 149

4.4.1 基于AdaBoost的代理模型 150

4.4.2 材料组成优化 151

4.4.3 基于AdaBoost与SHGO的材料设计方法 151

4.4.4 材料性能的AdaBoost模型 152

4.4.5 结果与验证 156

4.4.6 讨论 158

4.4.7 小结 162

参考文献 163

第5章 数据驱动的土木工程材料性能表征与优化 165

5.1 数据驱动的水泥稳定冷再生混合料疲劳方程的确定 165

5.1.1 基于符号回归的疲劳寿命预测 166

5.1.2 影响因素的相互关系 167

5.1.3 疲劳寿命预测方程 169

5.1.4 验证 171

5.1.5 小结 173

5.2 数据驱动的纳米颗粒-聚合物复合改性沥青结合料的性能表征和配方优化 174

5.2.1 正交试验优化 175

5.2.2 基于降阶模型的数据驱动模型 176

5.2.3 材料组成设计 176

5.2.4 基于降阶模型和SHGO的数据驱动材料设计 177

5.2.5 应用 178

5.2.6 小结 186

5.3 老化改性生物沥青结合料FTIR特性数据驱动模型 186

5.3.1 基于强化学习的降阶模型 187

5.3.2 应用 189

5.3.3 小结 193

参考文献 196

第6章 土木工程材料性能的不确定性量化与设计 201

6.1 水泥稳定冷再生混合料疲劳方程的不确定性量化 201

6.1.1 研究现状 201

6.1.2 疲劳试验与疲劳寿命预测方程 203

6.1.3 疲劳寿命的不确定性量化 204

6.1.4 应用 206

6.1.5 小结 220

6.2 水泥灌浆材料不确定性预测与优化的机器学习和贝叶斯方法 220

6.2.1 引言 220

6.2.2 试验 222

6.2.3 贝叶斯推理 222

6.2.4 材料设计的不确定性分析 224

6.2.5 小结 233

参考文献 233

第7章 土木工程材料的多目标优化设计 237

7.1 土木工程材料设计的多目标优化方法 237

7.1.1 引言 237

7.1.2 土木工程材料的优化设计模型 239

7.1.3 土木工程材料性能的数据驱动模型 239

7.1.4 数据驱动的土木工程材料多目标优化设计 240

7.2 水泥灌浆材料的多目标优化设计 241

7.2.1 室内试验 241

7.2.2 水泥灌浆材料表征的降阶模型 241

7.2.3 基于降阶模型的水泥灌浆材料多目标优化设计 244

7.3 纳米沥青材料的多目标优化设计 245

7.3.1 纳米颗粒和聚合物改性沥青结合料 245

7.3.2 纳米颗粒和聚合物改性沥青结合料表征的降阶模型 245

7.3.3 纳米颗粒和聚合物改性沥青结合料的多目标优化设计 247

7.3.4 基于性能标准的多目标优化设计 252

7.3.5 小结 258

参考文献 259