本发明涉及高速公路，尤其涉及一种基于机器学习的预制梁片质量评价模型建模方法。
背景技术：
1、在公路桥梁工程建设中，随着公路数字化转型及公路智能建造技术的发展，传统侧重于成品梁片质量评价方式已不能满足打造公路精品桥梁工程要求，在物联网、大数据、人工智能等新一代信息技术发展日趋成熟的时代，如何通过数据挖掘分析及机器学习技术建立更加科学、有效且精准的梁片预制过程质量评价模型，以实现梁片预制关键工序的精准控制及成品梁片的精准抽检是需要解决的重要问题，虽然有文献对梁片过程质量管控与信息化应用有些研究，但尚未有发现采用机器学习方式来对梁片预制过程质量进行科学评价与研究。因此，该研究对促进梁片预制质量提升具有重要价值。
2、在桥梁梁片预制过程质量管控研究方面。刘强等[1]提出一种基于信息化管控技术的预制梁生产过程质量评价方法，主要对梁片预制过程各关键指标的数据采集及清洗，采用平均值—极差控制图对单工序的关键控制指标的数据进行状态分析和判断，通过等级评价模型对各生产工序进行质量评价，该方法主要对质量控制精度偏差进行评价，尚未采用数据相关性分析及机器学习建模方式评价；王辉麟等提出一种基于bim技术的智能高铁预制梁场管理的应用方法，构建了基于bim技术的智能高铁预制梁场管理平台，并对未来梁片预制过程质量智能化控制进行了展望；杨璐为解决桥梁工程建设过程中的t梁预制和架设施工质量控制问题，结合以往工程施工经验，提出了t梁预制和架设过程中的施工质量控制要点；向洪等对公路梁场混凝土质量采集监测进行研究，针对混凝土原材料骨料生产和混凝土浇筑阶段缺乏监测，提出利用新技术对原材料骨料粒径和砂石含水率进行在线监测的新方法；罗如意等对高速公路智慧梁场全生命周期生产进行了研究，将信息技术应用于预制梁钢筋绵扎、混凝土浇筑、蒸汽养护等全生命周期工序过程，实现了梁段生产的“智慧化监控”和“数字化存档”。
3、在桥梁梁片成品质量检测技术方面，梁片检测技术逐渐从人工检测向智能化和自动化检测转变，主要有超声波检测技术、光纤传感检测技术、频谱分析检测技术、图像无损检测技术等。超声波检测技术是一种先进的无损检测技术，该技术优点在于操作简单、反馈迅速，缺点在于桥梁梁片内部若有水、空气等，会对超声波传播产生影响，从而导致检测结果出现较大偏差。光纤传感检测技术是将一些物理量如钢索应力，预应力混凝土梁的内部应力和应变转变成光信号，通过对光信号的测量即可完成桥梁梁片检测。该技术具有灵敏性高、柔韧性强、动态响应范围大、可移植性等特征优势，但是它使用成本高，且光纤技术不完善，不能达到理想的检测结果。频谱分析检测技术是通过分析特定频率的波来确定其传播介质特性的技术瑞雷波分析是广泛采用的频谱分析技术，它相对于人工敲击法，具有更高的效率和准确性，但该分析方法对环境噪声、温度、湿度较为敏感，且成本较高，目前实用性不高。图像无损检测技术主要采用激光全息图像摄影技术，实时采集的图像数据进行数字信号处理和图像分析，得出桥梁的状态信息。该技术具有精度高、检测全面以及直观性强等特点，该方法操作简单，无辐射、可以快速大面积检测，但缺点是主要侧重于对外观的检测。
4、在桥梁梁片检测技术规范标准方面。美国《aashto manual for bridgeevaluation》(aashtombe-3-i2:2020)主要从成品梁片的几何参数、材料参数、表面状况和荷载承载能力等方面提出指标要求。如梁片的宽度、长度、厚度、截面形状、混凝土强度、平整度、表面缺陷、设计荷载等。我国公路桥梁梁片质量评价标准目前主要侧重对预制梁片的成品质量合格检测方面的要求，主要包括对成品预制梁片的混凝土强度、梁长度、断面尺寸、平整度、横坡等提出指标要求。从目前国内、外相关梁片质量检测标准来看，主要是侧重对成品梁片自身的评判，尚未对梁片预制过程控制质量评价提出具体方法及要求。
5、以上梁片质量检测技术与评价标准方面对于梁片质量检测发挥了重要作用，但现行评价技术指标主要侧重对预制梁片成品质量合格检测方面的要求，对于梁片预制过程质量控制方面尚少有相关分析研究及具体要求，特别是尚未有采用机器学习方式，通过学习训练建立评价模型进行质量评价。主要有以下几个问题：
6、1、现行评价技术方法没有采取科学的数学分析方法进行梁片预制工艺过程质量控制偏差率对成品梁质量影响程度分析。
7、2、现行评价技术方法主要侧重于成品梁片的质量检测，尚未通过对梁片预制过程质量控制偏差数据，采用机器学习建模方式来实现梁片预制质量差异化评价。
技术实现思路
1、本发明的目的在于提供一种基于机器学习的预制梁片质量评价模型建模方法。
2、本发明采用的技术方案是：
3、一种基于机器学习的预制梁片质量评价模型建模方法，其包括以下步骤：
4、步骤1，采集关键工序工程质量数据，并分析每个关键工序环节所采集的各项质量评价指标；
5、进一步地，工程质量数据包括过程质量控制数据和成品质量检测数据；过程质量控制数据包括原材料、钢筋加工绑扎、混凝土拌合、混凝土试块、浇筑振捣、蒸养、张拉、压浆的过程质量控制数据；成品质量检测数据包括混凝土试块、梁片的成品质量检测数据。
6、进一步地，对采集的工程质量数据采用数据归一化处理、过滤异常值及离群数据处理。
7、具体地，在数据处理方面，主要采用数据归一化处理、过滤异常值及离群数据等方法，实现数据降噪处理。主要步骤为：一是通过数据归一化处理，实现各特征值数据标准化，二是通过散点图分析及离差，过滤掉异常值及离群数据，让数据符合业务逻辑和预期范围。
8、步骤2，建立质量相关性分析模型，针对梁片质量的不同指标分别建立对应的质量相关性分析模型；通过相关性分析为每个指标选取至少三个相关因子用于机器学习训练；
9、进一步地，梁片质量的不同指标包括混凝土试块强度、钢筋保护层厚度和钢筋间距。
10、具体地，完整的梁片成品质量评指标价包括钢筋试验(屈服强度、伸长率)、混凝土试验强度、混凝土拌和、钢筋笼制作尺寸、浇筑、蒸养、张拉、回弹强度、保护层厚度、钢筋间距、结构尺寸等内容。
11、进一步地，质量相关性分析模型包括混凝土试块强度相关性分析模型、钢筋保护层厚度相关性分析模型、钢筋间距相关性分析模型。
12、进一步地，通过相关性分析选取相关因子大于设定值的至少3个数据指标进行机器学习训练。
13、进一步地，采用皮尔逊相关系数的相关性分析进行梁片混凝土强度相关性分析。具体地，步骤如下：
14、步骤2-1，计算预制梁片n个样本的自变量x的标准差σx和因变量y的标准差σy，标准差的计算公式如下：
15、
16、其中，n为预制梁片样本总数，xi为第i个自变量x的值，为自变量x的平均值；yi为第i个因变量y的值，为因变量y的平均值；
17、步骤2-2，计算预制梁片样本每个自变量xi的离差即每个因变量yi的离差即并计算出自变量xi与因变量yi的相关性系数值r，r值在区间[-1,1]内，-1≤r＜0表示负相关，0＜r≤1表示正相关，越趋近于1或-1表示相关性越强，计算公式如下：
18、
19、其中，r为皮尔逊相关系数，为离差，σ为预制梁片n个样本的标准差，n为预制梁片n个样本总数；
20、步骤2-3，通过所采的梁片样本数据，结合皮尔逊算法相关性分析算法，生成如下散点图及相关性分析图；
21、步骤2-4，基于散点图和相关分析图为每个评价指标选取相关因子占比大于设定值的至少三个相关因子。
22、进一步地，建立混凝土试块强度相关性分析模型包括分别建立混凝土试块强度与混凝土原材料、混凝土拌合配合比、混凝土拌合时长、梁片蒸养的过程相关性分析模型。
23、进一步地，梁片混凝土强度质量评价模型建模所采集的数据包括混凝土拌合数据、梁片蒸养数据、混凝土试块数据；其中，混凝土拌合数据采集砂、骨料、水泥、粉煤灰、水指标；梁片蒸养数据采集温度、湿度、温控时间指标；混凝土试块数据采集试块强度、试验温度、试验湿度指标。
24、进一步地，在混凝土强度质量评价模型建模中，将每片梁赋予唯一的梁片编号，实现指定梁片混凝土拌合、梁片蒸养、混凝土试块等数据关联，为数据相关性分析奠定基础。
25、步骤3，建立过程质量评价模型：基于质量相关性分析模型选取的相关因子，选取支持多因子机器学习算法模型进行机器学习训练，建立预制梁片的过程质量评价模型；将过程质量评价模型及结合样本数据测试进行预测，将样本预测的质量结果与实测质量指标结果进行趋同性及差异化分析，以此进行机器学习算法模型及参数调优，直至所建立的模型预测结果与实测质量结果实现最大化趋同，进而完成对应指标的过程质量评价模型的最终建模，并以最终的过程质量评价模型进行梁片预制生产过程控制与质量评价。
26、进一步地，步骤3中实现最大化趋同的标准为：最小均方根误差小于容许误差。
27、本发明采用以上技术方案通过梁片成品质量与工艺过程质量控制偏差进行各因子相关性分析，找出影响质量的关键工序及关键指标，并以此精准控制，实现梁片质量整体提升。采集预制梁片过程控制与成品质量样本数据，通过多种多因子机器学习方式，建立梁片过程控制与成品质量预测评价模型，将样本实测值与预测值进行偏差分析，以此进行机器学习算法模型及参数调优，直至所建立的模型预测结果与实测质量结果实现最大化趋同，生成最优的预制梁片质量评价模型。依据该模型梁片质量评价的结果值，可用于成品梁片质量的精准抽检，即重点抽检评价分值低的梁片，可有效避免成品梁片随机抽检的盲目性及全面质量检查所造成的高成本低效率投入，也可有效发现梁片混凝土强度报告等存在人为造假可能性。本发明可有效促进预制梁片均质化提升，提高梁片预制整体质量，助力打造精品桥梁工程，延长桥梁使用寿命。
1.一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：工程质量数据包括过程质量控制数据和成品质量检测数据；过程质量控制数据包括原材料、钢筋加工绑扎、混凝土拌合、混凝土试块、浇筑振捣、蒸养、张拉、压浆的过程质量控制数据；成品质量检测数据包括混凝土试块、梁片的成品质量检测数据。
3.根据权利要求1所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：步骤1中对采集的工程质量数据采用数据归一化处理、过滤异常值及离群数据处理。
4.根据权利要求1所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：梁片质量的不同评价指标包括混凝土试块强度、钢筋保护层厚度和钢筋间距；即质量相关性分析模型包括混凝土试块强度相关性分析模型、钢筋保护层厚度相关性分析模型、钢筋间距相关性分析模型。
5.根据权利要求1所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：通过相关性分析选取相关因子大于设定值的至少3个数据指标进行机器学习训练。
6.根据权利要求4所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：采用皮尔逊相关系数的相关性分析进行梁片混凝土强度相关性分析，具体步骤如下：步骤2-1，计算预制梁片n个样本的自变量x的标准差σx和因变量y的标准差σy，标准差的计算公式如下：
7.根据权利要求4所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：建立混凝土试块强度相关性分析模型包括分别建立混凝土试块强度与混凝土原材料、混凝土拌合配合比、混凝土拌合时长、梁片蒸养的过程相关性分析模型。
8.根据权利要求4所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：梁片混凝土强度质量评价模型建模所采集的数据包括混凝土拌合数据、梁片蒸养数据、混凝土试块数据；其中，混凝土拌合数据采集砂、骨料、水泥、粉煤灰、水指标；梁片蒸养数据采集温度、湿度、温控时间指标；混凝土试块数据采集试块强度、试验温度、试验湿度指标。
9.根据权利要求4所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：在混凝土强度质量评价模型建模中，将每片梁赋予唯一的梁片编号，实现指定梁片混凝土拌合、梁片蒸养、混凝土试块等数据关联，为数据相关性分析奠定基础。
10.根据权利要求1所述的一种基于机器学习的预制梁片质量评价模型建模方法，其特征在于：步骤3中实现最大化趋同的标准为：最小均方根误差小于容许误差。
