一种碳化养护混凝土养护制度的优化设计方法

本发明涉及混凝土养护制度，尤其是一种碳化养护混凝土养护制度的优化设计方法。

背景技术：

1、随着大气中二氧化碳浓度的持续升高，一系列环境危机日益凸显，包括全球气候变暖、海洋酸化以及生物多样性丧失等。面对这一严峻挑战，国内外学者积极探寻创新技术手段以有效降低环境中的二氧化碳浓度。近年来，ccus(carbon capture,utilization,andstorage)技术受到了广泛的关注。作为ccus技术的方法之一，用co2养护混凝土不仅能够实现co2的永久封存，同时也能提升混凝土的力学性能和耐久性。这种情况赋予了碳化养护混凝土在保持甚至增强结构性能的同时，大幅度提高co2封存效率的独特潜力。

2、相较于传统养护方式，co2养护的混凝土其抗压强度不仅取决于原材料，还与养护制度密切相关。然而，原材料的生产过程以及实施碳化养护工艺本身亦会产生一定的碳排放。为了确保碳化养护技术的可持续性和环境效益，须建立混凝土碳化养护制度的优化设计方法，最大限度地降低其全生命周期的碳足迹，真正实现碳化养护混凝土的低碳化。

技术实现思路

1、本申请的目的在于提供一种碳化养护混凝土养护制度的优化设计方法，旨在解决现有技术中的问题。

2、本申请实施例提供了一种混凝土养护制度的优化设计方法，所述方法包括以下步骤：

3、s1、构建碳化养护混凝土养护制度优化模型的目标函数；

4、s2、构建碳化养护混凝土养护制度优化模型的约束条件；

5、s3、根据碳化养护混凝土养护制度优化模型的目标函数及约束条件构建粒子群优化算法模型，并根据设定的迭代终止条件进行混凝土养护制度的优化设计，以生成满足约束条件的低碳目标函数下的最优解；

6、s4、粒子还原，将计算所得的最优适应度值及其位置分别还原为最低的碳排放及相应的配合比参数组合。

7、进一步地，所述碳化养护混凝土的功能单元将28天抗压强度纳入考虑，其功能单元为单位体积单位强度；所述碳化养护混凝土在计算其生命周期碳排放时以单位体积单位强度为功能单元。

8、进一步地，所述步骤s1中目标函数的构建包括以下具体技术操作：

9、s11、根据影响碳化养护混凝土抗压强度的配合比及养护参数构建碳化养护混凝土抗压强度指标体系，采集碳化养护混凝土抗压强度指标体系中各变量的样本数据，并以此建立原始样本数据集；所述原始样本数据集建立后，还要对数据集进行归一化处理，使得数据集各变量数值维度统一；

10、s12、将原始样本集随机分为训练集和测试集，用训练集结合机器学习算法训练碳化养护混凝土抗压强度预测模型，随后用测试集对机器学习回归模型的预测性能进行评估，以建立碳化养护混凝土抗压强度的预测模型；所述养护混凝土抗压强度预测模型建立前，需采用k折交叉验证和网格搜索对模型的超参数进行调优；

11、s13、建立含有抗压强度预测模型的碳化养护混凝土养护制度的优化模型的生命周期碳排放目标函数。

12、进一步地，所述步骤s11中所述碳化养护混凝土抗压强度指标体系包括影响因素和抗压强度指标，所述影响因素包括水泥、粗骨料、细骨料的用量，水胶比等和原材料有关的参数，以及碳化养护时间、co2气压和co2浓度等和混凝土碳化养护制度的相关参数；且上述影响因素均为碳化养护混凝土抗压强度预测模型的输入变量；所述抗压强度指标为碳化养护混凝土28天的标准抗压强度，且同时为碳化养护混凝土抗压强度预测模型的输出变量。

13、进一步地，所述步骤s12中采用拟合优度、均方根误差、平均绝对误差、和平均绝对误差百分百评估来碳化养护混凝土预测模型的性能。

14、进一步地，所述步骤s13中目标函数的构建基于各机器学习预测模型的预测精度，选取精度最高的预测模型构建优化碳化养护混凝土养护制度优化模型的目标函数,如下式所示：

15、f1＝min(xgboostregression(x1,x2,x3,x4,x5,x6,x7))

16、其中，xgboostregression(xi)为基于机器学习算法xgboost所建立的碳化养护混凝土抗压强度回归预测模型；x1为水泥用量，x2为粗骨料用量，x3为细骨料用量，x4为水胶比，x5为碳化养护时间，x6为co2气压，x7为co2浓度。

17、进一步地，所述步骤s2约束条件的构建具体操作为根据工程实际情况及相关规范要求，对碳化养护混凝土各材料及养护参数的取值范围及材料之间的配合比进行限制，从而构建粒子群优化算法模型的约束条件。

18、进一步地，所述步骤s3的具体操作流程如下：

19、s31、初始化种群p，即按照随机规则产生n个初始养护参数组合，该n个参数组合均满足约束条件；

20、s32、计算及更新所述种群p中每个粒子的位置和速度，即更新参数组合；

21、s33、按照动态加权和非支配序列的规则更新所述种群p中每个粒子的个体最优位置pi和全局最优位置pg；

22、s34、以所述粒子是否接近全局最优解作为收敛准则，若未达到收敛，则返回步骤s32，继续更新种群；若收敛，则输出所有种群p作为最优解。

23、本发明的有益效果是：通过创新性优化模型的构建，不仅关注材料性能的提升，也充分考虑了环保要求；该模型为高精度预测模型，并且采用交叉验证和网格搜索的方法进一步优化了预测模型的超参数，通过模型调优提高了预测的准确性和精确度，为后续的优化设计提供了更可靠的基础；本发明显著降低了养护制度设计的工作量，同时提高了设计的精度和效率，对于促进混凝土行业的绿色可持续发展具有重要意义。通过智能优化算法模型的应用，实现了在保证材料性能的前提下，最大化减少碳足迹，体现了技术创新在实现环境保护和材料科学进步方面的有效融合。

技术特征：

1.一种混凝土养护制度的优化设计方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的混凝土养护制度的优化设计方法，其特征在于，所述碳化养护混凝土的功能单元将28天抗压强度纳入考虑，其功能单元为单位体积单位强度；所述碳化养护混凝土在计算其生命周期碳排放时以单位体积单位强度为功能单元。

3.根据权利要求1所述的混凝土养护制度的优化设计方法，其特征在于，所述步骤s1中目标函数的构建包括以下具体技术操作：

4.根据权利要求3所述的混凝土养护制度的优化设计方法，其特征在于，所述步骤s11中所述碳化养护混凝土抗压强度指标体系包括影响因素和抗压强度指标，所述影响因素包括水泥、粗骨料、细骨料的用量，水胶比等和原材料有关的参数，以及碳化养护时间、co2气压和co2浓度等和混凝土碳化养护制度的相关参数；且上述影响因素均为碳化养护混凝土抗压强度预测模型的输入变量；所述抗压强度指标为碳化养护混凝土28天的标准抗压强度，且同时为碳化养护混凝土抗压强度预测模型的输出变量。

5.根据权利要求3所述的混凝土养护制度的优化设计方法，其特征在于，所述步骤s12中采用拟合优度、均方根误差、平均绝对误差、和平均绝对误差百分百评估来碳化养护混凝土预测模型的性能。

6.根据权利要求3所述的混凝土养护制度的优化设计方法，其特征在于，所述步骤s13中目标函数的构建基于各机器学习预测模型的预测精度，选取精度最高的预测模型构建优化碳化养护混凝土养护制度优化模型的目标函数,如下式所示：

7.根据权利要求1所述的混凝土养护制度的优化设计方法，其特征在于，所述步骤s2约束条件的构建具体操作为根据工程实际情况及相关规范要求，对碳化养护混凝土各材料及养护参数的取值范围及材料之间的配合比进行限制，从而构建粒子群优化算法模型的约束条件。

8.根据权利要求1所述的混凝土养护制度的优化设计方法，其特征在于，所述步骤s3的具体操作流程如下：

技术总结本发明涉及混凝土养护制度技术领域，尤其是一种混凝土养护制度的优化设计方法，包括以下步骤：构建碳化养护混凝土养护制度优化模型的目标函数：构建碳化养护混凝土养护制度优化模型的约束条件；根据碳化养护混凝土养护制度优化模型的目标函数及约束条件构建粒子群优化算法模型，并根据设定的迭代终止条件进行混凝土养护制度的优化设计，以生成满足约束条件的低碳目标函数下的最优解；粒子还原，将计算所得的最优适应度值及其位置分别还原为最低的碳排放及相应的配合比参数组合；本发明方法预测精度较高，泛化能力和抗噪能力较强，寻优精度高、鲁棒性强、能够快速获得全局最优解。技术研发人员：郭冰冰,储嘉,于琦,王艳,牛荻涛受保护的技术使用者：西安建筑科技大学技术研发日：技术公布日：2024/11/4