一种对应力应变曲线进行预测和修正的处理方法和装置与流程

本发明涉及数据处理，特别涉及一种对应力应变曲线进行预测和修正的处理方法和装置。

背景技术：

1、在钢筋混凝土构件(简称混凝土构件)的设计阶段，通过应力应变曲线可以对构件的峰值应力fcc、峰值应变εcc、极限应变εccu等抗压性能参数进行直观分析。而要获得该应力应变曲线则需要在受压实验中对构件的应力-应变数据进行持续采集。我们在实验中发现一个问题：应变数据的采集方式比较简单直接，但应力数据并不能通过直接方式采集、需要经过大量的工程计算才能确定。这个问题无疑会给构件设计工作带来较大的计算工作量、降低设计效率。

技术实现思路

1、本发明的目的，就是针对现有技术的缺陷，提供一种对应力应变曲线进行预测和修正的处理方法、装置、电子设备及计算机可读存储介质。本发明预先构建三个预测模型，分别为：用于根据混凝土构件的设计参数清单对构件的峰值应力数据fcc和峰值应变数据εcc进行预测的第一预测模型、用于根据设计参数清单对构件的极限应变数据εccu进行预测的第二预测模型、用于根据混凝土构件的归一化应变数据序列对构件的归一化应力数据序列进行预测的第三预测模型；并基于预设的三个数据集对这三个预测模型进行训练并在训练过程中对第二、第三预测模型的相对误差方差(第一方差、第二方差)进行保存；在三个预测模型都训练完成后接收任一个混凝土构件的设计参数清单和应变数据序列，先由第一预测模型根据设计参数清单预测峰值应力/应变数据、由第二预测模型根据设计参数清单预测极限应变数据，再根据预测出的峰值应变数据对构件的应变数据序列进行归一化处理、再由第三预测模型根据归一化的应变数据序列预测对应的归一化应力数据序列，再基于预测出的峰值应力数据对归一化应力数据序列进行反归一化处理并基于构件的应力/应变数据序列构建应力应变曲线，最后由预测出的极限应变数据和两个相对误差方差(第一方差、第二方差)对应力应变曲线进行局部修正。将本发明应用在混凝土构件的设计工作中，可以在只有应变数据序列的情况下进行应力应变曲线构建并能对构建出的曲线进行修正，通过本发明不但可以降低设计工作的计算工作量、提高设计效率，还能提高应力应变曲线的准确性。

2、为实现上述目的，本发明实施例第一方面提供了一种对应力应变曲线进行预测和修正的处理方法，所述方法包括：

3、构建一个用于根据混凝土构件的设计参数清单对构件的峰值应力数据fcc和峰值应变数据εcc进行预测的第一预测模型；并构建一个用于根据所述设计参数清单对构件的极限应变数据εccu进行预测的第二预测模型；并构建一个用于根据混凝土构件的归一化应变数据序列对构件的归一化应力数据序列进行预测的第三预测模型；所述设计参数清单包括十九类设计参数；

4、基于预设的第一、第二和第三数据集对所述第一、第二和第三预测模型进行训练并在训练过程中对所述第二、第三预测模型的两个相对误差方差进行保存；所述两个相对误差方差包括第一方差和第二方差；所述第一方差与所述第二预测模型对应；所述第二方差与所述第三预测模型对应；

5、在三个预测模型都训练完成后，接收任一个混凝土构件的第一设计参数清单和第一应变数据序列；

6、基于所述第一预测模型根据所述第一设计参数清单进行预测得到对应的第一峰值应力数据和第一峰值应变数据；

7、基于所述第二预测模型根据所述第一设计参数清单进行预测得到对应的第一极限应变数据；

8、基于所述第一峰值应变数据对所述第一应变数据序列进行归一化处理得到对应的第二应变数据序列；并基于所述第三预测模型根据所述第二应变数据序列进行预测得到对应的归一化应力数据序列记为第一应变数据序列；并基于所述第一峰值应力数据对所述第一应力数据序列进行反归一化处理得到对应的第二应力数据序列；并基于所述第一应变数据序列和所述第二应力数据序列进行应力应变曲线构建得到对应的第一应力应变曲线；所述第一、第二应力数据序列以及所述第一、第二应变数据序列的序列长度都相同；

9、基于所述第一极限应变数据和所述两个相对误差方差对所述第一应力应变曲线进行局部修正。

10、优选的，所述第一预测模型包括第一参数处理模块、第一bp网络和第一输出模块；

11、所述第一参数处理模块用于对模型输入的所述设计参数清单中的各类设计参数进行归一化计算得到对应的归一化参数；并由得到的十九类归一化参数组成对应的第一参数向量向所述第一bp网络发送；

12、所述第一bp网络用于根据所述第一参数向量进行归一化的峰值应力/应变数据预测得到对应的归一化峰值应力数据和归一化峰值应变数据向所述第一输出模块发送；

13、所述第一输出模块用于对所述归一化峰值应力数据和所述归一化峰值应变数据分别进行反归一化处理得到对应的所述峰值应力数据fcc和所述峰值应变数据εcc并输出；

14、所述第二预测模型包括第二参数处理模块、第二bp网络和第二输出模块；

15、所述第二参数处理模块用于对模型输入的所述设计参数清单中的各类设计参数进行归一化计算得到对应的归一化参数；并由得到的十九类归一化参数组成对应的第二参数向量向所述第二bp网络发送；

16、所述第二bp网络用于根据所述第二参数向量进行归一化的极限应变数据预测得到对应的归一化极限应变数据向所述第二输出模块发送；

17、所述第二输出模块用于对所述归一化极限应变数据进行反归一化处理得到对应的所述极限应变数据εccu并输出；

18、所述第三预测模型包括第一序列切分模块、第一lstm堆叠网络和第一序列整合模块；

19、所述第一序列切分模块用于根据预设的序列滑动步长s和切分序列长度l对模型输入的所述归一化应变数据序列进行滑动切分处理得到对应的第一子序列串向所述第一lstm堆叠网络发送；s<l；所述第一子序列串由多个第一子序列顺序排序而成；每个所述第一子序列的序列长度与所述切分序列长度l一致；前后两个所述第一子序列部分重合，重合段序列的长度为(l-s)；

20、所述第一lstm堆叠网络由多个lstm层堆叠而成，所述lstm层与所述第一子序列一一对应；每个所述lstm层用于接收对应的所述第一子序列，并根据本次接收的所述第一子序列进行归一化的应力数据预测得到对应的归一化应力数据子序列向所述第一序列整合模块发送；

21、所述第一序列整合模块用于对所述归一化应力数据序列的序列长度进行统计得到对应的第一序列长度m；并对所述归一化应变数据子序列的总数进行统计得到对应的第一总数n；并基于所述第一序列长度m和所述第一总数n构建一个m列、n行的全零矩阵记为对应的矩阵a，所述矩阵a包括m×n个矩阵单元；并对所有所述归一化应力数据子序列进行遍历；并在遍历时将当前遍历的所述归一化应力数据子序列作为对应的当前应变数据子序列；并将所述矩阵a中与所述当前应力数据子序列对应的矩阵行作为对应的当前矩阵行；并将所述当前矩阵行中与所述当前应力数据子序列对应的一段矩阵单元序列作为对应的匹配单元序列，所述匹配单元序列与所述当前应变数据子序列的序列长度一致，所述匹配单元序列在所述当前矩阵行中的序列起始位置与所述当前应力数据子序列对应的所述第一子序列在所述归一化应力数据序列中的序列起始位置匹配；并将所述当前应力数据子序列的序列数据复制到所述匹配单元序列；并在对所有所述归一化应力数据子序列的遍历结束后，对所述矩阵a每列的n个所述矩阵单元进行均值计算得到对应的单列均值数据；并将每个所述单列均值数据作为一个新的归一化应力数据，并由得到的m个新的归一化应力数据组成对应的所述归一化应力数据序列并输出。

22、优选的，所述十九类设计参数包括箍筋短轴尺寸参数、箍筋长轴尺寸参数、箍筋截面面积参数、箍筋截面惯性矩参数、箍筋外形编码参数、箍筋间距参数、箍筋配筋率参数、箍筋强度参数、箍筋肢数参数、混凝土强度参数、截面尺寸参数、混凝土保护层厚度参数、构件纵向尺寸参数、构件高宽比参数、构件截面形状参数、纵筋强度参数、纵筋配筋率参数、配箍特征值参数和配筋特征值参数；

23、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清单和第一标签向量；所述第一训练参数清单包括所述十九类设计参数；所述第一标签向量包括第一标签峰值应力数据和第一标签峰值应变数据；

24、所述第二数据集包括多个第二数据记录；所述第二数据记录包括第二训练参数清单和第一标签极限应变数据；所述第二训练参数清单包括所述十九类设计参数；

25、所述第三数据集包括多个第三数据记录；所述第二数据记录包括第一训练应变数据序列和第一标签应力数据序列；所述第一训练应变数据序列为一个归一化的应变数据序列；所述第一标签应力数据序列为一个归一化的应力数据序列；所述第一训练应变数据序列和所述第一标签应力数据序列的序列长度一致。

26、优选的，所述基于预设的第一、第二和第三数据集对所述第一、第二和第三预测模型进行训练并在训练过程中对所述第二、第三预测模型的两个相对误差方差进行保存，具体包括：

27、基于所述第一数据集对所述第一预测模型进行训练；

28、基于所述第二数据集对所述第二预测模型进行训练并在训练结束时对所述第二预测模型的相对误差方差进行计算得到对应的所述第一方差；

29、基于所述第三数据集对所述第三预测模型进行训练并在训练结束时对所述第三预测模型的相对误差方差进行计算得到对应的所述第二方差；

30、由得到的所述第一、第二方差组成对应的所述两个相对误差方差并保存。

31、进一步的，所述基于所述第一数据集对所述第一预测模型进行训练，具体包括：

32、步骤51，基于预设的第一比值对所述第一数据集进行数据子集随机分割得到对应的第一训练集和第一评估集；

33、其中，所述第一训练集和第一评估集都包括多个所述第一数据记录；所述第一训练集的记录总数与所述第一评估集的记录总数的比值满足所述第一比值；

34、步骤52，将所述第一训练集的第一个所述第一数据记录提取出来作为对应的当前训练记录；

35、步骤53，将所述当前训练记录的所述第一训练参数清单输入所述第一预测模型进行处理得到对应的第一预测峰值应力数据和第一预测峰值应变数据；并由所述第一预测峰值应力数据和所述第一预测峰值应变数据组成对应的第一预测向量；

36、步骤54，将所述第一预测向量和所述当前训练记录的所述第一标签向量带入预设的第一模型损失函数进行计算得到对应的第一损失值；

37、其中，所述第一模型损失函数至少包括l1损失函数和l2损失函数；

38、步骤55，对所述第一损失值是否满足预设的第一损失值范围进行识别；若所述第一损失值满足所述第一损失值范围，则对所述当前训练记录是否为所述第一训练集的最后一个所述第一数据记录进行识别，若是则转至步骤56，若否则将所述第一训练集的下一个所述第一数据记录提取出来作为新的所述当前训练记录并返回步骤53；若所述第一损失值不满足所述第一损失值范围，则基于预设的第一模型参数优化器朝着使所述第一模型损失函数达到最小值的方向对所述第一预测模型进行一轮模型参数调制，并在本轮参数调制结束时返回步骤53；

39、其中，所述第一模型参数优化器至少包括sgd优化器和adam优化器；

40、步骤56，对所述第一评估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评估记录；并将所述当前评估记录的所述第一训练参数清单输入所述第一预测模型进行处理得到对应的第二预测峰值应力数据和第二预测峰值应变数据；并由所述第二预测峰值应力数据和所述第二预测峰值应变数据组成对应的第二预测向量；并由所述第二预测向量和所述当前评估记录的所述第一标签向量组成一个对应的第一预测/标签向量对；

41、步骤57，在对所述第一评估集的所有所述第一数据记录的遍历结束后，将得到的所有所述第一预测/标签向量对带入预设的第一模型误差函数进行计算得到对应的第一误差值；

42、所述第一模型误差函数至少包括mae误差函数、mse误差函数和rmse误差函数；

43、步骤58，对所述第一误差值是否大于预设的第一误差阈值进行识别；若是，则返回步骤51；若否，则对所述第一预测模型的模型参数进行一次固化，并确认所述第一预测模型的模型训练结束。

44、进一步的，所述基于所述第二数据集对所述第二预测模型进行训练并在训练结束时对所述第二预测模型的相对误差方差进行计算得到对应的所述第一方差，具体包括：

45、步骤61，基于预设的第一比值对所述第二数据集进行数据子集随机分割得到对应的第二训练集和第二评估集；

46、其中，所述第二训练集和第二评估集都包括多个所述第二数据记录；所述第二训练集的记录总数与所述第二评估集的记录总数的比值满足所述第一比值；

47、步骤62，将所述第二训练集的第一个所述第一数据记录提取出来作为对应的当前训练记录；

48、步骤63，将所述当前训练记录的所述第二训练参数清单输入所述第二预测模型进行处理得到对应的第一预测极限应变数据；

49、步骤64，将所述第一预测极限应变数据和所述当前训练记录的所述第一标签极限应变数据带入预设的第二模型损失函数进行计算得到对应的第二损失值；

50、其中，所述第二模型损失函数至少包括l1损失函数和l2损失函数；

51、步骤65，对所述第二损失值是否满足预设的第二损失值范围进行识别；若所述第二损失值满足所述第二损失值范围，则对所述当前训练记录是否为所述第二训练集的最后一个所述第二数据记录进行识别，若是则转至步骤66，若否则将所述第二训练集的下一个所述第二数据记录提取出来作为新的所述当前训练记录并返回步骤63；若所述第二损失值不满足所述第二损失值范围，则基于预设的第二模型参数优化器朝着使所述第二模型损失函数达到最小值的方向对所述第二预测模型进行一轮模型参数调制，并在本轮参数调制结束时返回步骤63；

52、其中，所述第二模型参数优化器至少包括sgd优化器和adam优化器；

53、步骤66，对所述第二评估集的所有所述第二数据记录进行遍历；并在遍历时将当前遍历的所述第二数据记录作为对应的当前评估记录；并将所述当前评估记录的所述第二训练参数清单输入所述第二预测模型进行处理得到对应的第二预测极限应变数据；并由所述第二预测极限应变数据和所述当前评估记录的所述第一标签极限应变数据组成一个对应的第一预测/标签数据对；

54、步骤67，在对所述第二评估集的所有所述第二数据记录的遍历结束后，将得到的所有所述第一预测/标签数据对带入预设的第二模型误差函数进行计算得到对应的第二误差值；

55、所述第二模型误差函数至少包括mae误差函数、mse误差函数和rmse误差函数；

56、步骤68，对所述第二误差值是否大于预设的第二误差阈值进行识别；若是，则返回步骤61；若否，则对所述第二预测模型的模型参数进行一次固化，并确认所述第二预测模型的模型训练结束，并转至步骤69；

57、步骤69，对得到的所有所述第一预测/标签数据对的总数进行统计得到对应的总数n1；并将各个所述第一预测/标签数据对的所述第二预测极限应变数据和所述第一标签极限应变数据记为对应的预测数据yi和标签数据1≤索引i≤n1；并基于各个所述第一预测/标签数据对计算对应的第一相对误差err1 i；并对得到的n1个所述第一相对误差err1i进行均值计算得到对应的第一误差均值err1 aver；并由得到的n1个所述第一相对误差err1i和所述第一误差均值err1 aver计算对应的第一标准差s1；并将所述第一标准差s1的平方作为对应的所述第一方差并保存；

58、其中，

59、

60、

61、进一步的，所述基于所述第三数据集对所述第三预测模型进行训练并在训练结束时对所述第三预测模型的相对误差方差进行计算得到对应的所述第二方差，具体包括：

62、步骤71，基于预设的第一比值对所述第三数据集进行数据子集随机分割得到对应的第三训练集和第三评估集；

63、其中，所述第三训练集和第三评估集都包括多个所述第三数据记录；所述第三训练集的记录总数与所述第三评估集的记录总数的比值满足所述第一比值；

64、步骤72，将所述第三训练集的第一个所述第三数据记录提取出来作为对应的当前训练记录；

65、步骤73，将所述当前训练记录的所述第一训练应变数据序列输入所述第三预测模型进行处理得到对应的第一预测应力数据序列；

66、步骤74，将所述第一预测应力数据序列和所述当前训练记录的所述第一标签应力数据序列带入预设的第三模型损失函数进行计算得到对应的第三损失值；

67、其中，所述第三模型损失函数至少包括l1损失函数和l2损失函数；

68、步骤75，对所述第三损失值是否满足预设的第三损失值范围进行识别；若所述第三损失值满足所述第三损失值范围，则对所述当前训练记录是否为所述第三训练集的最后一个所述第三数据记录进行识别，若是则转至步骤76，若否则将所述第三训练集的下一个所述第三数据记录提取出来作为新的所述当前训练记录并返回步骤73；若所述第三损失值不满足所述第三损失值范围，则基于预设的第三模型参数优化器朝着使所述第三模型损失函数达到最小值的方向对所述第三预测模型进行一轮模型参数调制，并在本轮参数调制结束时返回步骤73；

69、其中，所述第三模型参数优化器至少包括sgd优化器和adam优化器；

70、步骤76，对所述第三评估集的所有所述第三数据记录进行遍历；并在遍历时将当前遍历的所述第三数据记录作为对应的当前评估记录；并将所述当前评估记录的所述第一训练应变数据序列输入所述第三预测模型进行处理得到对应的第二预测应力数据序列；并由所述第二预测应力数据序列和所述当前评估记录的所述第一标签应力数据序列组成一个对应的第一预测/标签序列对；

71、步骤77，在对所述第三评估集的所有所述第三数据记录的遍历结束后，将得到的所有所述第一预测/标签序列对带入预设的第三模型误差函数进行计算得到对应的第三误差值；

72、所述第三模型误差函数至少包括mae误差函数、mse误差函数和rmse误差函数；

73、步骤78，对所述第三误差值是否大于预设的第三误差阈值进行识别；若是，则返回步骤71；若否，则对所述第三预测模型的模型参数进行一次固化，并确认所述第三预测模型的模型训练结束，并转至步骤79；

74、步骤79，对得到的所有所述第一预测/标签序列对的总数进行统计得到对应的总数n2；并将各个所述第一预测/标签序列对的所述第二预测应力数据序列和所述第一标签应力数据序列记为对应的预测数据序列zj和标签数据序列1≤索引j≤n2；并基于各个所述第一预测/标签序列对计算对应的第二相对误差err2j；并对得到的n2个所述第二相对误差err2j进行均值计算得到对应的第二误差均值err2aver；并由得到的n2个所述第二相对误差er r2j和所述第二误差均值er r2aver计算对应的第二标准差s2；并将所述第二标准差s2的平方作为对应的所述第二方差并保存；

75、其中，

76、

77、

78、优选的，所述基于所述第一峰值应变数据对所述第一应变数据序列进行归一化处理得到对应的第二应变数据序列，具体包括：

79、以0值为最小应变数据阈值、以所述第一峰值应变数据为最大应变数据阈值，根据所述最大、最小应变数据阈值对所述第一应变数据序列的各个应变数据进行归一化处理得到对应的归一化应变数据，并由得到的所有归一化应变数据顺序排序组成对应的所述第二应变数据序列。

80、优选的，所述基于所述第一峰值应力数据对所述第一应力数据序列进行反归一化处理得到对应的第二应力数据序列，具体包括：

81、以0值为最小应力数据阈值、以所述第一峰值应力数据为最大应力数据阈值，根据所述最大、最小应力数据阈值对所述第一应力数据序列的各个归一化的应力数据进行反归一化处理得到对应的应力数据，并由得到的所有应力数据顺序排序组成对应的所述第二应力数据序列。

82、优选的，所述基于所述第一应变数据序列和所述第二应力数据序列进行应力应变曲线构建得到对应的第一应力应变曲线，具体包括：

83、按序列索引匹配关系将所述第一应变数据序列和所述第二应力数据序列中每对序列索引匹配的应变数据和应力数据提取出来组成一个对应的应力应变数据对；并对得到的所有所述应力应变数据对进行顺序排序组成对应的应力应变数据对序列；并根据所述应力应变数据对序列进行二维曲线拟合得到对应的所述第一应力应变曲线。

84、优选的，所述基于所述第一极限应变数据和所述两个相对误差方差对所述第一应力应变曲线进行局部修正，具体包括：

85、步骤111，将所述第一应力应变曲线上应变数据从0到所述第一峰值应变数据的曲线部分记为左侧上升曲线，应变数据大于第一峰值应变数据的曲线部分记为右侧下降曲线；并在所述第一应力应变曲线的二维应力-应标坐标平面上将所述右侧下降曲线上所述第一峰值应力数据对应的曲线点记为对应的峰值应力点p0；

86、其中，所述二维应力-应变坐标平面的横轴为应变、纵轴为应力；所述峰值应力点p0的应变坐标为所述第一峰值应变数据，应力坐标为所述第一峰值应力数据；

87、步骤112，根据所述第一峰值应力数据计算对应的第一极限应力数据＝第一峰值应力数据×90％；并将所述右侧下降曲线上与所述第一极限应力数据对应的应变数据记为对应的第二极限应变数据；并在所述二维应力-应标坐标平面上将所述右侧下降曲线上所述第一极限应力数据对应的曲线点记为对应的修正前极限应力点p1；

88、其中，所述修正前极限应力点p1的应变坐标为所述第二极限应变数据，应力坐标为所述第一极限应力数据；

89、步骤113，根据所述两个相对误差方差的所述第一、第二方差和所述第一、第二极限应变数据计算对应的第一修正极限应变数据；

90、其中，

91、

92、为所述两个相对误差方差的所述第一方差，为所述两个相对误差方差的所述第二方差，εccu-1为所述第一极限应变数据，εccu-2为所述第二极限应变数据，εccu-3为所述第一修正极限应变数据；

93、步骤114，将所述二维应力-应变坐标平面上应变坐标为所述第一修正极限应变数据、应力坐标为所述第一极限应力数据的位置点记为对应的修正后极限应力点p2；

94、其中，所述修正后极限应力点p2与所述修正前极限应力点p1处于同一水平线上；

95、步骤115，以所述峰值应力点p0为旋转轴心并按将所述右侧下降曲线向所述修正后极限应力点p2逐步逼近的旋转方向对所述右侧下降曲线进行旋转，直到所述修正后极限应力点p2位于旋转后的所述右侧下降曲线上时停止旋转；

96、步骤116，由所述左侧上升曲线和旋转后的所述右侧下降曲线组成修正后的所述第一应力应变曲线。

97、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对应力应变曲线进行预测和修正的处理方法的装置，所述装置包括：模型构建模块、模型训练模块、数据接收模块、第一模型应用模块、第二模型应用模块、第三模型应用模块和应力应变曲线修正模块；

98、所述模型构建模块应用于构建一个用于根据混凝土构件的设计参数清单对构件的峰值应力数据fcc和峰值应变数据εcc进行预测的第一预测模型；并构建一个用于根据所述设计参数清单对构件的极限应变数据εccu进行预测的第二预测模型；并构建一个用于根据混凝土构件的归一化应变数据序列对构件的归一化应力数据序列进行预测的第三预测模型；所述设计参数清单包括十九类设计参数；

99、所述模型训练模块用于基于预设的第一、第二和第三数据集对所述第一、第二和第三预测模型进行训练并在训练过程中对所述第二、第三预测模型的两个相对误差方差进行保存；所述两个相对误差方差包括第一方差和第二方差；所述第一方差与所述第二预测模型对应；所述第二方差与所述第三预测模型对应；

100、所述数据接收模块用于在三个预测模型都训练完成后，接收任一个混凝土构件的第一设计参数清单和第一应变数据序列；

101、所述第一模型应用模块用于基于所述第一预测模型根据所述第一设计参数清单进行预测得到对应的第一峰值应力数据和第一峰值应变数据；

102、所述第二模型应用模块用于基于所述第二预测模型根据所述第一设计参数清单进行预测得到对应的第一极限应变数据；

103、所述第三模型应用模块用于基于所述第一峰值应变数据对所述第一应变数据序列进行归一化处理得到对应的第二应变数据序列；并基于所述第三预测模型根据所述第二应变数据序列进行预测得到对应的归一化应力数据序列记为第一应变数据序列；并基于所述第一峰值应力数据对所述第一应力数据序列进行反归一化处理得到对应的第二应力数据序列；并基于所述第一应变数据序列和所述第二应力数据序列进行应力应变曲线构建得到对应的第一应力应变曲线；所述第一、第二应力数据序列以及所述第一、第二应变数据序列的序列长度都相同；

104、所述应力应变曲线修正模块用于基于所述第一极限应变数据和所述两个相对误差方差对所述第一应力应变曲线进行局部修正。

105、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；

106、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；

107、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。

108、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。

109、本发明实施例提供了一种对应力应变曲线进行预测和修正的处理方法、装置、电子设备及计算机可读存储介质。由上述内容可知，本发明实施例预先构建三个预测模型，分别为：用于根据混凝土构件的设计参数清单对构件的峰值应力数据fcc和峰值应变数据εcc进行预测的第一预测模型、用于根据设计参数清单对构件的极限应变数据εccu进行预测的第二预测模型、用于根据混凝土构件的归一化应变数据序列对构件的归一化应力数据序列进行预测的第三预测模型；并基于预设的三个数据集对这三个预测模型进行训练并在训练过程中对第二、第三预测模型的相对误差方差(第一方差、第二方差)进行保存；在三个预测模型都训练完成后接收任一个混凝土构件的设计参数清单和应变数据序列，先由第一预测模型根据设计参数清单预测峰值应力/应变数据、由第二预测模型根据设计参数清单预测极限应变数据，再根据预测出的峰值应变数据对构件的应变数据序列进行归一化处理、再由第三预测模型根据归一化的应变数据序列预测对应的归一化应力数据序列，再基于预测出的峰值应力数据对归一化应力数据序列进行反归一化处理并基于构件的应力/应变数据序列构建应力应变曲线，最后由预测出的极限应变数据和两个相对误差方差(第一方差、第二方差)对应力应变曲线进行局部修正。将本发明实施例应用在混凝土构件的设计工作中，可以在只有应变数据序列的情况下进行应力应变曲线构建并能对构建出的曲线进行修正，通过本发明实施例不但降低了设计工作的计算工作量、提高了设计效率，还提高了应力应变曲线的准确性。