论文部分内容阅读
摘要：本文采用大数据分析技术利用Python软件分析拟合混凝土强度增长曲线，通过可视化的强度增长曲线，预测区域其它施工现场商品混凝土强度增长曲线，为施工现场高标号混凝土强度增长监测及判定提供数据参考。
关键词：大数据技术 Python拟合 高标号混凝土强度
商品混凝土，也叫预拌混凝土。是指由商品混凝土拌合站作为混凝土供应商，负责根据施工单位的项目图纸设计混凝土强度要求，独立完成混凝土配合比设计、原材料采购、外加剂及掺合料选用、混凝土预拌和，再将预拌混凝土作为供应商品，出售给施工单位，采用混凝土搅拌罐车运输至施工现场使用。我国早在20世纪60年代就开始采用预拌混凝土，直到20世纪90年代，随着我国基础设施建设的不断推进，商品混凝土才迎来了高速发展期。混凝土的商品化，使混凝土的生产从传统的粗放型管理转变成集约型管理，便于从原材料、生产过程、计量及检验等生产的各个环节进行严格质量控制，保证混凝土产品质量。随着科技的进步，商品混凝土在工业废渣和城市废弃物处理处置及综合利用方面展现出巨大优势作用，尤其是混凝土外加剂和矿物掺合料的推广应用，使混凝土具有高性能化和多功能化。但是，也正是随着新材料和新技术才商品混凝土生产中的推广应用，混凝土的强度增长规律也在出现差异性，尤其是高标号混凝土的温度累计强度，已经完全不能用传统的混凝土强度增长曲线来监测，尤其是再气温较低的冬季，混凝土强度的增长差异更加明显。
在抗震设防烈度达到6度以上的房屋建筑工程，尤其是高层建筑或者超高层建筑中，基础及底部加强层混凝土标号基本为C50以上。目前，为保证混凝土质量，工程普遍采用商品混凝土。根据《混凝土结构工程施工质量验收规范》GB50204-2015条文说明：“为改善混凝土性能并实现节能减排，目前多数混凝土中掺有矿物掺合料，掺加矿物掺合料的混凝土与不掺加掺合料的混凝土相比，早期强度偏低，而后期发展较快，在温度低的条件下更为明显。”这就给施工现场同条件养护混凝土试块的强度测定及现场混凝土强度评定及验收工作带来了一定困难。
本文就是针对高标号混凝土（C50）的强度增长，采用大数据分析技术，收集一定范围内一定数量的混凝土强度增长历史数据，利用Python软件分析拟合混凝土强度增长曲线，为后续施工现场混凝土强度增长监测及判定提供数据参考。
大数据分析是指对规模巨大的数据进行分析。大数据可以概括为5个V， 数据量大（Volume）、速度快（Velocity）、类型多（Variety）、价值（Value）、真实性（Veracity） 。数据分析的六个基本方面是可視化分析、数据挖掘算法、预测性分析能力、语义引擎、数据质量和数据管理数据存储、数据仓库。数据分析流程的数据获取→数据预处理→特征工程→建模求解模型→模型优化评估→数据可视化。数据收集就是按照确定的数据分析框架收集相关数据，为数据分析提供了依据;数据预处理是对收集的数据进行处理，清理异常值和错误数据;特征工程是获取更好训练数据特征;建立模型就是根据需要，选择数据分析模型，配置模型参数;模型优化评估就是不断调整参数，优化模型;数据可视化就是将已经处理完毕的数据，以图形、图像等方式进行展示，用图形、图像等直观、形象、可视的方式来表达数据的信息和规律。
1 混凝土强度大数据来源
1.1C50商品混凝土数据来源
某施工单位在某市内在建房建项目共计7个，单体项目34个，本次数据来源主要为现场实测数据。根据商品混凝土搅拌站提供的配合比资料，选取其中强度标号为C50混凝土100个单体项目的室内检测点，要求C50混凝土的各配合比及外加剂成分完全一致，且浇筑时间在12月至2月，本次混凝土强度自混凝土浇筑日期完成3日后开始检测，混凝土强度检测点共计1000个，根据气温累计增长10℃·d检测一次，将每个检测点，每气温累计增长10℃·d的强度累计值。
1.2C50商品混凝土强度测定方法
1.2.1混凝土强度测定方法
选定的检测部位，C50商品混凝土强度测定采用回弹法检测混凝土抗压强度。根据《回弹法检测混凝土抗压强度技术规程》JGJ/T23-2011，采用统一校对的回弹仪，选择竖向构件，每个竖向构件设置5各测区，每个测区面积不小于0.04㎡（20cmX20cm正方形），每个测区内进行清理，去除测区内的浮浆层和松散层，保证测区平整，无蜂窝、麻面、错台等质量通病。将测区平均分为4行4列，即4cmX4cm的方格，以保证测点在测区内均匀分布。检测操作时，保证回弹仪与墙面垂直，缓缓施加压力，准确读数，快速复位。每个测区的16个回弹值读数精确到1.
1.2.1混凝土强度计算方法
根据《回弹法检测混凝土抗压强度技术规程》JGJ/T23-2011，记录的检测区域内16个回弹值，去掉3个最高值，去掉3个最低值，剩余的10个数值取平均值，记为，此时假定混凝土构件检测区的深度值为0，根据规程的附录表，查表计算出该测区的混凝土强度值。
1.3本次使用数据
记录所有测区的C50混凝土强度值，按照气温累计增长10℃·d的强度累计值分别统计，每个温度累计点的混凝土强度值，去掉10个最高值，去掉10个最低值，求出每个累计点的平均值，作为本次C50混凝土强度测定在该温度的强度数据值。
2 数据模型
根据混凝土强度增长规律，本文采用一元线性回归算法，来模拟预测该地区C50混凝土强度增长曲线。一元线性回归分析，就是已知N个自变量（，，...，），同时对应着N个输出值（，...，）通过构建自变量和因变量之间的关系，即函数，找到自变量和因变量之间的映射关系，回归出模型规律和模型参数，然后根据模型计算更多自变量对应的因变量。
3模拟计算
3.1选取每气温累计增长10℃·d的温度累计值X作为训练数列的自变量数列，即第一个序列。第二个序列为训练样本的因变量序列，Y表示每个温度对应的混凝土强度。 3.2将上述的样本序列可视化操作。将X与Y序列进行图形绘制。
3.3建立一元1阶1阶线性回归模型，提升阶数至2阶，再提升阶数至3阶线性回归模型。
然后进行模型求解，即分别求解出一元1阶线性回归模型的模型参数【a、b】;一元2阶阶线性回归模型的模型参数【a、b、c】和一元3阶线性回归模型的模型参数【a、b、c、d】。
4 python功能实现
Python由荷兰数学和计算机科学研究学会的Guido van Rossum 于1990 年代初设计，其语言简洁、易读、可扩展性、易维护，深受广大用户欢迎。本文即使用Python语言编程，利用其来实现一元线性回归模型求解，并完成图形绘制可视化。过程中先選用一元1阶模型求解，再提升至2阶求解，最后提升至3阶求解，并进行图形对比，寻找更贴近实际的拟合曲线，来代表模拟C50混凝土的强度增长曲线。
利用Python语言编程主要步骤为：引入数据包→调取数据包→引入绘图包→建立一元1阶回归模型并求解模型→构造测试数据并求解→将训练样本和测试集可视化→提升至2阶后输出可视化模型→提升至3阶输出可视化模型→结束。
5 结论
结论一：一元1阶回归模型求解后，拟合结果为直线，但各强度点离散度较大;一元2阶回归模型求解后，拟合结果变为曲线，部分强度点离散度较大;一元3阶回归模型求解后，拟合结果是曲线拐点增加，与样本数据更为贴近。故选取一元3阶回归模型拟合曲线来描述本次混凝土强度增长曲线。
结论二：根据混凝土强度随温度累计增长的图形，清晰反应了该地区C50混凝土强度曲线增长规律，即随着温度累计，混凝土强度增长趋势表现为快-慢-快，且中间较长时间，混凝土强度增长较缓。
6 结论
本文利用大数据分析理论，使用大数据分析软件程序，根据已有的C50混凝土强度增长的历史数据，使用评价混凝土强度的混凝土强度增长值随温度变化的温度累计（℃·d），建立模型，配置参数，模拟高标号商品混凝土强度增长规律，通过不断调整参数，优化模型，拟合C50混凝土强度随温度累计的增长曲线，并将拟合的曲线可视化。通过可视化的强度增长曲线，预测本地区其它施工现场商品混凝土强度增长曲线，对高标号混凝土现场施工养护、强度增长监测、现场施工安排等提供数据参考，具有一定指导意义。
参考文献
【1】《混凝土结构工程施工质量验收规范》GB50204-2015
【2】《回弹法检测混凝土抗压强度技术规程》JGJ/T23-2011
【3】《零基础学会Python人工智能》 刘经纬 陈佳明
【4】《大数据处理于分析方法介绍》中国互联网数据咨询中心
【5】《大数据分析方法》陆红
关键词：大数据技术 Python拟合 高标号混凝土强度
商品混凝土，也叫预拌混凝土。是指由商品混凝土拌合站作为混凝土供应商，负责根据施工单位的项目图纸设计混凝土强度要求，独立完成混凝土配合比设计、原材料采购、外加剂及掺合料选用、混凝土预拌和，再将预拌混凝土作为供应商品，出售给施工单位，采用混凝土搅拌罐车运输至施工现场使用。我国早在20世纪60年代就开始采用预拌混凝土，直到20世纪90年代，随着我国基础设施建设的不断推进，商品混凝土才迎来了高速发展期。混凝土的商品化，使混凝土的生产从传统的粗放型管理转变成集约型管理，便于从原材料、生产过程、计量及检验等生产的各个环节进行严格质量控制，保证混凝土产品质量。随着科技的进步，商品混凝土在工业废渣和城市废弃物处理处置及综合利用方面展现出巨大优势作用，尤其是混凝土外加剂和矿物掺合料的推广应用，使混凝土具有高性能化和多功能化。但是，也正是随着新材料和新技术才商品混凝土生产中的推广应用，混凝土的强度增长规律也在出现差异性，尤其是高标号混凝土的温度累计强度，已经完全不能用传统的混凝土强度增长曲线来监测，尤其是再气温较低的冬季，混凝土强度的增长差异更加明显。
在抗震设防烈度达到6度以上的房屋建筑工程，尤其是高层建筑或者超高层建筑中，基础及底部加强层混凝土标号基本为C50以上。目前，为保证混凝土质量，工程普遍采用商品混凝土。根据《混凝土结构工程施工质量验收规范》GB50204-2015条文说明：“为改善混凝土性能并实现节能减排，目前多数混凝土中掺有矿物掺合料，掺加矿物掺合料的混凝土与不掺加掺合料的混凝土相比，早期强度偏低，而后期发展较快，在温度低的条件下更为明显。”这就给施工现场同条件养护混凝土试块的强度测定及现场混凝土强度评定及验收工作带来了一定困难。
本文就是针对高标号混凝土（C50）的强度增长，采用大数据分析技术，收集一定范围内一定数量的混凝土强度增长历史数据，利用Python软件分析拟合混凝土强度增长曲线，为后续施工现场混凝土强度增长监测及判定提供数据参考。
大数据分析是指对规模巨大的数据进行分析。大数据可以概括为5个V， 数据量大（Volume）、速度快（Velocity）、类型多（Variety）、价值（Value）、真实性（Veracity） 。数据分析的六个基本方面是可視化分析、数据挖掘算法、预测性分析能力、语义引擎、数据质量和数据管理数据存储、数据仓库。数据分析流程的数据获取→数据预处理→特征工程→建模求解模型→模型优化评估→数据可视化。数据收集就是按照确定的数据分析框架收集相关数据，为数据分析提供了依据;数据预处理是对收集的数据进行处理，清理异常值和错误数据;特征工程是获取更好训练数据特征;建立模型就是根据需要，选择数据分析模型，配置模型参数;模型优化评估就是不断调整参数，优化模型;数据可视化就是将已经处理完毕的数据，以图形、图像等方式进行展示，用图形、图像等直观、形象、可视的方式来表达数据的信息和规律。
1 混凝土强度大数据来源
1.1C50商品混凝土数据来源
某施工单位在某市内在建房建项目共计7个，单体项目34个，本次数据来源主要为现场实测数据。根据商品混凝土搅拌站提供的配合比资料，选取其中强度标号为C50混凝土100个单体项目的室内检测点，要求C50混凝土的各配合比及外加剂成分完全一致，且浇筑时间在12月至2月，本次混凝土强度自混凝土浇筑日期完成3日后开始检测，混凝土强度检测点共计1000个，根据气温累计增长10℃·d检测一次，将每个检测点，每气温累计增长10℃·d的强度累计值。
1.2C50商品混凝土强度测定方法
1.2.1混凝土强度测定方法
选定的检测部位，C50商品混凝土强度测定采用回弹法检测混凝土抗压强度。根据《回弹法检测混凝土抗压强度技术规程》JGJ/T23-2011，采用统一校对的回弹仪，选择竖向构件，每个竖向构件设置5各测区，每个测区面积不小于0.04㎡（20cmX20cm正方形），每个测区内进行清理，去除测区内的浮浆层和松散层，保证测区平整，无蜂窝、麻面、错台等质量通病。将测区平均分为4行4列，即4cmX4cm的方格，以保证测点在测区内均匀分布。检测操作时，保证回弹仪与墙面垂直，缓缓施加压力，准确读数，快速复位。每个测区的16个回弹值读数精确到1.
1.2.1混凝土强度计算方法
根据《回弹法检测混凝土抗压强度技术规程》JGJ/T23-2011，记录的检测区域内16个回弹值，去掉3个最高值，去掉3个最低值，剩余的10个数值取平均值，记为，此时假定混凝土构件检测区的深度值为0，根据规程的附录表，查表计算出该测区的混凝土强度值。
1.3本次使用数据
记录所有测区的C50混凝土强度值，按照气温累计增长10℃·d的强度累计值分别统计，每个温度累计点的混凝土强度值，去掉10个最高值，去掉10个最低值，求出每个累计点的平均值，作为本次C50混凝土强度测定在该温度的强度数据值。
2 数据模型
根据混凝土强度增长规律，本文采用一元线性回归算法，来模拟预测该地区C50混凝土强度增长曲线。一元线性回归分析，就是已知N个自变量（，，...，），同时对应着N个输出值（，...，）通过构建自变量和因变量之间的关系，即函数，找到自变量和因变量之间的映射关系，回归出模型规律和模型参数，然后根据模型计算更多自变量对应的因变量。
3模拟计算
3.1选取每气温累计增长10℃·d的温度累计值X作为训练数列的自变量数列，即第一个序列。第二个序列为训练样本的因变量序列，Y表示每个温度对应的混凝土强度。 3.2将上述的样本序列可视化操作。将X与Y序列进行图形绘制。
3.3建立一元1阶1阶线性回归模型，提升阶数至2阶，再提升阶数至3阶线性回归模型。
然后进行模型求解，即分别求解出一元1阶线性回归模型的模型参数【a、b】;一元2阶阶线性回归模型的模型参数【a、b、c】和一元3阶线性回归模型的模型参数【a、b、c、d】。
4 python功能实现
Python由荷兰数学和计算机科学研究学会的Guido van Rossum 于1990 年代初设计，其语言简洁、易读、可扩展性、易维护，深受广大用户欢迎。本文即使用Python语言编程，利用其来实现一元线性回归模型求解，并完成图形绘制可视化。过程中先選用一元1阶模型求解，再提升至2阶求解，最后提升至3阶求解，并进行图形对比，寻找更贴近实际的拟合曲线，来代表模拟C50混凝土的强度增长曲线。
利用Python语言编程主要步骤为：引入数据包→调取数据包→引入绘图包→建立一元1阶回归模型并求解模型→构造测试数据并求解→将训练样本和测试集可视化→提升至2阶后输出可视化模型→提升至3阶输出可视化模型→结束。
5 结论
结论一：一元1阶回归模型求解后，拟合结果为直线，但各强度点离散度较大;一元2阶回归模型求解后，拟合结果变为曲线，部分强度点离散度较大;一元3阶回归模型求解后，拟合结果是曲线拐点增加，与样本数据更为贴近。故选取一元3阶回归模型拟合曲线来描述本次混凝土强度增长曲线。
结论二：根据混凝土强度随温度累计增长的图形，清晰反应了该地区C50混凝土强度曲线增长规律，即随着温度累计，混凝土强度增长趋势表现为快-慢-快，且中间较长时间，混凝土强度增长较缓。
6 结论
本文利用大数据分析理论，使用大数据分析软件程序，根据已有的C50混凝土强度增长的历史数据，使用评价混凝土强度的混凝土强度增长值随温度变化的温度累计（℃·d），建立模型，配置参数，模拟高标号商品混凝土强度增长规律，通过不断调整参数，优化模型，拟合C50混凝土强度随温度累计的增长曲线，并将拟合的曲线可视化。通过可视化的强度增长曲线，预测本地区其它施工现场商品混凝土强度增长曲线，对高标号混凝土现场施工养护、强度增长监测、现场施工安排等提供数据参考，具有一定指导意义。
参考文献
【1】《混凝土结构工程施工质量验收规范》GB50204-2015
【2】《回弹法检测混凝土抗压强度技术规程》JGJ/T23-2011
【3】《零基础学会Python人工智能》 刘经纬 陈佳明
【4】《大数据处理于分析方法介绍》中国互联网数据咨询中心
【5】《大数据分析方法》陆红