随着我国土木工程的发展,混凝土的应用日益广泛,尤其是混凝土搅拌站的出现使混凝土的产量得到了更大的提升。混凝土的性能与企业的发展息息相关,因此混凝土的性能研究也更加重要。早期人们为了获得符合施工要求和使用要求的混凝土产品,采用经验结合数理统计的方法设计混凝土的配合比。然而这种方法比较落后,难以满足目前的实际需要。学习机器根据样本便可较好地拟合混凝土性能与影响因素之间的关系,因此机器学习方法在混凝土性能预测的研究中得到了广泛的应用,其中神经网络和支持向量机是常用的学习机器。目前的研究中大多研究混凝土性能与物料配合比的关系,然而实际中混凝土的性能还与搅拌的过程有关,混凝土搅拌是混凝土生产中极其重要的一道工序,混凝土的搅拌质量直接影响着混凝土的性能。生产中即使相同的物料配合比,受搅拌程度的影响,混凝土的性能之间也存在差异,因此需综合考虑混凝土的物料配合比与搅拌状态才能准确地预测混凝土的性能。本文根据混凝土原材料中的水化反应以及混凝土拌和物的流体特性分析了混凝土的状态与搅拌电流之间的对应关系,通过搅拌电流从不同角度构造出反应搅拌状态的物理量,将这些物理量与物料配合比结合起来使用LSSVM预测混凝土的性能。本文通过大量尝试,选用不同的变量组合预测混凝土的抗压强度和坍落度,对预测效果进行比较,表明了将混凝土的物料配合比与搅拌过程的动态参量结合起来可以改善混凝土的预测效果。然而对于不同的动态参量和物料配合比预测的效果均不相同。本文经过大量实验在物料信息和反应搅拌过程的参量中选取了若干组预测效果不错的参量组合,将该参量组合作为LSSVM的输入量可以综合提高混凝土的预测性能。由于本文选取的参量种类较多,各种参量之间可能存在各种向关系,不宜直接作为LSSVM的输入量。基于此,本文使用了核主元分析法对原始数据进行处理,建立了KPCA-LSSVM预测模型,实验证明该方法可以有效地提高混凝土坍落度和抗压强度的精度。