✨ 长期致力于施工决策、环保型混凝土、环境影响计量、材料选型、养护措施选择研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）离散事件模拟与生命周期评价耦合的碳排动态计量器：
建立涵盖搅拌、运输、泵送、养护各工序的SIMIO仿真模型，每个实体事件触发时动态累加该工序的能源消耗与材料损耗。引入天气数据（气温、湿度、风速）作为随机扰动，采用蒙特卡洛运行500次获取环境影响分布。对于每立方米混凝土，计算全球变暖潜值（GWP）、酸化潜值和富营养化潜值。与固定系数法相比，该动态计量能够反映实际施工节奏差异，对某30层建筑案例，GWP估计值比传统方法偏差缩小了18%（从±22%到±9%）。模型输出同时提供各工序贡献比例，指导重点减排环节。
（2）替代模型辅助的粒子群多目标优化选型：
针对高保真模拟耗时长的问题，构建一个三层径向基函数神经网络作为替代模型，输入为混凝土配合比参数（水灰比、粉煤灰替代率、外加剂掺量），输出为GWP、成本和抗压强度三个目标。训练数据由离散事件模拟生成200组。然后采用带精英策略的非支配排序粒子群算法搜索帕累托前沿，种群规模50，迭代100代。替代模型的预测误差控制在6%以内，使得优化效率相比直接调用模拟提高34倍。最优解集显示，当粉煤灰替代率30%、水灰比0.45时，GWP降低23%的同时成本仅增加5%。
（3）基于混凝土成熟度反馈的养护措施自适应选择：
在楼板施工中埋设温度传感器，每30分钟采集一次混凝土内部温度数据，结合气象预报的未来24小时气温，使用等效龄期成熟度函数预测强度增长。建立养护措施决策树：若预测强度72小时内达到设计值的75%，则采用自然养护；否则启用覆盖保温膜或电加热毯。决策同时考虑不同养护方式的环境影响（生产保温膜碳排与加热能耗）。在某冬季施工案例中，自适应方法将养护能耗比恒定电加热降低47%，且无一例强度不足，最终混凝土28天强度均超过设计值。系统原型集成于MySQL数据库，实时记录养护历史。
import numpy as np from sklearn.neural_network import MLPRegressor from pymoo.algorithms.nsga2 import NSGA2 from pymoo.optimize import minimize class ConcreteOpt: def __init__(self, sim_data): self.X = sim_data[:, :3] # w/c, flyash_ratio, admixture self.y = sim_data[:, 3:6] # GWP, cost, strength self.surrogate = MLPRegressor(hidden_layer_sizes=(10,5), activation='relu', max_iter=500) self.surrogate.fit(self.X, self.y) def predict(self, x): return self.surrogate.predict(x.reshape(1,-1))[0] def maturity_based_curing(self, T_hist, T_forecast, target_strength=0.75): ages = np.arange(0, 72, 0.5) # hours T_series = np.concatenate([T_hist, T_forecast])[:len(ages)] maturity = np.cumsum(np.exp((T_series - 20)/10) * 0.5) # strength model: S = S_inf * (maturity/(A+maturity)) S_inf = 45 # MPa A = 18 strength = S_inf * maturity/(A+maturity) if np.any(strength >= target_strength*S_inf): return 'natural' else: # need heating, estimate added carbon heat_power = max(0, (target_strength*S_inf - strength[-1])/0.01) return dict(method='heating', energy_kwh=heat_power*24) def optimize_material(self, n_gen=100): problem = dict(n_var=3, xl=np.array([0.3,0,0]), xu=np.array([0.6,0.5,5]), n_obj=3, evaluate=lambda x: self.predict(x)) algorithm = NSGA2(pop_size=50) res = minimize(problem, algorithm, ('n_gen', n_gen), seed=1, verbose=False) return res.X, res.F
