首页 >> 往期培训 >>机器学习与混凝土性能预测 >> 第1届北京等贤机器学习与混凝土性能预测培训班第一轮通知
详细内容

第1届北京等贤机器学习与混凝土性能预测培训班第一轮通知



发布日期:2026年05月20日

培训简介 

机器学习正深刻重塑混凝土材料的研究范式,推动其向智能化、低碳化与 高质量发展转型。在智能设计与逆向优化方面,以“砼真砼知”等材料大模 型为代表,实现了从目标性能到最优配比的逆向推演,能在强度、成本、 碳足迹等多目标间智能平衡,结合贝叶斯优化与深度强化学习可进一步实 现配合比精准调控和不确定性量化;在微观模拟领域,生成式 AI 驱动的扩 散变换器模型可合成水化水泥浆体的高保真三维微观结构,将微观相分布 与宏观力学响应相关联,打通了从分子动力学到有限元分析的多尺度计算 链条;在智能感知与无损检测中,机器视觉与深度学习已实现混凝土裂缝、 脱落的自动识别,探地雷达融合 YOLOv8 等模型能以 97.6%的精度无创识 别钢筋直径,检测时间从数小时压缩至分钟级,扩散生成模型与高光谱技 术也为自修复剂分布监控提供了新途径;在可持续制造方面,机器学习混 合模型(如 XGBoost+遗传算法)可高效预测高性能混凝土的强度与耐久 性,在降低水泥用量 15–30%的同时保持性能,耦合耐久性模型与 LCA 还 能精准估算结构寿命与全生命周期碳排放。综上,机器学习已从辅助工具 演变为混凝土材料科学与工程创新的核心驱动力,有力支撑绿色低碳基础 设施的设计、运行与维护。

培训目标 

本课程的主要目标是帮助学员建立“混凝土材料问题—数据集构建—机器 学习建模—性能预测—模型解释—配合比优化—论文表达”的完整研究思 路。

通过本课程学习,学员将能够理解机器学习在混凝土设计和性能预测中的 基本原理,掌握混凝土数据集的构建、清洗、标准化和特征选择方法,能 够使用线性回归、决策树、随机森林、支持向量机、XGBoost 和神经网络 等模型预测混凝土性能。同时,学员还将学习如何使用交叉验证、网格搜 索、随机搜索和 Optuna 等方法进行模型调参,如何利用 SHAP 等可解释 性方法分析模型结果,并进一步掌握机器学习辅助混凝土配合比优化和论 文结果表达的方法。 

课程结束后,学员应能够独立完成一个混凝土性能预测案例,包括数据处 理、模型训练、结果评价、图表绘制和论文分析文字撰写。

培训授课讲师

主讲老师来自国内重点高校,长期从事人工智能、机器学习与土木工程材料及结构检测交叉领域研究,研究方向涵盖混凝土性能预测、智能配合比设计、结构健康监测、无损检测、信号处理、深度学习及数字孪生等。近年来,围绕混凝土材料性能建模、工程结构状态评估与智能检测方法开展了系统研究,在多个国际高水平期刊发表 SCI 论文多篇,具有扎实的理论基础和丰富的科研实践经验。他的授课方式注重理论与工程案例结合,能够将复杂的机器学习方法、混凝土设计问题和检测分析流程讲解得清晰易懂

培训内容大纲

第一天:混凝土数据基础、工具环境与机器学习入门

上午

·使学员理解混凝土性能预测为什么需要机器学习方法。

·使学员明确混凝土抗压强度预测是一个监督学习中的回归问题。

·使学员理解输入变量X、输出变量Y、样本、特征和标签等基本概念。

·使学员掌握Python、Anaconda和Jupyter Notebook的基本操作。 

·使学员了解NumPy、Pandas、Matplotlib和Scikit-learn等常用库的基本用途。 

·使学员能够读取混凝土数据集,并完成数据查看、统计分析和缺失值检查。

·使学员能够完成训练集、测试集划分和标准化处理。

下午

·理解线性回归模型的基本思想;

·知道什么是损失函数;

·理解过拟合和正则化的基本概念;

·掌握Ridge、Lasso、ElasticNet 的区别;

·能够用Python 建立四种线性模型;

·能够用R^2、MAE、MSE、RMSE 评价预测结果;

·能够比较不同线性模型在混凝土抗压强度预测中的表现。

第二天  经典非线性机器学习模型在混凝土设计预测中的应用

第二天的主要目标是让学生从第一天的线性模型进一步过渡到非线性机器学习模型。本日课程介绍混凝土设计预测中常用的经典非线性机器学习模型,包括 KNN、SVM/SVR、Random Forest 和 AdaBoost。上午部分重点讲解 KNN 的邻近样本预测思想、距离度量和标准化要求,以及 SVR 的 ε-不敏感损失函数、支持向量和核函数方法。下午部分重点介绍 Random Forest 和 AdaBoost 两类集成学习模型,讲解 Bagging、Boosting、随机采样、特征随机选择和样本权重更新等核心概念。结合混凝土抗压强度预测案例,学生将完成数据处理、模型训练、性能评价和结果对比,并理解不同模型在混凝土配合比设计与强度预测中的适用性、优势和局限。

·理解非线性模型在混凝土抗压强度预测中的必要性;

·掌握 KNN、AdaBoost、Random Forest 和 SVM 的基本原理; 

·理解不同模型对数据标准化、参数设置和过拟合控制的要求;

·能够使用 Python 建立四类经典机器学习回归模型; 

·能够使用R^2、MAE、MSE、RMSE 对模型进行评价; 

·能够比较线性模型与非线性模型的预测性能;

·能够从工程角度解释不同模型的优点与局限。

上午

非线性机器学习模型概述,涉及模型:KNN, SVM/SVR , Random Forest, AdaBoost

·KNN 的邻近样本预测思想;欧氏距离与样本相似性;邻居数量 K 的选择;标准化对 KNN 的影响;KNN 在混凝土抗压强度预测中的实操;KNN 模型的优点与局限.

·SVM 与 SVR 的区别; -不敏感损失函数;支持向量的概念;线性核、多项式核和 RBF 核;参数、、 的作用; SVR 在混凝土抗压强度预测中的实操;SVR 模型的优点与局限

下午

·决策树基本思想回顾;Bagging 集成学习方法;随机采样与特征随机选择;多棵树平均预测机制主要参数:n_estimators、max_depth、max_features特征重要性分析;Random Forest 在混凝土强度预测中的实操Random Forest 模型的优点与局限

·AdaBoost 回归模型原理;参数 n_estimators 和 learning_rate 的作用;AdaBoost 在混凝土强度预测中的实操;AdaBoost 与 Random Forest 的结果比较

第三天:神经网络、集成学习、超参数优化与可解释性分析

本日课程围绕混凝土设计预测中的高级机器学习建模方法展开,重点介绍 MLP 神经网络、集成学习方法、贝叶斯优化超参数调优以及 SHAP 可解释性分析。课程以混凝土抗压强度预测为主线,讲解如何进一步提高模型预测性能,并分析模型如何利用混凝土配合比变量进行预测。

·理解MLP 神经网络在混凝土性能预测中的基本建模思想;

·掌握神经网络中的输入层、隐藏层、输出层、激活函数和损失函数;

·理解集成学习如何提高模型稳定性和预测精度;

·掌握贝叶斯优化在超参数调优中的基本作用;

·理解SHAP 方法在机器学习模型解释中的意义;

·能够使用Python 建立 MLP 和集成模型;

·能够利用贝叶斯优化搜索较优超参数组合;

·能够利用SHAP 分析混凝土配合比变量对预测结果的贡献。

上午

·MLP: 基础理论;人工神经网络基本结构;输入层、隐藏层与输出层;激活函数与损失函数;反向传播与模型训练;MLP 回归模型; 神经网络在小样本混凝土数据中的注意事项

·集成学习:单模型与集成模型的区别;’Bagging 思想;Boosting 思想; Stacking 思想; Voting/Averaging 集成方法;集成学习在混凝土强度预测中的优势;集成模型的预测结果比较

下午

·超参数优化:超参数与模型参数的区别;手动调参的问题;Grid Search 与 Random Search;Bayesian Optimization 的基本思想;代理模型与采集函数;使用贝叶斯优化调节 MLP、Random Forest 或 SVR;优化前后模型性能对比。

·可解释分析:全局特征重要性分析;单个样本预测解释;特征影响方向分析

;特征交互作用分析;SHAP 结果的工程解释。

第四天物理驱动神经网络介绍;论文复现;Q&A 

上午

·解释PINNs 的基本思想;区分数据驱动模型和物理约束模型;说明 PINNs 损失函数的组成;理解物理残差、边界条件和初始条件在模型训练中的作用;

·论文复现

Jai Srivastava & Tushar Bansal. Smart monitoring of nano-engineered concrete via piezoelectric sensors and EMI technique. Nondestructive Testing and Evaluation 0:0, pages 1-30.

下午

·论文复现  Tipu, R.K., Rathi, P., Pandya, K.S. and Panchal, V.R., 2025. Optimizing sustainable blended concrete mixes using deep learning and multi-objective optimization. Scientific Reports, 15(1), p.16356.

·提问交流

课程特色及授课方式

线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦机器学习在混凝土领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑;

完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件;

2、课程结束可获得本次所学专题全部回放视频;

3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期)

课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高!

学员对于会议答疑给予高度评价!

授课时间

机器学习与混凝土性能预测:

2026.06.27----2026.06.28(上午9:00-11:30 下午 13:30-17:00)

2026.07.04----2026.07.5(上午9:00-11:30 下午 13:30-17:00)

腾讯会议线上授课(共四天课程提供全程视频回放和课程群答疑)

课程费用

每人每班:4980元

往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。

报名方式

 屏幕截图_29-5-2026_15226_www.dxianai.com(1).jpeg

联系人:陈老师

咨询电话:15652523032(微信同号)

相关事项(必读!)

1、每个学员在报名后都会提供盖有公章的邀请函。

2、若有任何问题需要咨询或沟通,请发送邮件至13141346157@qq.com。

3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。

4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。



seo seo