混凝土是土木工程领域中应用最广泛的材料,而混凝土徐变在钢筋混凝土结构的长期性能起着非常重要的作用,因此,对混凝土徐变的发展变化准确地预测显得至关重要。目前,国内外学者开展了大量的混凝土徐变相关理论与试验研究,收集了众多宝贵的试验数据并形成相应的数据库,提出了多种考虑不同影响参数的经验化徐变预测模型。目前,常用的混凝土徐变预测模型存在精度不高,泛化能力不强的问题。近年来,基于数据挖掘的机器学习方法在回归预测方面上得到非常好的发展,所以本文利用机器学习的相关算法分别开展了基于混凝土徐变数据库的回归建模分析和对混凝土徐变依时性变化行为的预测,主要研究内容如下:(1)讨论了集成学习方法如何与优化算法结合,基于混凝土徐变数据库,建立了基于遗传算法优化随机森林的混凝土徐变预测模型。其预测效果在测试集上的表现为决定系数R~2达到0.86,均方根误差RMSE值为22.21με/MPa、平均绝对误差MAE的值为8.74με/Mpa。同时,对预测结果进行误差统计分析,其在0值附近的频次最高,且误差范围集中在[-10,10]με/MPa之间,误差分布呈正态分布;(2)进行了影响混凝土徐变发展的因素重要性分析,利用帕累托曲线进行了特征筛选。即利用12个影响特征中的持荷时间、混凝土强度、养护温度、水灰比、环境相对湿度、混凝土弹性模量、加载龄期、体表比作为筛选后的特征,并对筛选后的影响特征进行混凝土徐变建模分析,结果表明训练精度最高降低在10%左右;(3)特征筛选后建立了基于极限梯度提升树(XGBoost)算法的混凝土徐变预测模型,并进行了算法训练过程中的可视化。预测性能在测试集上的表现为R~2值为0.89,RMSE值为19.62με/MPa,MAE值为8.57με/MPa,其误差统计在均值为0的附近高度集中,呈正态分布,同时预测精度较(1)、(2)上有所提高。XGBoost算法重要性分析发现持荷时间、水灰比和混凝土强度在XGBoost模型中累计占比67.11%,在随机森林中累计占比47.13%。建立了不同机器学习模型预测性能之间的综合对比,使用衡量机器学习模型间性能差异的综合性能指数SPI,SPI值越小则表明其综合性能越好,结果发现XGBoost模型的SPI值仅为0.33,其次是随机森林模型,其值为0.36。(4)通过验证性试验数据,验证了本文所提的集成学习模型,并基于试验数据提出了基于LSTM网络建立的混凝土徐变依时性变化预测模型。LSTM网络模型在测试集的统计指标表现为R~2值0.99,RMSE值0.08με/MPa,MAE值0.06με/MPa。对各单点的预测误差进行统计,得到其误差范围在[-0.23,0.51]με/MPa,通过与试验值的吻合程度对比,验证了该方法在预测混凝土徐变依时性变化上的有效性。