生产轻质泡沫混凝土的材料：1.符合I型波特兰水泥要求的普通波特兰水泥（OPC）是符合英国标准（BS EN 197-1：2000）规定的要求的；2.不同尺寸的细硅砂（600μm，1.18和2mm）；3.正常的自来水；4.稳定的气泡（在泡沫发生器中混合发泡剂和水而产生。目的是通过将预制的稳定泡沫结合到新鲜的轻质泡沫混凝土中来控制轻质泡沫混凝土的密度。）。

　　对于该研究，发泡剂与水的比率为1:30体积比。使用的超增塑剂是符合ASTM标准规格（ASTM C494M-04）的GLENIUM52。超增塑剂有深棕色水溶液。基于轻质泡沫混凝土的目标密度w / c和s / c（砂与水泥比）设计最佳混合比例。密度范围为1500,1750和1800kg / ?。所使用的w / c比的范围为0.5、0.45、0.4、0.35和0.3，而对于本工作中的所有混合物，s / c为1.0。本研究中使用的固化方法是密封固化。制备泡沫混凝土，然后倒入立方体中。在7天和28天的时候，分别测试150套混凝土立方体的密度和抗压强度。

　　3.预测算法

　　3.1支持向量机（SVM）

　　支持向量机（SVM）是用于分类或回归的强大的监督学习算法。SVM是一个有区别的分类器，也就是说，它们在数据簇之间画一个边界。支持向量机是基于定义决策边界的决策平面的概念。决策平面是对具有不同类成员的一组对象进行分离的方法。支持向量机（SVM）主要是通过在分离不同类标签的多维空间中构造超平面来执行分类任务的分类方法。SVM支持回归和分类任务，可以处理多个连续和分类变量。为分类变量创建一个虚拟变量，其中实例值为0或1。因此，三个层次（A，B，C）组成的分类因变量则由一组虚拟变量来表示：

　　A：{1 0 0}，B：{0 1 0}，C：{0 0 1}

　　为了构建最佳超平面，SVM则采用迭代训练算法，来将函数误差降到最小。根据误差函数的形式，SVM模型可以分为四个不同的组：

　　?分类SVM类型1（也称为C-SVM分类）

　　?分类SVM类型2（也称为nu-SVM分类）

　　?回归SVM类型1（也称为ε-SVM回归）

　　?回归SVM类型2（也称为nu-SVM回归）

　　3.2回归SVM

　　在回归SVM中，必须估计因变量y对一组独立变量x的函数依赖性。与其他回归问题一样，它假定独立变量和因变量之间的关系是由确定性函数f加上一些添加剂噪声：

　　y = f（x）+噪声

　　然后，任务是找到用于f的函数形式，其可以正确地预测先前没有呈现SVM的新情况。这可以通过在样本集上训练SVM模型来实现，即训练集，涉及类似分类的过程以及误差函数和顺序优化。根据该误差函数的定义，可以识别两种类型的SVM模型。

　　3.3回归SVM类型1

　　对于这种类型的SVM，误差函数是：

　　误差函数最小化受制于：

　　支持向量机模型中可以使用几个内核。这些包括线性、多项式、径向基函数（RBF）和Sigmoid函数。

　　3.4内核函数

　　其中K（Xi，Xj）=φ（Xi）?φ（Xj）

　　也就是说，核函数表示通过变换φ映射到高维特征空间中的输入数据点的点积。γ是某些核函数的可调参数。RBF是目前支持向量机中使用的最受欢迎的内核类型选择。这主要是因为它们在实际x轴的整个范围上的局部和有限响应。

　　3.5径向基函数（RBF）

　　这是一个实数值函数，其值仅取决于离原点的距离，因此可以得出?（X）=?（?X?）；或者取决于到被称为中心的某个c点的距离，使得?（X，C）=?（?X-C?）。我们把满足?（X）=?（?X?）的任何函数都称为径向函数，并规定通常为欧几里德距离。当然，其他距离函数也是可行的。例如，对一些径向函数来说，使用Lukaszyk-Karmowski度量可以避免由于所确定的系数wi导致矩阵恶化的问题，因为?X?总是大于零的。

　　径向基函数的总和通常用于近似估计给定函数。这个近似处理的过程也可以被解读为一种简单的网络。Preetham等人于2014就已经提出了与土木工程相关的支持向量力学方法（SVM）问题的现状。目前，许多领域正在进行SVM技术的数值研究，同时，许多RBF的研究也被用作支持向量分类的内核。

　　4.预测结果

　　4.1轻质泡沫混凝土的性能