4-1 節為說明建立系統資料庫的資料數據與有效區域的建立，4-2 節為混凝土模型的建立以及類神經網路的設定參數，4-3 節為說明 K-Means 演算法的使用與設定參數，4-4 節為系統應用結果。
4-1 建立混凝土資料庫與配比組合有效區域
所示本次研究的資料庫包含真實資料與虛擬資料，真實資料的來 源皆是從文獻上取得，總共有一百筆資料，每筆資料皆包含混凝土配 比的組成資料，如水、水泥、細骨材、粗骨材、爐石、飛灰以及高效 減水劑的各個含量。
由資料庫的一百筆資料，設定出配比資料的有效區域，以其中任 兩個參數數據即可建立出一部分的有效區域設定，因為有七個參數數 據，共可建立二十一個有效區域設定，並可將一組混凝土配比資料的 有效區域訂出，其中包含了水-水泥(圖 4-1)、水-細骨材(圖 4-2)、水-粗骨材(圖 4-3)、水-爐石(圖 4-4)、水-飛灰(圖 4-5)、水-強效減水劑(圖 4-6)、水泥-細骨材(圖 4-7)、水泥-粗骨材(圖 4-8)、水泥-爐石(圖 4-9)、
水泥-飛灰(圖 4-10)、水泥-強效減水劑(圖 4-11)、細骨材-粗骨材(圖 4-12)、細骨材-爐石(圖 4-13)、細骨材-飛灰(圖 4-14)、細骨材-強效減 水劑(圖 4-15)、粗骨材-爐石(圖 4-16)、粗骨材-飛灰(圖 4-17)、粗骨材 -強效減水劑(圖 4-18)、爐石-飛灰(圖 4-19)、爐石-高效減水劑(圖 4-20)、
飛灰-強效減水劑(圖 4-21)，其中點皆為資料點所在座標；線所包圍的 區域為有效區域的範圍；單位皆為重量百分比。
30 歸分析值為0.9072、測試回歸分析值為 0.8996、總回歸分析值為 0.9397，
用此類神經模型進行實際測試案例的強度預測分析，如圖4-24 所示，
訓練回歸分析值為0.9705、驗證回歸分析值為 0.8152、測試回歸分析
31
值為0.9567、總回歸分析值為 0.9379，用此類神經模型進行實際測試 案例的坍度預測分析，如圖 4-27 所示，預測實際測試案例的回歸分 析值為0.8891。
圖 4-28 以及圖 4-29 為類神經網路預測強度與坍度的模型的完整 架構，由於資料庫內只有一百筆資料，不足以讓 K-Means 進行資料 分析，並進一步的設計出混凝土配比，於是利用類神經網路的混凝土 模型與Convex hull 結合利用，建立虛擬資料庫，其中包含有一千五 百筆資料的資料庫以及包含三千筆資料的資料庫兩種，由於虛擬資料 的加入，分別為一百筆、一千五百筆以及三千筆資料如圖4-30 所示，
資料庫所擁有不同或相同的混凝土強度與坍度組合會變的越來越多，
而配比組合範圍分別為一百筆、一千五百筆以及三千筆的資料可由圖 4-31 以及圖 4-32 所示，由兩組相同的材料變數以不同的資料筆數作 為代表，其資料散布圖顯示出，虛擬的配比組成資料都有在設定的有 效區域範圍內。
32
4-3 應用 K-Means 演算法分析資料庫以及相關係數的設定
利用 K-Means 演算法分析資料庫並進行混凝土配比設計，首先 以(1)：強度 25(Mpa)及坍度 25(cm)、(2)：強度 32.5(Mpa)及坍度 25(cm)、
(3)：強度 40(Mpa)及坍度 25(cm)、(4)；強度 47.5(Mpa)及坍度 25(cm)、
強度(5)：55(Mpa)及坍度 25(cm)，以上五組目標值作為需求目標值，
33 (1)：32.5(Mpa)及坍度 25(cm)、(2)：40(Mpa)及坍度 25(cm)以及(3)：
47.5(Mpa)及坍度 25(cm)等，以此三組需求目標，試誤出最好的差異 許可值，首先以差異許可值為 0.0005 為 K-Means 分類的設定，如表 4-16 所示，其所設計需求目標的混凝土配比已經比以差異許可值為 0.001 時較佳，改變差異許可值為 0.0006，並以三組需求目標進行混 凝土配比設計，如表 4-17 所示，發現比差異許可值為 0.0005 的設計
34
成果較好，改變差異許可值為 0.0007，並以三組需求目標進行混凝土 配比設計，如表 4-18 所示，發現比差異許可值為 0.0006 與差異許可 值為0.0005 的設計成果都好。
經由以上測試，決定以差異許可值為 0.0007 做為設定值，進行 K-Means 分類並設計出需求目標的混凝土配比，表 4-19，為以 55(Mpa) 及坍度 25(cm)為需求目標，符合以目標值為下限並以目標值乘 1.08 的值為上限的所有資料，經由K-Means 演算法的分類結果，表 4-20，
為以此分類結果進行需求目標的混凝土配比設計成果。
35
4-4 配比設計系統應用結果
以三千筆資料的資料庫作為配比設計的基礎，以(1)：強度 25(Mpa) 及坍度25(cm)、(2)：強度 32.5(Mpa)及坍度 25(cm)、(3)：強度 40(Mpa) 及坍度25(cm)、(4)；強度 47.5(Mpa)及坍度 25(cm)、強度(5)：55(Mpa) 及坍度 25(cm)，以上五組目標值作為需求目標值，並設定 K-Means 的差異許可值為0.0007。
當資料庫足以為需求目標提供混凝土配比資料時，如表 4-12 及
表 4-18 所示，資料庫配合 K-Means 演算法設計出需求目標的混凝土 配比，除了第(1)組的需求目標外，其他四組需求目標都有設計出相 對應的混凝土配比，且經由混凝土模型預測是符合需求目標的。當資料庫無法為需求目標提供任何配比資料時，就開始應用類神
經網路與隨機配比，設計符合需求目標的混凝土配比，如表 4-21 所 示，首先由配比資料庫中的各項配比資料的上下限值，產生隨機組成 配比，再經由配比組合有效區域檢測，將超出有效區域範圍的配比資 料剔除，並將有效區域內的配比資料經由類神經網路所建構的混凝土 強度模型進行強度預測，留下符合需求強度的配比資料，將符合需求 強度的配比資料經由類神經網路所建構的混凝土坍度模型進行坍度 預測，留下符合需求坍度的配比資料，讓所有符合的配比資料經由 K-Means 演算法進行分類，以最終分類結果作為需求目標的混凝土配 比設計，如表4-22 及圖 4-36 為兩種設計混凝土配比方法的配合使用 成果，表4-23 為結構混凝土施工規範規定的配比適用處【25】。36