在建筑行业,混凝土各材料用量的配合比设计往往需要通过实验室人工试配得到正式的施工配合比。这种耗时的工序不仅增加了材料的浪费,还增加了混凝土生产的成本。同时,设计快速精准的混凝土28d抗压强度预测模型在混凝土的智能配合比设计中也发挥着重要作用。因此,针对混凝土智能配合比设计问题,论文基于集成学习、深度学习以及蒙特卡罗等方法进行了研究。针对建筑行业中的混凝土的关键性能指标28d抗压强度的预测精度问题,提出了一种基于集成学习的回归预测模型。首先,对存在缺失值、有误测量值和无标签的数据集进行了填充和删除操作,并通过分析属性间的皮尔逊相关系数进行特征选择。其次,考虑集成多个模型相比单个模型的精度更高,通过Adaboost框架对基预测器随机森林进行集成,设计了基于集成学习的回归预测模型。最后,将所提方法在两个真实的混凝土数据集上与其他七种的回归预测模型进行对比实验,结果表明,所提集成学习模型能够有效的提高混凝土28d抗压强度预测精度。针对混凝土配合比的智能设计问题,提出了一种基于深度学习的混凝土智能配合比设计模型。首先,根据用户的需求,在数据库中进行模糊匹配,输出一系列满足用户要求的配合比。其次,利用专家知识库对配合比进行打分初筛,专家知识库由通过统计学方法归纳总结某建工集团2018年的施工数据集中的规律和混凝土配合比国家设计标准以及专家评分机制构成。然后,运用蒙特卡罗随机打点对配合比进行微调,并采用基于深度学习的混凝土28d抗压强度预测模型和国家设计标准约束配合比设计过程,以混凝土配合比的成本作为优化目标寻找最优配合比,并反馈给用户。最后,实验结果表明,所设计出来的配合比满足混凝土配合比国家设计标准和用户要求,并且节约了生产成本。根据论文提出的基于深度学习的混凝土智能配合比设计模型,设计并实现了一个混凝土智能配合比设计系统。该系统主要有两个功能,包括混凝土抗压强度预测和混凝土配合比智能设计,界面简单,高效易操作。