C40混凝土配合比计算1、水泥P.O 52.5 密度3.10 g/cm3。
粉煤灰：I级，2.20g/cm3。
碎石：连续级配5~31.5mm密度2.72g/cm3。
河砂：中砂密度2.55g/cm3。
减水剂：DZM-9南京高效减水剂-缓凝减水率17.5% 固含量30.2%。
拌合水：饮用水。
2、混凝土配置强度：f cu，o=f cu，k+1.645σ=40+1.645×2.8= 44.63、计算水胶比：W/C=0.46×52.5/44.6+0.46×0.07×52.5=0.52按强度要求算出水胶比偏大，根据JTS22-2011耐久性要求规定取表5.1.5-1要求取值0.404、确定用水量：根据设计坍落度150±30的要求另外加剂减水率17.5%，JTS202-2011选取用水量为W=182kg。
5、水泥用量：选用W/C=0.40，C=182/0.40=455kg6、根据JTS202-2011来选定砂率：42%7、每立方米基准混凝土砂石用量：V=1000（1-0.01A）-W W/ρW-W B/ρB=1000（1-0.01）-182-455/3.1=661.23LW S=VγρS=661.23×0.42×2.55=708kgW G=V（1-γ）ρG=661.23×(1-0.42)×2.72=1043kg8、因此基准混凝土每立方米用量：W O=182kg C O=455kg S O=708kg G O=1043kg9、计算外加剂用量：455×1.5%=6.8kg，根据外加剂固含量计算外加剂含水量：6.8-6.8×0.302=4.8kg ，取5kg。
W=182-5=177kg10、粉煤灰用量和粉煤灰混凝土的水泥、砂用量：选取的粉煤灰取代系数f=10%F=C O×f=455×10%=45.5F t=K×F=45.5×1.0=39.3C=C O-F=455-46=409W=(W O/C O)×（C+F)= 0.40×(409+46)=178S=S O-[F t/ρf-F/ρC-(W O-W)/ρw]×ρS=69511、混凝土每立方米材料用量：水泥：409kg 砂：695kg 碎石：1043kg外加剂：6.8kg 粉煤灰：46kg 拌合水：178kg12、混凝土配合比：水泥：砂：碎石：外加剂：粉煤灰：拌合水=1：1.70:2.55:0.02:0.11:0.4413、试拌配合比0.1M3观察和易性制作试块：水泥：40.9kg 砂：69.5kg 碎石：104.3kg外加剂：0.68kg 粉煤灰：4.6kg 拌合水：17.8kg14、试块强度：F cu，7= F cu，28=C45高性能混凝土配合比计算水泥P.O 52.5 密度3.10 g/cm3。
ID3算法与C4.5算法ID3算法ID3算法是J. Ross Quinlan在1975提出的分类预测算法，当时还没有数据挖掘吧，哈哈哈。
该算法的核心是“信息熵”,属于数学问题，我也是从这里起发现数据挖掘最底层最根本的不再是编程了，而是数学，编程只是一种实现方式而已，数学才是基础，如：朴素贝叶斯分类，小波聚类，尤其是我正在搞的支持向量机，它就是高等代数，空间解析几何，概率统计的综合应用。
记得读本科时，朱琛学姐说过,数学学得再好也不为过。
我现在深刻体会到了。
信息熵就是一组数据包含的信息，概率的度量。
一组数据越有序信息熵也就越低，极端时如果一组数据中只有一个非0，其它都是0，那么熵等于0，因为只有可能是这个非0的情况发生，它给人们的信息已经确定了，或者说不含有任何信息了，因为信息熵含量为0。
一组数据越无序信息熵也就越高，极端时如果一组数据均匀分布，那么它的熵最大，因为我们不知道那种情况发生的概率大些。
假如一组数据由{d1,d2,...,dn}构成，其和是sum,那么求信息熵的公式是。
分类预测算法属于有指导学习，方法是通过训练数据，按照参考属性对目标属性的依赖程度对参考属性分级别处理，这种分级别处理体现在创建决策树，目的是通过生成的判别树，产生规则，用来判断以后的数据。
以如下数据为例：共14条记录，目标属性是，是否买电脑，共有两个情况，yes或者no。
参考属性有4种情况，分别是，age,income,student,credit_rating。
属性age有3种取值情况，分别是,youth,middle_aged,senior,属性income有3种取值情况，分别是,high,medium,low,属性student有2种取值情况，分别是，no,yes,属性credit_rating有2种取值情况，分别是fair,excellent。
我们先求参考属性的信息熵：，式中的5表示5个no,9表示9个yes,14是总的记录数。
C45决策树工具使用说明1. 简介：本文档给出了有关C45决策树方法相关的一些资料，面向对象是研究人员。
本文档的内容安排如下：1． C45决策树方法的使用场合描述；2． C45决策树如何训练，即C45_VC.exe使用说明；3． C45决策树训练结果如何在代码中使用，即CAskC45编程说明；4． C45的外围工具简介；5． C45的原理说明；6．联系方式。
2. 适合用C45解决的问题C45是一种决策树的算法，可以理解为数据挖掘算法的一种。
从大规模的数据中挖掘规律，这里的大规模数据一般是用属性来描述，属性本身可以是连续量，如语音数据的基频值；也可以使离散量，如句子中词的个数；还可以使枚举量，如26个词类，声韵母类型等。
属性分为输入属性，和结论属性（或称决策属性）。
结论属性就是我们希望从输入属性中得到的结果，如希望从输入的词性序列中预测某个位置是不是L3边界，或者根据前后的音调、基频等预测当前的音节应该是哪一类的韵律曲线。
结论属性必须是枚举量（当然包括布尔量）。
而规律则以决策树的形式来表示，其形式如，在C45_VC.txt或者Screen.txt中可以看到类似的输出结果：Decision Tree:e_lv <= 47.6 : 如果e_lv属性值小于等于47.6的话| n_lv <= 45.8 : NeiWen (76.0/2.0) 如果n_lv值小于等于45.8，结论属性应该是NewiWen。
| n_lv > 45.8 : NeiBuWen (44.0) 如果n_lv值大于45.8，结论属性应该是NewiBuWen。
e_lv > 47.6 : 如果e_lv属性值大于47.6的话| n_lv <= 45.8 : WaiWen (147.0) …| n_lv > 45.8 : WaiBuWen (32.0) …注：n_lv <= 45.8 : NeiWen (76.0/2.0)中的76.0表示到这个决策分支的有76个例子，其中2.0是错误的例子数目。
