基于人工神经网络的混凝土耐久性研究——任务.docVIP

基于BP人工神经网络的混凝土强度预测 殷春足 石家庄职业技术学院050081；2.承赤高速公路筹建处，承德，067303） 摘要：混凝土强度是结构设计中控制的主要指标，其数值决定于水灰比、胶凝材料用量、矿物掺量、外加剂用量等多种因素，常规计算混凝土强度的公式因个人理解的不同而各异，一种仿生模型—人工神经网络则能很好地解决这个难题，文中尝试用人工神经网络对不同混凝土强度进行预测，结果表明此模型的可靠度很高，可以用以优化混凝土的试配，节约大量的时间、人力、物力和财力。 关键词：人工神经网络；混凝土；强度；预测 中图分类号：TU973.31 文献标识码：A 文章编号： 1 引言 实际工程中，不同的结构对混凝土不同龄期的强度都有明确的要求，有效的预测模型无疑能缩减不必要的实验，大幅度提高工作效率，而传统的预测模型一般都包括数学规则和表达式，虽能在一定程度上反映上述复杂特性，但是，这种传统的构造方法存在很多缺陷，近年来，随着计算机和生命科学的进步，人工神经网络（Artificial Neural Network，简称ANN）理论和模型得到了迅速发展，已经在许多领域内得到成功应用[][] 。 2 ANN简介 人工神经网络模型是基于连接学说构造的智能仿生模型，它是由大量的神经元组成的非线性动力学系统。这种模型能对信息进行大规模并行处理；具有很强的鲁棒性和容错性，且善于联想、概括、类比和推理；并具有很强的自学习能力，善于从大量的统计资料个分析提取宏观统计规律。因此将它用于解决输入、输出明确，而中间过程不明确的所谓“黑箱”或“暗箱”问题，就特别合适和有效。 目前人工神经网络模型有几十种，其中基于BP算法的多层神经网络模型（简称BP网络）是应用较多的模型之一。 BP算法由两部分组成：信息的正向传递与误差的反向传播．在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值，逐次向输入层传播进行计算，再经过正向传播过程，这两个传播过程反复运用，使误差信号满足实际需要．此过程见图1。以二层BP网络为例，设输入为P，输入神经元有r个，隐含层内有S1个神经元，激活函数为f1，输出层内有S2个神经元，对应的激活函数为f2，输出为A，目标矢量为T。隐含层第i个神经元的输出为： （1） 其中：Pj—第j个输入神经元； w1ij—第j个输入神经元，第i个隐层神经元之间的权值 ； b1i—第i个隐层神经元的阙值。 输出层第k个神经元的输出为： （2） 其中：w2ki—第k个输出神经元，第i个隐层神经元之间的权值； b2k—第k个输出神经元的阙值。 定义误差函数为： （3） 为使BP网络更快的收敛，可以采用附加动量法、自适应学习率法对基本BP算法的改进，能有效缩短训练时间，使误差达到全局最小，详细算法可参考有关文献。 3 混凝土强度预测 3.1混凝土材料 3.1.1水泥 选用冀东水泥厂生产的P.O42.5级普通硅酸盐水泥，指标如下： 表1 P.O42.5普通硅酸盐水泥性能指标 项 目 细度（%） 初凝时间（min） 终凝时间（min） 安定性 抗折强度（MPa） 抗压强度（MPa） 3d 28d 3d 28d 2.0 130 175 合格 5.4 8.8 26.2 54.9 3.1.2粉煤灰 选用天津第一热电厂二级粉煤灰，指标如下 表2 粉煤灰性能指标 项目 细度(0.045mm方孔筛筛余)，% 需水量比，% 含水量，%? 指 标 18 100 0.8 3.1.3矿粉 为唐山钢铁公司水淬高炉矿渣磨细而成 3.1.3外加剂 选用天津建筑科学研究院生产的YNB型泵送剂（性能指标略） 3.1.4 骨料 骨料为河北易县产5mm～25mm石灰石碎石,表观密度为2660kg/ m3 ,级配良好,含泥量为1.14 % ,针片状含量为8.18 % ,压碎指标为6.96 %; 砂：蓟县产中砂，细度模数为2.6，堆积密度1480kg/m3，表观密度2690 kg/m3，含泥量2.1% 3.2 混凝土的配比 在本实验中，维持用水量155kg/m3做了系列C30- C50的混凝土配比，表1是本次试验的配比核试验数据。 标1 混凝土配合比及强度值 编 号 水泥 粉煤灰 砂 碎石 水 减水剂 水胶比 砂率 抗压强度 3d 7d 28d 56d 30 350 0