【毕业设计、论文】基于人工神经网络的混凝土耐久性研究.pdfVIP

基于BP 人工神经网络的混凝土强度预测 闻宝联 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[1][2] 。 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 图1 基于BP 算法的神经元网络结构 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： r a1 f 1( w1 P b1 ) （1） i ij j i j 1 其中：P —第j 个输入神经元； j w1 —第j 个输入神经元，第i 个隐层神经元之间的权值 ； ij b1 —第i 个隐层神经元的阙值。 i 输出层第k 个神经元的输出为： s 1 a2 f 2(w2 P b2 ) （2 ） k ki i k i 1 其中：w2 —第k 个输出神经元，第i 个隐层神经元之间的权值； ki b2 —第k 个输出神经元的阙值。 k 定义误差函数为： 1 s 2 2 E (W,b)