水泥稳定碎石干缩应变BP网络预测模型.pdfVIP

低 温 建 筑 技 术 2011年第3期 总第 153期 水泥稳定碎石干缩应变 BP网络预测模型 李 侠，耿 敏， 张永芳 河北工业大学土木工程学院。 天津 300180 摘【 要】采用三层BP神经网络对水泥稳定碎石和聚丙烯纤维水泥稳定碎石的累计干缩应变建立了预测 模型，通过对干缩性能试验数据进行网络训练，得出BP网络模型训练效果较好；为了检验网络的推广能力，采用 测试样本对网络进行了测试，并分析了目标值与仿真值的线性相关性，结果表明网络预测效果较好，用BP网络模 型预测水泥稳定碎石的累计干缩应变是可行的。 【关键词】 水泥稳定碎石；累计干缩应变；BP神经网络；预测模型 【中图分类号】 TU472 【文献标识码】B 【文章编号】 1001—6864 2011 03—0080—03 随着半刚性基层在我国公路建设 中的广泛使用， 系反映出来。BP网络算法 由信息的正向传递和误差 其缺点也逐渐显现出来，主要表现为半刚性基层抵抗 的反向传播两部分组成。在正向传播过程中，输入信 温缩和干缩性能较差，容易产生收缩裂缝，在车辆荷载 息从输入层经隐含层计算传向输出层，每一层神经元 和环境因素的作用下，裂缝会延伸至路面面层，使路面 的状态只影响下一层神经元的状态。如果在输 出层没 结构的承载能力降低，路面使用寿命缩短，因此对半刚 有得到期望的输出，则计算输出层误差变化值，然后 性基层抗裂性能的研究一直是我国公路研究的重点。 反向传播，通过网络将误差信号沿原来的连接通路反 由于半刚性基层收缩性能试验周期较长，且需要大量 传回来修正每层神经元的权值，直至达到期望的目 的人力、物力资源，针对这一问题，本论文采用BP网 标 。 络模型来预测水泥稳定碎石在不同龄期、不同失水率 2 累计干缩应变的BP网络模型 下的累计干缩应变。 2．1 模型的建立 1 BP神经网络 BP BackPropagation 网络是一种应用最为广泛 的神经网络，它是由DERumelhart和 JLMcClelland 于1986年提出的，是一种基于误差反向传播的多层神 经网络 ¨。BP网络神经元采用单调递增可微的传递 函数，可以在输入数据与输 出数据之间实现任意非线 性映射，因此它在实际中得到广泛应用。 图 1 BP网络结构图 BP神经网络结构通常由输入层、隐层 一层或多 层 和输 出层组成 ，各层可以为一个或多个神经元。 1 网络结构的选定 ：选取表 1中的18组数据 BP网络是一种具有指导学习的网络，它依靠调节各层 作为训练样本。将龄期、累计失水率作为累计干缩应 节点的权值和阈值来 “记忆”各学习样本。通过对大 变的影响因素，因此输入层节点数为2，传递函数选为 量样本的学习将样本的输入与输 出的非线性映射关 tansig函数；输出层节点数为 1，传递函数选为purelin 性连接，可应用于实际工程 ；设计和计算中应考虑节点 2000， 3 ：48—54． 的半刚性性能。 [3] 张素梅，张大旭．钢管混凝土柱与梁节点荷载一位移滞回曲线 理论分析[J]．哈尔滨建筑大学学报，2001，34， 4 ． 6 提出了工程实用公式，结合实验，ANSYS模 [4] 樊海涛，周绪红．T型矩形钢管混凝土受压节点性能研究[J]． 拟以及工程实际的应用，可供设计人员参考。 湖南大学学报，2002，29 1 ：105—109． [收稿 日期] 2010一l1一o4 参考文献 [作者简介】 姜延宏 1967一 ，男，河北沧州人，硕士，高级工 [1] 沈之容，蒋涛．矩形钢管混凝土结构的经济性分析[J]．特种 程师、一级注册结构师，从事建筑结构设计、技术 结构，2001。18 4 ：1—4． 管理工作。 [2] 吕西林，等．方钢管混凝土结构应用技术研究[J]．建筑施工， 李 侠等：水泥稳定碎石干缩应变 BP网络预测模型 81 函数，隐层采用单隐层 ，经试算节点数选为5，传递函 2．2 网络训练及预测结果 数选为tansig，BP网络训练函数选为 trainlm函数，三 水泥稳定碎石累计干缩应变的BP网络训练样本 层BP网络结构如图1所示。 及训练结果见表 1。 2 训练函数的参数设定如下： 表 1为某次训练步长为26步时的训练结果，由表 显示步数：net．trainParam．show 50；学习速率： 可见此模型训练结果的最大绝对误差为0．145，最大 net．trainParam．1r 0．05；学习动量：net．trainParam．me 相对误差为0．726％，这说明网络训练效果很好。 0．9；训练步数 ：net．trainParam．epochs 1000；训练 目 为了进一步检验网络的推广能力，待网络收敛后 标误差 ：net．tr