自密实混凝土流动性神经网络预测模型比较研究.docVIP

自密实混凝土流动性神经网络预测模型比较研究 刘华良1，屈慧琼2，邓仕军2，雷慧娟2 （1 南华大学城市建设学院湖南 衡阳421001南华大学学院湖南 衡阳421001Comparative Study for neural network prediction model of self-compacting concrete liquidity LIU Hua-liang1, QU Hui-qiong2, DENG Shi-jun2, LEI Huijuan2 （1 School of Urban Construction, University of South China, Hengyang, Hunan 421001, China; 2 School of Nuclear Resources Engineering, University of South China, Hengyang, Hunan 421001, China） Abstract: Based on experimental study for fluidity of fresh self-compacting concrete with different mix design, artificial neural networks(ANN) models are established by MATLAB ANN tools for predicting fluidity of fresh self-compacting concrete. And then the advantagys and disadvantagys of the ANN models are discussed in the research. Key words: self compacting concrete; fluidity; test research; artificial neural networks(ANN); prediction 自密实混凝土(Self?Compacting?Concrete，简称SCC)组分复杂多样，各组分之间相互影响、制约，其拌和物的工作性能很难用单因素的回归关系加以描述，常常是仅仅知道自密实混凝土材料成分、制备工艺和工作性能之间的相关数据，但其内在规律尚不清楚。为此，研究人员利用具有高度并行处理，联想记忆，良好自适应和自组织能力的人工神经网络(Artificial Neural Network，缩写ANN)模型 对SCC配合比与新拌状态下工作性能之间关系进行模拟和函数逼近，以实验或实测数据为基础，经过有限次的迭代计算，根据系统输入和输出找到它们之间的非线性关系，反映实验或实测数据内在规律。在自密实混凝土工作性能模拟研究领域，李本强、郭奇等[1,2]探讨了自密实混凝土性能预测的神经网络模型，周绍青、刘华良等[3,4]研究了自密实混凝土流动性预测模拟，邵巧希、孙仲健等[5,6]模拟了自密实混凝土间隙通过性。但因为自密实混凝土组分的复杂性和多样性，选择不同的神经网络模型和算法，会产生不同的模拟结果，模型和算法有优有劣，本文以自密实混凝土流动性神经网络预测模拟为例来比较分析模型和算法的优劣。 1自密实混凝土流动性试验数据 在本研究中采用的自密实混凝土配置试验原材料、自密实混凝土配合比、流动性测试试验方法及试验结果数据见文献[4]的“1自密实混凝土流动性试验”部分。 2新拌SCC V型漏斗试验流出时间预测的人工神经网络模型 2.1 训练样本的确定 以文献[4]表1 中的粗集料最大粒径、减水剂用量、砂率和水胶比作为人工神经网络模型的输入数据，以文献[4]表2中的坍落度、扩展度和时间T500作为输出数据，随机选取其中8组（试验次序分别为2、6、12、13、19、28、33、37）为预测样本，其余30组作为训练样本。因为数据中数值过大，为了简化训练过程，应对数据进行归一标准化处理。 2.2 神经网络类型和训练算法的选择 在本文中应用cascade-forward backprop、Elman backprop、Feed-forward backprop和Time-delay backprop四种bp神经网络来训练和预测V漏斗试验数据，V漏斗试验神经网络模型见图1。在训练算法上选择了TRAINBFG、TRAINBR、TRAINCGB、TRAINCGF、TRAINCGP、TRAINGD、TRAINGDM、TRAINGDA、TRAINGDX、TRAINLM、TRAINOSS、TRAINR、TRAINRP和TRAINSCG共14种算法。统一设定目标goal=0.001，训练次数一般设为10000次。 图1 V漏斗试验神经网络模型 通过神经网络类