基于BP神经网络的混凝土早期弹性模量的预测.docVIP

基于BP神经网络的混凝土早期弹性模量的预测 　　摘要：神经网络具有很强的非线性映射功能，该文在测定混凝土早期强度的基础上利用BP神经网络对其弹性模量进行预测。重点讨论了BP神经网络的拓扑结构和修正算法。通过对检验结果进行分析比较，表明利用BP神经网络能对混凝土早期的弹性模量进行预测。 　　关键词：BP神经网络；混凝土；弹性模量；预测 　　中图分类号：TP18文献标识码：A文章编号：1009-3044(2011)08-1855-02 　　1 绪论 　　在高速公路建设过程中，混凝土的早期（28天龄期以前）强度和弹性模量极大的影响着施工期结构安全，常成为建设期工程进度的控制因素和结构安全的决定因素。水、胶凝材料和骨料（粗、细）通过一定比例配合，然后拌合，最后经一定时间硬化而成的人工合成的混合材料就是混凝土，水灰比、水泥的标号、龄期、砂率、级配、外加剂的性能等众多因素影响着它强度性能。其强度随时间的变化有一个发展过程，这使得混凝土的性质在建设期更加难以控制。目前的专家、学者和业界工程人员多在研究28天龄期以后的混凝土强度和弹性模量，很少研究28天龄期以前的混凝土强度和弹性模量。而时间是影响28天以前的混凝土强度的主要因素，其28天以前的强度和弹性模量根据时间的增长而不断增大。目前对混凝土早期强度的研究多用早期强度的推算和强度增长曲线的拟合方法，对于混凝土早期弹性模量的研究尚不多。神经网络具有很强的非线性映射功能，本文利用神经网络理论建立预测数学模型，通过对混凝土的早期弹性模量进行预测，为解决混凝土的早期弹性模量不易测定的问题提供了有意义的参考价值。 　　2 BP神经网络 　　由Rumelhart和McClelland提出的BP神经网络模型是目前应用最广泛的模型之一[1]，BP训练方法是通过反向误差传播原理不断调整网络权值使得实际输出与期望输出之间的误差平方和达到最小或小于某个阈值。当H未知时，通常采用梯度下降法迭代调整W： 　　，其中η代表学习速率。 　　本文介绍BP神经网络的结构及算法是以单隐层为例，在解决实际工程问题过程中，输入层与输出层的单元数的判定是由实际工程问题决定，隐层层数与单元数的判定是由试算来确定。如图1所示。 　　3 BP神经网络模型应用实例 　　1）BP神经网络模型 　　为了提高预测混凝土弹性模量模型的收敛速度和计算精度，本文采用双隐层的前馈BP神经网络来建立预测混凝土弹性模量模型。预测模型结构如图2所示，一个输入层、两个隐层，一个输出层共同组成了预测混凝土弹性模量的BP神经网络模型。本文以混凝土的早期强度和混凝土的龄期作为输入单元；以最终误差最小及收敛速度快的原则调整隐层节点数；采用一个神经元作为预测混凝土弹性模量的BP神经网络模型输出。表1基本参数取值范围表明确了基本数据中所有参数的取值范围，并标准化处理了输入数据中的龄期（天）、混凝土的早期强度（MPa）和混凝土的早期弹性模量（GPa），使原始数据进入(0，1)范围内。 　　2）BP神经网络的学习 　　本文的试验样本数据共52组，来自于文献[2]中的实验数据。本文仿真试验的训练集是选择其中的40组数据，测试集是剩余的12组数据。中间隐层通过试算选用两层，第一层、二层分别为12个和10个单元。经过试算，可以达到较好的收敛速度和输出精度。 　　本文的试验环境是选择Matlab6.0开发程序，训练集合是用表2原始训练数据表中的数据。测试集合是用表3 测试样本、网络输出及误差表中的原始数据，通过训练网络仿真试验，得到计算结果显示在表3 测试样本、网络输出及误差表中。在学习中，本文采用了带动量项的网络修正方法，使网络收敛速度快且系统误差较小，与之对应的α（动量系数） = 0.90，epochs（迭代次数） = 1000，lr（学习速率）=0.0010，err（训练误差） = 0.06，run_time（训练时间） = 25.765(s)。网络训练误差及迭代收敛曲线见图3网络仿真误差、训练次数及学习率。 　　3）网络性能的评定 　　观测上述预测混凝土弹性模量的BP神经网络模型训练和学习的参数以及表3 测试样本、网络输出及误差表中列出的计算结果，与文献[3]中的期望结果(表3 测试样本、网络输出及误差表)进行比对，结果显示预测混凝土弹性模量的BP神经网络模型输出的弹性模量同实际回归公式计算的弹性模量结果较为接近，最大误差为4.2%，平均误差为2.3%，满足误差精度，能够很好地满足高速公路建设施工的工程要求。 　　4 结论 　　本文采用BP神经网络模型方法，在混凝土的龄期参数、早期强度、早期弹性模量三者之间建立关联关系模型，通过上述仿真试验计算表明：BP神经网络模型能够有效地预测混凝土的早期弹性模量，相对误差小，可以认定为是一种实用的求混