基于卷积神经网络的高温后钢纤维火山渣混凝土力学性能预测.pdf

河南建材2024年第2期

基于卷积神经网络的高温后钢纤维火山渣混凝土力学性能预测

张庆宇1蔡斌1刘倩1高鹏²沈旭3

1吉林建筑大学土木工程学院（130118）2吉林省众安工程项目管理有限公司（130051）

3吉林建筑大学设计研究院有限责任公司（130011）

摘要：利用CNN预测火山渣替代率、钢纤维掺量、水灰比以及温度对火山渣混凝土力学性能的作用，其中，

设计温度分别为20℃、200℃、400℃、600℃、800℃；火山渣替代率分别设置为30%、50%、70%；钢纤维

体积掺量分别设置为0%、0.5%、1%、1.5%；水灰比分别设置为0.4、0.5。然后进行火山渣混凝土的压缩试验

和劈裂试验，得到了240组试验数据。结合实验结果，合理选择网络结构和训练过程，建立神经网络模型，

并采用平均绝对误差百分比（MAPE）、均方根误差（RMSE）和相关系数（R²）比较了CNN和BPNN模

型性能。结果表明，CNN模型在训练和预测阶段的表现均优于BPNN模型。CNN在预测火山渣混凝土的力

学性能时具有良好的精度和适用性，可以用来预测火山渣混凝土高温后的力学性能。

关键词：火山渣混凝土；高温；神经网络；卷积神经网络

0引言广泛的应用10。卷积神经网络具备特征学习能力，

在许多现代建筑应用场景中，建筑有向大跨能利用层级结构对输入的信息执行不变换的分类，

试度、大承载和高层次发展的趋势。然而，由于自得出的结果较为稳定，而且不需要额外的数据特

验身重量大且保温效果不佳，普通混凝土在某些领征处理。因此，文章利用卷积神经网络强大的数

研域的应用受到了限制。火山渣是一种优秀的自据分析能力深度探究相关数据中的复杂非线性关

究然轻骨料，具有低密度、低热导率和高孔隙度等系，以此精准预测火山渣混凝土的力学性能。

特性[2]。由火山渣制成的混凝土具有良好的力学本研究的主要目的是建立神经网络模型来预

性能,受到世界各国研究者的关注[3-5]。测火山渣混凝土28d的高温后抗压和劈裂抗拉

混凝土强度的影响因素极多，各影响因素与强度。通过实验室试验收集初步数据，建立试验

混凝土强度之间的关系也极为复杂[6。由于实验数据库，然后开发神经网络强度预测模型。本研

成本昂贵、时间耗费长，并不是总能通过做实验究主要有两个目标：①研究火山渣混凝土受火后

的方式来获得混凝土的力学性能。为了在获得混的抗压强度与劈裂抗拉强度；②评估CNN模型

凝土力学性能的同时减少经济和时间成本，研究对轻骨料混凝土高温后剩余强度的预测能力。以

者们使用了一些方法，如回归方法、统计方法、火山渣替代率、受火温度、钢纤维掺量和水灰比

人工神经网络等。其中，人工神经网络备受关注。为输人变量，提出了CNN模型进行高温后钢纤

我国大量研究表明人工神经网络可以用于土木工维火山渣混凝土剩余强度预测。此外，文章还对

程领域且效果拔群[7-]。人工神经网络具有强大的BPNN（BPneuralnetwork）和CNN（Convolutional

组织能力、自适应能力以及自学习能力，能进行NeuralNetworks)的模型优异性进行了对比和分析。

分类、预测和模式识别，可以有效解决各种复杂1神经网络原理

的工程问题，这些优势让神经网络在各个领域得1.1BP神经网络原理

到了广泛的应用。现今，BP神经网络得到了大规模的使用。其

在众多神经网络中，常见的BP神经网络具的核心理念是将学习过程分割为信号的正向传递

备强大的稳定性，但其的模型却呈现出较慢的收以及误差的反向传递两个部分。在信号正向传递

敛速度，并且容易陷人局部最小值。卷积神经网的阶段中，网络权重保持不变。输人信号顺着输

络（ConvolutionalNeuralNetworks,CNN），是一种人层，通过隐藏层，传向输出层，生成输出信号。

蕴含了卷积计算且具备深度结构的前馈神经网络，