首页 > 神经网络在混凝土强度预测中的应用-

神经网络在混凝土强度预测中的应用-

发布时间：来源：文档文库

小中大

字号：

手机查看

维普资讯 http://www.cqvip.com 第３０卷第３期　华中科技大学学报（自然科学版）　３Ｏ　Ｎｏ．３　２００２年３月　Ｊ　Ｈｕａｚｈｏｎｇ　Ｕｎｉｖ　ｏｆ　ｓｃ１＆Ｔｅｃｈ（Ｎａｔｕｒｅ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　ＭＥｌｆ　２Ｏ０２　神经网络在混凝土强度预测中的应用　黄恒卫张耀庭邱继生林宁　（华中科技走学土木工程与力学学院）　摘要：通过建立神经网络中使用最广泛的ＢＰ网络模型，预测普通混凝土、高强混凝土等多种混凝土强度模　型的预测值与试验数据、传统的鲍罗米经验公式的预测结果进行了比较研究表明，神经网络方法由于综台考　虑了混凝土强度的各种影响困索，能够实现非线性关系，具有较高的预测精度，在混凝土性能预测中具有广阔　的应用前景　关键词：混凝土强度；神经网络；预测；鲍罗米公式　中图分娄号：ＴＵ７５５　４　文献标识码：Ａ　文章编号：１６７１—４５１２（２００２）０３—００６５　０３　普通混凝土的强度可以用以灰水比为单因素　ｗ２为鲍罗米公式计算结果的相对误差　的线性函数（鲍罗米公式）预测．但对高强棍凝土　表１　模型ｌ网络训练集　和高性能混凝土，影响强度的最主要因素是水胶　／１　・１ｔ］３　ｐ／Ｍｐａ　Ｗ／％　比、骨料强度和水泥浆与骨料的粘结强度，而且为　Ｌ　３／－２　３　５Ｃ４　ｒ　ｒｌ　２　ｗＩ　Ｗ２　了保证混凝土的水胶比保持在０．３５以下必须添　１８４　３４０　７４ｌ　１　ｌ１２　４０．１　３６　３６　２　８　２　９　７　加粉煤灰、矿渣、硅粉等掺料，因此影响因素很多　１９Ｏ　３４０　７３４　ｌ　１０ｌ　２９．４　２９．８　３４　６　１　４　１７　７　而表现出复杂的非线性特性，传统的鲍罗米公式　１９７　３４０　７２７　１０９Ｉ　３０．２　２８　５　３２　９　５　６　８　９　已不再适用．而人工神经网络…是一种能够实现　２０４　３４Ｏ　７１９　１　０７９　２５＿吕２７　５　３ｌ　３　６　６　２１　３　非线性关系的现代工具．本文在这方面做些尝试．　２１８　３４０　７０５　ｌ　０５８　２ｌ　１　１９　９　２８．４　５　７　３４　６　６　１８２　３８０　７２８　１　０９２　３６　２　３７　６　４２　８　３　９　１８．２　１预测网络模型及其学习测试结果　７　１９０　３８０　７２０　１　０８０　３５．９　３５　７　４０　４　０　６　１２　５　８　１９８　３８０　７１１　ｌ０６７　３７．１　３４　ｌ　３８　２　０　３　３　０　９　２１３　３８０　６９５　１　０４３　３１　３　３０．８　３４　５　０　６　１０　２　本文从《混凝土》＿２　Ｊ等杂志上收集了３２组混　ｌ０　２２０　３８０　６８８　ｌ　０３２　２８　３　２９　４　３２．９　１．８　４　０　凝土数据（表ｌ～表４），利用ｍａｔｌａｂ软件中的神　１ｌ　１９３　４２０　７０２　１　０５３　５０　６　５０　０　４５　２　０．２　１０．７　经网络工具箱　建立两个预测混凝土强度的ＢＰ　１２　２０２　４２０　６９２　１　０３８　４５．５　４３　８　４２　６　５　３　６．０　网络模型，并进行学习和测试计算．　１３　２１０　４２０　６８４　１　０２６　３７．６　４２　６　４０　４　０　８　７　４　１　１模型１　建立以用水量、胶凝材料用量、中砂用量、石　子用量作为输人矢量，混凝土预测强度作为输出　矢量，隐含层为５个神经元的ＢＰ网络模型．选取　２１１　３４０　７１３　１　０７０　２１．．４　２０　５　２９　８　４　２　３９．０　收集到的数据中的前１３组作为训练样本数据，后　２１１　３４０　７１２　ｌ０６８　２１．４　２０　４　２９　８　４　７　３９　Ｏ　６组作为测试样本数据　训练前对输入的数据作　２０５　３８０　７０４　ｌ　０５６　３２　９　３２．２　３６　４　２　０　１０　６　归一化处理，可以适当取基数，使输入的数据整理　１８５　４２０　７１＇０　１０６５　４４　１　４１　２　４７．８　６　５　８　４　为一１到１之间的数据．计算结果见表１和表２．　２ｌ８　４６０　６６１　９９２　４６　６　４２　ｌ　４３．３　９．７　７　２　１９０　３４０　７３５　１ｌｏ３　２５　９　２３　３　３４．６１０．０　３３．５　表中，ｚ】为用水量；　２为胶凝材料用量；　为中砂用量；　为石子用量；ｔ为混凝土实际２８ｄ　图１是用结构为４，５—１（即输入层为４个神　抗压强度；ｒ】为ＢＰ网络预测强度值；ｒ２为鲍罗　经元，隐含层为５个神经元，输出层为１个神经　米公式计算结果；Ｗ１为网络预测值的相对误差；　元）的ＢＰ网络进行训练时平方和误差的变化趋　收稿日期　２００１　０６—１１　作者简介：黄恒卫（１９７６一），男，硕士研究生；武汉，华中科技大学土木工程与力学学院（４３００７４）　

本文来源：https://www.2haoxitong.net/k/doc/e669c9941a37f111f1855b36.html