摘 要：采用BP神经网络方法，建立了混凝土收缩变形与混凝土水灰比、抗压强度、试件体积表面积比及环境相对湿度之间的非线性映射关系，所建立的神经网络模型可以实现对混凝土收缩变形的有效预测，具有较高的精度。
关键词：BP神经网络;混凝土收缩;预测
中图分类号：TU 文献标识码： A 文章编号：2095-2104(2012)01-0020-02
Concrete Shrinkage Prediction based on Artificial Neural Network
XU Xiang-dong
(Department of Building Engineering, Tongji University, Shanghai 200092, China)
Abstract: The concrete shrinkage prediction model was built based on BP network considering the water cement ratio, the compressive strength, the volume surface area ratio and relative humidity of environment as the input factors. The prediction model can be used to predict the concrete shrinkage.
Key words: BP neural network, concrete shrinkage, prediction
混凝土的收缩可导致混凝土结构的开裂，引发混凝土结构的一系列危害[1];因此国内外学者对收缩变形的预测展开了广泛的研究。传统的收缩预测模型，因相关学者对收缩机理的认识不同而差异较大。近年来，人工神经网络(Artificial Neural Network)方法以其优越的自学习、非线性拟合、预测等性能，受到了各领域广泛的关注;在混凝土领域，韩敏等[2]采用神经网络方法建立了混凝土强度预测模型，预测达到较高精度，为神经网络在混凝土方面的应用提供了参考。
本文采用BP神经网络建立混凝土收缩变形的预测模型，并通过预测结果与期望结果的比较说明神经网络方法应用于混凝土的可行性。
1. 混凝土收缩样本数据库建立
采用RILEM B3 (1995)模型[3]的计算结果建立混凝土收缩变形的数据库。根据RILEM B3(1995)收缩预测模型计算所得的混凝土收缩变形结果见表1。
表1 不同因素下混凝土120d的收缩变形
测试
编号 |
试验因素/输入 |
收缩变形 |
预测值 |
相对 误差 |
|
v/s |
w/c |
fcu/Mpa |
h |
|
1 |
2.80 |
0.45 |
30 |
80% |
408.6 |
383.8 |
-6.07% |
|
2 |
3.00 |
0.42 |
45 |
60% |
460.7 |
438.3 |
-4.86% |
|
3 |
3.20 |
0.48 |
50 |
75% |
405.8 |
381.5 |
-5.99% |
|
4 |
3.50 |
0.52 |
55 |
80% |
385.2 |
367.8 |
-4.52% |
另在各影响因素的考虑范围内，任取四组按照RILEM B3(1995)收缩预测模型计算收缩变形作为测试数据，以评价网络的预测性能。测试数据见表2。
表2不同因素下混凝土120d的收缩变形(测试数据)
|
试验号 |
试验因素 |
收缩变形(um/m) |
网络输出 |
|
v/s |
w/c |
fcu/Mpa |
h |
|
1 |
2.00 |
0.40 |
30 |
80% |
494.1 |
491.7 |
|
2 |
2.50 |
0.50 |
40 |
65% |
575.8 |
578.1 |
|
3 |
3.00 |
0.50 |
30 |
35% |
308.6 |
312.3 |
|
4 |
3.50 |
0.40 |
40 |
50% |
261.0 |
261.9 |
|
5 |
2.00 |
0.45 |
40 |
35% |
396.4 |
396.7 |
|
6 |
2.50 |
0.35 |
30 |
50% |
590.0 |
590.0 |
|
7 |
3.00 |
0.35 |
40 |
80% |
502.4 |
500.5 |
|
8 |
3.50 |
0.45 |
30 |
65% |
357.1 |
361.4 |
|
9 |
2.00 |
0.35 |
50 |
65% |
825.4 |
825.0 |
|
10 |
2.50 |
0.45 |
60 |
80% |
442.9 |
443.0 |
|
11 |
3.00 |
0.45 |
50 |
50% |
352.2 |
354.1 |
|
12 |
3.50 |
0.35 |
60 |
35% |
289.3 |
289.4 |
|
13 |
2.00 |
0.50 |
60 |
50% |
614.4 |
614.2 |
|
14 |
2.50 |
0.40 |
50 |
35% |
267.3 |
267.7 |
|
15 |
3.00 |
0.40 |
60 |
65% |
347.6 |
347.6 |
|
16 |
3.50 |
0.50 |
50 |
80% |
366.1 |
366.3 |
2. BP神经网络模型建立及预测
利用BP神经网络建立混凝土收缩的预测模型并进行预测。输入层神经元数为4，输出层神经元数为1;采用单隐层网络，多次训练后确定隐层神经元数为5，所建立的BP拓扑结构如图1所示。
网络训练前对数据进行归一化处理，训练取Levenberg-Marquadt算法，以提高收敛速度。采用初期终止方法提高网络的泛化性能，取训练样本库75%数据作为训练数据(training data)，其余25%为验证数据(validation data)，监督网络训练，网络输出误差变化图见图2。
网络的测试结果及相对误差见表2最后两列。测试数据中网络的最大相对误差为-6.07%，可见采用BP网络预测混凝土收缩变形可基本满足工程需要。
3. 结论
采用BP神经网络建立预测模型可实现混凝土收缩的预测;对于影响因素复杂的混凝土领域，基于积累的试验资料，可运用神经网络方法进行相关研究。
参考文献
[1] 黄国兴, 惠荣炎. 混凝土的收缩[M]. 北京:中国铁道出版社,1990.
[2] 韩敏, 席剑辉等. 神经网络法在混凝土强度研究中的应用[J]. 建筑材料学报, 2001, 4(2): 192-195.
[3] Bazant Z P, Baweja S. Creep and shrinkage prediction model for analysis and design o f concrete structures: Model B3[J]. Materials and Structures,1995, 28 ( 6) : 357- 365.
期刊VIP网，您身边的高端学术顾问
文章名称：
混凝土收缩的神经网络预测研究
文章地址：
http://www.qikanvip.com/tumugongcheng/3683.html
