基于人工神经网络的混凝土耐久性研究任务

基于BP人工神经网络的混凝土强度预测殷春足1陈任务2（1.石家庄职业技术学院，石家庄，050081；2.承赤高速公路筹建处，承德，067303）摘要：混凝土强度是结构设计中控制的主要指标，其数值决定于水灰比、胶凝材料用量、矿物掺量、外加剂用量等多种因素，常规计算混凝土强度的公式因个人理解的不同而各异，一种仿生模型—人工神经网络则能很好地解决这个难题，文中尝试用人工神经网络对不同混凝土强度进行预测，结果表明此模型的可靠度很高，可以用以优化混凝土的试配，节约大量的时间、人力、物力和财力。关键词：人工神经网络；混凝土；强度；预测中图分类号：TU973.31文献标识码：A文章编号：1引言实际工程中，不同的结构对混凝土不同龄期的强度都有明确的要求，有效的预测模型无疑能缩减不必要的实验，大幅度提高工作效率，而传统的预测模型一般都包括数学规则和表达式，虽能在一定程度上反映上述复杂特性，但是，这种传统的构造方法存在很多缺陷，近年来，随着计算机和生命科学的进步，人工神经网络（ArtificialNeuralNetwork，简称ANN）理论和模型得到了迅速发展，已经在许多领域内得到成功应用[1][2]。2ANN简介人工神经网络模型是基于连接学说构造的智能仿生模型，它是由大量的神经元组成的非线性动力学系统。这种模型能对信息进行大规模并行处理；具有很强的鲁棒性和容错性，且善于联想、概括、类比和推理；并具有很强的自学习能力，善于从大量的统计资料个分析提取宏观统计规律。因此将它用于解决输入、输出明确，而中间过程不明确的所谓“黑箱”或“暗箱”问题，就特别合适和有效。目前人工神经网络模型有几十种，其中基于BP算法的多层神经网络模型（简称BP网络）是应用较多的模型之一。BP算法由两部分组成：信息的正向传递与误差的反向传播．在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值，逐次向输入层传播进行计算，再经过正向传播过程，这两个传播过程反复运用，使误差信号满足实际需要．此过程见图1。以二层BP网络为例，设输入为P，输入神经元有r个，隐含层内有S1个神经元，激活函数为f1，输出层内有S2个神经元，对应的激活函数为f2，输出为A，目标矢量为T。隐含层第i个神经元的输出为：)11(111ijijrjbPwfia（1）图1基于BP算法的神经元网络结构其中：Pj—第j个输入神经元；w1ij—第j个输入神经元，第i个隐层神经元之间的权值；b1i—第i个隐层神经元的阙值。输出层第k个神经元的输出为：)22(2211kikisikbPwfa（2）其中：w2ki—第k个输出神经元，第i个隐层神经元之间的权值；b2k—第k个输出神经元的阙值。定义误差函数为：221)2(21),(kkskatbWE（3）为使BP网络更快的收敛，可以采用附加动量法、自适应学习率法对基本BP算法的改进，能有效缩短训练时间，使误差达到全局最小，详细算法可参考有关文献。3混凝土强度预测3.1混凝土材料3.1.1水泥选用冀东水泥厂生产的P.O42.5级普通硅酸盐水泥，指标如下：表1P.O42.5普通硅酸盐水泥性能指标项目细度（%）初凝时间（min）终凝时间（min）安定性抗折强度（MPa）抗压强度（MPa）3d28d3d28d2.0130175合格5.48.826.254.93.1.2粉煤灰选用天津第一热电厂二级粉煤灰，指标如下表2粉煤灰性能指标项目细度(0.045mm方孔筛筛余)，%需水量比，%含水量，%指标181000.83.1.3矿粉为唐山钢铁公司水淬高炉矿渣磨细而成3.1.3外加剂选用天津建筑科学研究院生产的YNB型泵送剂（性能指标略）3.1.4骨料骨料为河北易县产5mm～25mm石灰石碎石,表观密度为2660kg/m3,级配良好,含泥量为1.14%,针片状含量为8.18%,压碎指标为6.96%;砂：蓟县产中砂，细度模数为2.6，堆积密度1480kg/m3，表观密度2690kg/m3，含泥量2.1%3.2混凝土的配比在本实验中，维持用水量155kg/m3做了系列C30-C50的混凝土配比，表1是本次试验的配比核试验数据。标1混凝土配合比及强度值编号水泥粉煤灰砂碎石水减水剂水胶比砂率抗压强度3d7d28d56d30350080410661552.000.4443%29.733.249.853.4313153580410661552.000.4443%26.932.350.062.4322975380410661552.000.4443%22.526.449.357.3332628880410661552.000.4443%19.525.253.161.140410076910611552.340.3842%31.638.654.264.6413694176910611552.340.3842%28.934.353.872.1423496176910611552.340.3842%27.634.860.271.54330810276910611552.340.3842%23.123.153.069.850470073410561552.690.3341%32.442.464.567.9514234773410561552.690.3341%33.248.565.471.8524007073410561552.690.3341%34.445.770.075.75335311773410561552.690.3341%29.237.364.469.9注：3X为C30混凝土配合比，4X为C40混凝土配合比，5X为C50混凝土配合比。将100×100×100mm3的试块在养护室中进行标养，分别测量3d、7d、28d、56d的抗压强度。3.3BP网络的建立在强度发展预测模型中，取水泥用量、粉煤灰掺量、水胶比、砂率、龄期为输入参量，以测量强度为输出变量，设置1个隐层，实验数据12组，将其中10组作为训练样本，以53、43配比作为预测对比项。隐层神经元分别取5、6、7、8、9进行试算，考察不同训练网络的拟和残差和预测样本的最大相对误差，训练中取最小训练速率为0.1，冲量系数取0.6，容许误差为0.0001，最大迭代次数为1000次，传递函数用sigmoid()函数。训练中以编号43、53作为预测样本，其余配比的3d、7d、28d、56d的强度作为训练样本，以便考察网络的预测能力，预测结果表明5-7-1网络效果最佳。5-7-1网络迭代1000次，拟合残差为0.0022，预测最大相对误差10.33%（3d），其余龄期的效果非常好，这也与早龄期混凝土强度发展变异性比较大是一致的，数据见表2。表2混凝土抗压强度发展BP网络训练与预测编抗压强度（实验）抗压强度(预测)相对误差（%）号3d7d28d56d3d7d28d56d3d7d28d56d3029.733.249.853.431.532.350.253.86.06-2.670.710.723126.932.35062.426.932.050.862.20.14-1.001.52-0.333222.526.449.357.324.327.948.957.78.045.87-0.860.753319.525.253.161.119.523.952.458.30.15-5.31-1.35-4.594031.638.654.264.631.136.653.962.2-1.66-5.30-0.54-3.754128.934.353.872.127.535.853.570.6-4.914.27-0.60-2.024227.634.860.271.527.933.960.271.41.02-2.670.03-0.114323.123.15369.820.722.753.171.3-10.33-1.660.222.145032.442.464.567.934.043.464.567.94.902.420.020.075133.248.565.471.833.550.667.371.70.814.272.84-0.155234.445.77075.736.446.570.375.85.951.700.390.135329.237.364.469.930.037.963.970.72.771.53-0.761.15表中误差为最大相对误差，其值为（训练值-实验值）/实验值×100的绝对值4结论本文将人工神经网络应用于混凝土抗压强度的预测，建立了混凝土强度随水泥用量、粉煤灰掺量、水胶比、砂率、龄期变化的人工神经网络模型，很好地预测了混凝土抗压强度随各种因素变化的规律。需要指出的是，模型是根据较少的样本训练出的，但所建立的神经网络模型是动态的，随着实测数据的不断积累，可以不断加强网络的学习能力，即它可以在新取得的样本基础上进行自学习，形成更完善、更完整的评估预测系统，使网络的输出值更加接近实测值，从而进一步提高预测的精度和模型的应用范围。另一方面，在建立神经网络时，隐含层单元数量的选择是一个关键因素，理论上单元数量越多收敛速度越快，但实际应用过程中往往并非如此，必须经过多种运算比较来找到相对最优数量，以确定最后模型，随着研究的不断深入，还可以考虑在神经网络中加入遗传算法，利用遗传算法淘汰其中的次要因素，得到更适用的神经网络。参考文献：[1]闻宝联，城市污水环境下混凝土腐蚀及耐久性研究[D]，天津大学博士学位论文，2005[2]王文成，神经网络及其在汽车工程中的应用[M]，北京理工大学出版社，1998