摘 要：采用BP神經網絡方法，建立了混凝土收縮變形與混凝土水灰比、抗壓強度、試件體積表面積比及環境相對濕度之間的非線性映射關系，所建立的神經網絡模型可以實現對混凝土收縮變形的有效預測，具有較高的精度。
關鍵詞：BP神經網絡;混凝土收縮;預測
中圖分類號：TU 文獻標識碼： A 文章編號：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
混凝土的收縮可導致混凝土結構的開裂，引發混凝土結構的一系列危害[1];因此國內外學者對收縮變形的預測展開了廣泛的研究。傳統的收縮預測模型，因相關學者對收縮機理的認識不同而差異較大。近年來，人工神經網絡(Artificial Neural Network)方法以其優越的自學習、非線性擬合、預測等性能，受到了各領域廣泛的關注;在混凝土領域，韓敏等[2]采用神經網絡方法建立了混凝土強度預測模型，預測達到較高精度，為神經網絡在混凝土方面的應用提供了參考。
本文采用BP神經網絡建立混凝土收縮變形的預測模型，并通過預測結果與期望結果的比較說明神經網絡方法應用于混凝土的可行性。
1. 混凝土收縮樣本數據庫建立
采用RILEM B3 (1995)模型[3]的計算結果建立混凝土收縮變形的數據庫。根據RILEM B3(1995)收縮預測模型計算所得的混凝土收縮變形結果見表1。
表1 不同因素下混凝土120d的收縮變形
測試
編號 |
試驗因素/輸入 |
收縮變形 |
預測值 |
相對 誤差 |
|
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% |
另在各影響因素的考慮范圍內，任取四組按照RILEM B3(1995)收縮預測模型計算收縮變形作為測試數據，以評價網絡的預測性能。測試數據見表2。
表2不同因素下混凝土120d的收縮變形(測試數據)
|
試驗號 |
試驗因素 |
收縮變形(um/m) |
網絡輸出 |
|
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神經網絡模型建立及預測
利用BP神經網絡建立混凝土收縮的預測模型并進行預測。輸入層神經元數為4，輸出層神經元數為1;采用單隱層網絡，多次訓練后確定隱層神經元數為5，所建立的BP拓撲結構如圖1所示。
網絡訓練前對數據進行歸一化處理，訓練取Levenberg-Marquadt算法，以提高收斂速度。采用初期終止方法提高網絡的泛化性能，取訓練樣本庫75%數據作為訓練數據(training data)，其余25%為驗證數據(validation data)，監督網絡訓練，網絡輸出誤差變化圖見圖2。
網絡的測試結果及相對誤差見表2最后兩列。測試數據中網絡的最大相對誤差為-6.07%，可見采用BP網絡預測混凝土收縮變形可基本滿足工程需要。
3. 結論
采用BP神經網絡建立預測模型可實現混凝土收縮的預測;對于影響因素復雜的混凝土領域，基于積累的試驗資料，可運用神經網絡方法進行相關研究。
參考文獻
[1] 黃國興, 惠榮炎. 混凝土的收縮[M]. 北京:中國鐵道出版社,1990.
[2] 韓敏, 席劍輝等. 神經網絡法在混凝土強度研究中的應用[J]. 建筑材料學報, 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.
