高性能混凝土配合比確定的神經網絡方法

摘 要: 配合比設計是混凝土工程成敗的關鍵, 影響高性能混凝土配合比設計的因素很多, 但由于科學技術水平限制, 要建立各因素之間的數學關系,目前還有困難。本文利用神經網絡方法建立了高性能混凝土配合比設計的BP 網絡模型,為混凝土的配合比設計開辟了一條途徑。

 

關鍵詞:混凝土 配合比 神經網絡

 

中圖分類號:TU528 文獻標識碼: A

 

    配合比設計是混凝土工程成敗的關鍵。混凝土配合比設計的目的,就是要根據工程對混凝土性能的要求,選擇適宜的原材料比例,設計出經濟、質優的混凝土。影響高性能微膨脹混凝土配合比設計的因素很多,這些因素之間相互影響、相互作用的結果決定了混凝土混合料的物理、力學性能(如強度、坍落度等)。

 

 

    人工神經網絡是由大量人工神經元相互連接而成的網絡。多層BP 前饋型神經網絡有輸入層、輸出層及若干隱含層單元組成(圖2)。輸入信息要先向前傳播到隱含層結點上,經過各單元的特性Sigmoid 型的激活函數運算后,把隱含結點的輸出信息傳播到輸出結點,最后輸出結果^[1]。正向傳播時,每一層神經元的狀態僅影響下一層神經元。若輸出層得不到期望輸出, 產生的誤差則轉入反向傳播過程,誤差信息沿原路返回,通過修改各層神經元的權值以減小誤差,經過多次反復直至達到預期目標為止。各層輸入輸出關系式如下:

 

式中 為連接第-1 層到第層結點k 的權向量 。給定樣本集(X,Y)后,神經網絡的權將被調整,使下列準則函數達到最小^[2]:

 

Y為網絡輸出,且 。使用梯度下降法,可求得E(w)的梯度來修正權值,即權向量 的修正量可有下式求得:

 

 

 

    通過對大量泵送混凝土配合比成功實例的分析以及本文的試驗研究,得出影響泵送混凝土配合比的主要因素有: 水泥用量、水膠比、砂的用量、砂率、粉煤灰用量、外加劑的型號及摻量等,將這些變量作為輸入單元,把泵送混凝土的28d 強度和膨脹率作為輸出單元,隱含層單元個數通過訓練得出,輸入函數采用Sigmoid型函數 ,輸出函數采用線性^[3]。BP 神經網絡預測泵送混凝土配合比28d 強度和膨脹率流程如圖3。

 

 

    將收集到的數據作為樣本,對網絡進行訓練,并把訓練數據直接作為輸入數據進行模擬評估,同時對評估結果進行分析比較,便可以驗證模型的合理性和準確性。鑒于BP 網絡在訓練時容易出現局部極小和收斂速度慢等問題,在選用BP 網絡模型時可采用動量法和學習率自適應調整兩種策略(應用函數trainbpx),不但提高了學習速度,而且增加了算法的可靠性。動量法降低了網絡對于誤差曲面局部細節的敏感性,有效抑制了網絡陷入局部極小;自適應調整學習率有利于調整學習時間。

　　　　　　

 

    本文結合實際工程經驗,闡述了泵送混凝土混合料所要滿足的性能:①要有足夠的水泥漿體;②石子在水泥漿體中應保持均勻分布狀態;③混凝土拌和物的和易性要好,并且要具有良好的內聚性、不離析、少泌水性能。文中具體討論了拱肋泵送混凝土的主要原材料如水泥、粗骨料、細骨料、水、外加劑及摻合料的主要功能及實際工程中的技術要求得出了拱肋泵送混凝土配合比設計主要參數的控制范圍, 并進行了配合比試驗研究。本文研究得出的結論對鋼管泵送混凝土配合比設計具有十分重要的指導作用。