BP神经网络混凝土抗裂性能预测

本文在分析混凝土抗冻耐久性预测研究现状的基础上,结合bp人工神经网络的特点,利用matlab软件建立了预测混凝土冻融环境下相对动弹性模量的模型,并对预测结果进行了分析。结果表明运用人工神经网络的预测方法操作简便、实用性强且在精度上能满足要求,该模型的建立也可为混凝土抗冻性设计、施工管理和建成后工程的运行维护提供参考。

为了预测混凝土的抗压强度,在分析bp、rbf神经网络原理的基础上,提出用bp、rbf神经网络模拟混凝土抗压强度与搅拌机各主要影响参数间关系的方法。根据搅拌机的实际工作状况,分别建立了4维输入向量、1维输出向量的bp、rbf神经网络模型,通过19组试验,验证了2种模型的可靠性。结果表明,实测结果与预测结果相接近,该2种神经网络模型能较准确地快速预测混凝土抗压强度。

在进行了正交试验的基础上,采用人工神经网络方法,建立混凝土的氯离子扩散系数与混凝土配比六个参数之间的非线性映射关系,研究各个参数对混凝土抗渗性能的影响,该研究成果可以减少混凝土试配次数,节约大量的人力、物力和时间,为高性能混凝土的研究发展奠定了基础。

混凝土抗裂性 (3)

混凝土抗裂性.

混凝土抗裂性

混凝土抗裂性 (2)

混凝土抗裂性

克裂速纤维增强混凝土抗裂性能

通过在混凝土中掺加纤维的一系列对比研究试验,研究混凝土中掺入聚丙烯纤维后对混凝土的耐久性和裂纹控制方面的影响。试验结果表明,在混凝土中掺入聚丙烯纤维可以提高混凝土的韧性,抑制混凝土的开裂过程,从而有效达到防裂的目的。

混凝土抗裂性能试验圆环法

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.

在分析普通混凝土强度影响因素基础上,选取混凝土配料中7个因素作为输入值,混凝土28d强度作为输出值建立了混凝土强度预测的bp网络模型。讨论了模型的学习样本、网络参数对预测精度的影响,选出最佳网络参数配置。实例证明模型预测精度高。

在分析检测数据的基础上,提取了结构服役时间、结构建造时间、结构检测时间、混凝土设计强度和混凝土碳化深度等特征参数,建立了预测既有建筑混凝土强度退化的人工神经网络模型。采用动量法和自适应调整法改进了bp算法;采用训练好的bp神经网络对既有混凝土强度最小值和混凝土强度最大值进行了预测,并与实测值进行了对比。结果表明:利用bp神经网络对既有建筑混凝土强度退化进行预测是可行的,该研究成果可为既有建筑大面积的抗震性能普查提供参考。

为了提供早期预测再生粗骨料混凝土强度的有效方法,从8篇文献中收集了47组样本,借助matlabr2015a平台,基于bp神经网络,建立了以单位体积的水、水泥、砂、碎石、再生粗骨料用量作为输入,以再生混凝土28d棱柱体抗压强度作为输出的含单隐层的3层神经网络模型,其结构为5-21-1.对网络进行训练后的仿真结果表明,预测的最大相对误差为18.69%,预测误差小于5%的占样本总量的78.72%.预测结果表明用bp神经网络模型预测再生混凝土的强度是可行的.

为准确预测浇注式导电沥青混凝土的融冰效果,基于300组试验样本数据,以环境温度、结构层厚度及通电时间为输入层,以融冰体积为输出层,建立了bp神经网络浇注式导电沥青混凝土融冰效果预测模型,并采用pearson相关性检验方法验证了预测模型的准确性。结果表明:不同环境条件下,bp神经网络预测模型的相对误差在2.1%以内,其相关系数r介于0.9955~0.9965之间,拟合优度r~2介于0.9910~0.9930之间,预测结果准确、可靠性强。

作为混凝土主要力学性能指标，混凝土的抗压强度很大程度上决定建筑工程的质量。混凝土抗压强度预测也一直是国内外研究的重点。本文在参考国内外已有文献的基础上，借助matlab数学工具建立混凝土抗压强度预测的bp人工神经网络模型，对混凝土抗压强度进行预测，同时将预测得到的结果和concretecompressivestrength数据集进行对比，验证模型的正确性。并通过改变影响混凝土强度的各种因素的值对它们对混凝土抗压强度的影响进行探讨。

从混凝土裂缝产生原因入手,通过相关试验,对自密实混凝土抗裂性能进行研究,以为其研发推广提供借鉴。

抗裂性能是混凝土的一个重要质量指标,而不同搀和物对混凝土的抗裂性能有不同的影响.本文基于脆性系数、特征长度对其抗裂性进行了评价分析,系统分析了掺合料对高强混凝土的抗裂性能影响.

本文采用误差反向传播神经网络(bp)建立了混凝土抗压强度的预测模型,在不同的误差目标值及隐含层节点数条件下,探讨模型的预测精度。实验结果表明,当误差目标值设定为0.01、隐含层节点数为3时,模型的预测精度最高,平均误差百分数为6.6%。当误差目标值设定较大时,样本的预测值与实测值会发生明显的偏差,预测效果不佳。

采用基于levenberg-marquardt算法的bp神经网络,构建珊瑚混凝土抗压强度预测模型,并使用考虑交互作用的正交设计试验l27(313)优化模型参数。试验结果表明:隐含层神经元数目和调整量初始值对网络性能影响显著,且二者间存在交互作用。经验证,参数优化后的模型预测误差小,预测结果可靠,可为配合比设计和优化提供指导。

为了有效提高混凝土抗压强度的预测精准度,利用粒子群算法优化bp神经网络初始权值和阈值,建立了混凝土抗压强多因子pso-bp预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为输入参数,混凝土抗压强度值作为输出参数,不仅可以克服bp算法收敛速度慢和易陷入局部极值的缺陷,而且模型的学习能力、泛化能力和预测精度都有了很大的提高。以uci数据库中的concretecompressivestrength数据集为例进行仿真测试,结果表明:pso-bp模型预测精度较bp、ga-bp模型分别提高了8.26%和2.05%,验证了pso-bp模型在混凝土抗压强度预测中的有效性。