BP神经网络及数据库技术在混凝土强度预测中的应用

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、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。尝试用人工神经网络对16种配比的混凝土进行28d强度预测,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。

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。

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。

建立混凝土测强换算关系是混凝土结构检测中经常面对的问题,然而要建立起检测物理量与混凝土强度之间的函数关系并非易事。本文利用神经网络方法建立了混凝土测强换算的bp网络模型,为混凝土结构无损检测中混凝土强度推定开辟了一条新途径。

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:bp神经网络和rbf神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用bp神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。

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。

在阐述bp人工神经网络原理的基础上,针对影响强度的主要因素,建立了多因子混凝土抗压强度3层bp网络模型,以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料含量及置放天数作为模型输入参数,混凝土抗压强度值作为模型的输出,对混凝土抗压强度进行了预测。实验结果表明:所建bp神经网络混凝土抗压强度预测模型最大误差绝对值都小于20%,平均误差为7.33%,模型具有较高预测精度。

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。

本文运用均匀设计的方法进行树脂混凝土的配合比设计,用较少的试验取得较好的效果;建立了树脂混凝土的强度预测的神经网络模型,对试验的数据进行了训练和仿真,预测的结果与试验结果吻合非常好。

在分析普通混凝土强度各影响因素的基础上,选取6个影响因素组成输入层,以混凝土28d强度作为输出,建立径向基函数网络,经网络训练和仿真结果对比,表明所建网络结构合理、收敛速度快、精度高,可以满足普通混凝土强度预测要求,具有广泛的应用前景。

针对目前混凝土强度预测中存在的不确定性,难以自适应性的确定神经网络隐含层,建立了基于高维云的rbf神经网络的混凝土预测模型。运用matlab8.10进行仿真实验。实验结果表明该模型综合考虑了影响混凝土强度的各种因素,能够实现预测结果的随机性和模糊性,具有更高的预测精度,更快的训练速度,可以广泛应用于生产现场实地的混凝土强度预测和质量检验。

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16种配比的混凝土进行28d强度预测,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。

同条件养护混凝土试件强度与混凝土的配合比、环境温度、养护时间有密切的关系,它们之间是复杂的非线性关系,采用神经网络模型方法,界定两者之间的关系,可用于实际工程的强度预测。

为了克服混凝土施工中强度评定滞后现象,提出采用bp神经网络技术进行粉煤灰混凝土早期强度预测。通过粉煤灰混凝土正交试验,并对实验结果进行极差分析,找出影响粉煤灰混凝土强度的主次要因素,进而作为bp神经网络输入参数,预测粉煤灰混凝土的抗压与抗折强度。经过预测值与实测值对比分析,结果表明bp神经网络技术有很好的预测精度。应用bp神经网络技术对混凝土施工中的质量状况及时预报,有重要的技术应用价值。

本文研究了组成再生混凝土的配合比与相应的抗压强度之间的非线性关系，利用bp神经网络，建立了预测再生混凝土抗压强度的网络模型。模型采用了3—8—3的网络结构模式，分别以再生骨料取代率、胶凝材料28天胶砂强度、水灰比作为输入层节点。以再生混凝土的3天、28天、56天抗压强度作为输出层节点，输入层到隐含层的转移函数为tangsig，隐含层到输出层的函数采用线性函数purlin。最后用实验室制备的12组再生混凝土的抗压强度实验数据，对建立的模型进行测试，结果表明，建立的bp网络模型预测再生混凝土强度的绝对误差均在5％以内，具有较高精度。

在对某基坑工程采用bp神经网络模型预测基坑开挖引起地表变形的分析中,考虑到现有模型可能会遇到预测结果跳不出训练样本以及训练时间较长的问题,提出采用matlab中的mapminmax函数进行归一化处理,并基于牛顿法、共轭梯度法和l-m法三种数值优化方法对bp网络训练算法进行了改进.研究结果表明:与常用的基于梯度下降原则相比,改进后的bp神经网络在训练时间和预测误差方面均有明显的优势,采用l-m法的神经网络在训练样本时的迭代次数最少为74次,采用共轭梯度法的预测结果与实测结果的误差最大为2.4％,而采用牛顿法神经网络的预测值则比较均衡,预测结果相对最佳.

应用matlab提供的神经网络工具箱作为bp神经网络训练和仿真的平台,并进行语言编程,通过采用不同隐函数节点数进行对比试验,采用精度与误差都合适的节点数进行训练与预测,观察预测的精度,并分析神经网络对抗压强度结果预测的可应用性,从而得出一些有益的结论。

bp神经网络是分析处理复杂非线性问题的一种有效方法,是目前广泛应用的一种神经网络,已被逐渐应用于对宏观经济问题的研究中。本文有机地整合了计量经济学与bp神经网络,建立了基于因果关系理论来确定bp网络的输入变量,基于协整理论来分析bp网络系统的可靠性,基于学习率可变的动量bp算法的用于研究经济领域问题的改进bp神经网络预测模型,加强了网络模型的理论基础,提高了网络模型的质量,并将其应用于西北建筑业的预测和控制中,取得了令人满意的效果。

提出一种采用bp神经网络算法来预测深基坑沉降的方法,结合具体工程实例,构建了预测深基坑周边地表沉降具体bp神经网络模型,预测结果表明,该模型有较高的预测精度,可作为预测沉降的一种新方法。

基于神经网络原理,建立预测泡沫混凝土性能的bp神经网络模型,期望通过输入配合比主要参数,得到泡沫混凝土强度及导热性能的预测结果。将实验数据分为训练组和对照组,对训练组进行非线性拟合,若拟合结果满足误差精度则模型建立完毕;通过拟合结果与对照组的比较,可验证模型预测精度。结果表明,bp神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%,该模型具有很高的预测精度。

采用定量体视学图像分析法,测定掺有9种引气剂的混凝土28d孔结构参数,运用人工神经网络理论,建立由总孔隙率和6个不同孔径范围的分级孔隙率预测混凝土28d抗压强度的bp神经网络模型,该模型预测的平均误差只有6.7%。结果表明:混凝土28d抗压强度的预测值与试验值符合良好,较传统回归分析,预测的准确度有所提高,体现其优越性。