高性能混凝土配合比確定的神經(jīng)網(wǎng)絡(luò)方法

摘 要: 配合比設(shè)計是混凝土工程成敗的關(guān)鍵, 影響高性能混凝土配合比設(shè)計的因素很多, 但由于科學技術(shù)水平限制, 要建立各因素之間的數(shù)學關(guān)系,目前還有困難。本文利用神經(jīng)網(wǎng)絡(luò)方法建立了高性能混凝土配合比設(shè)計的BP 網(wǎng)絡(luò)模型,為混凝土的配合比設(shè)計開辟了一條途徑。

 

關(guān)鍵詞:混凝土 配合比 神經(jīng)網(wǎng)絡(luò)

 

中圖分類號:TU528 文獻標識碼: A

 

    配合比設(shè)計是混凝土工程成敗的關(guān)鍵?；炷僚浜媳仍O(shè)計的目的,就是要根據(jù)工程對混凝土性能的要求,選擇適宜的原材料比例,設(shè)計出經(jīng)濟、質(zhì)優(yōu)的混凝土。影響高性能微膨脹混凝土配合比設(shè)計的因素很多,這些因素之間相互影響、相互作用的結(jié)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(jīng)網(wǎng)絡(luò)是由大量人工神經(jīng)元相互連接而成的網(wǎng)絡(luò)。多層BP 前饋型神經(jīng)網(wǎng)絡(luò)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(jié)點上,經(jīng)過各單元的特性Sigmoid 型的激活函數(shù)運算后,把隱含結(jié)點的輸出信息傳播到輸出結(jié)點,最后輸出結(jié)果^[1]。正向傳播時,每一層神經(jīng)元的狀態(tài)僅影響下一層神經(jīng)元。若輸出層得不到期望輸出, 產(chǎn)生的誤差則轉(zhuǎn)入反向傳播過程,誤差信息沿原路返回,通過修改各層神經(jīng)元的權(quán)值以減小誤差,經(jīng)過多次反復直至達到預期目標為止。各層輸入輸出關(guān)系式如下:

 

式中 為連接第-1 層到第層結(jié)點k 的權(quán)向量 。給定樣本集(X,Y)后,神經(jīng)網(wǎng)絡(luò)的權(quán)將被調(diào)整,使下列準則函數(shù)達到最小^[2]:

 

Y為網(wǎng)絡(luò)輸出,且 。使用梯度下降法,可求得E(w)的梯度來修正權(quán)值,即權(quán)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(shù)通過訓練得出,輸入函數(shù)采用Sigmoid型函數(shù) ,輸出函數(shù)采用線性^[3]。BP 神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)作為樣本,對網(wǎng)絡(luò)進行訓練,并把訓練數(shù)據(jù)直接作為輸入數(shù)據(jù)進行模擬評估,同時對評估結(jié)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(wǎng)絡(luò)在訓練時容易出現(xiàn)局部極小和收斂速度慢等問題,在選用BP 網(wǎng)絡(luò)模型時可采用動量法和學習率自適應調(diào)整兩種策略(應用函數(shù)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(wǎng)絡(luò)對于誤差曲面局部細節(jié)的敏感性,有效抑制了網(wǎng)絡(luò)陷入局部極小;自適應調(diào)整學習率有利于調(diào)整學習時間。

　　　　　　

 

    本文結(jié)合實際工程經(jīng)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(tài);③混凝土拌和物的和易性要好,并且要具有良好的內(nèi)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(shù)要求得出了拱肋泵送混凝土配合比設(shè)計主要參數(shù)的控制范圍, 并進行了配合比試驗研究。本文研究得出的結(jié)論對鋼管泵送混凝土配合比設(shè)計具有十分重要的指導作用。