基于神经网络的聚合物混凝土抗压强度预测

林跃忠，杜世婷，尤培忠

(1.山东科技大学土木工程与建筑学院，山东青岛 266510；2.天元建设集团，山东临沂 276002)

基于神经网络的聚合物混凝土抗压强度预测

林跃忠1，杜世婷1，尤培忠2

(1.山东科技大学土木工程与建筑学院，山东青岛 266510；2.天元建设集团，山东临沂 276002)

用人工神经网络—BP神经网络预测在聚灰比、聚合物掺量、减水剂掺量以及龄期的影响下聚合物水泥混凝土的抗压强度。首先构建BP神经网络模型，然后通过对试验样本数据的学习来训练网络，最后用训练好的网络进行预测。经预测值与实测值的比较，其相对误差均在0.83 %～8.42 %之间，能满足工程应用要求。因此用神经网络方法预测聚合物混凝土强度是可靠的。

BP神经网络； 聚合物水泥混凝土； 抗压强度

聚合物水泥混凝土(PCC)是以聚合物和水泥共同作为胶凝材料。与普通水泥混凝土相比，聚合物水泥混凝土的抗拉强度、耐磨、耐蚀、抗渗、抗冲击等性能更好[1]，混凝土的和易性也得到改善。它常被用于现场灌筑构筑物、路面及桥面修补、混凝土储罐的耐蚀面层、新老混凝土的粘结以及其他特殊用途的预制品，有较为广阔的应用前景。虽然我国在聚合物混凝土方面有了一定的发展，但相较于发达国家还是比较落后的。聚合物水泥混凝土的强度取决于聚合物的种类、聚合物与水泥的比例、水灰比、外加剂等许多因素。聚合物混凝土的强度研究是很复杂的，用常规方法是非常耗时、耗材和耗力的。本文用神经网络方法对聚合物水泥混凝土抗压强度进行预测。神经网络方法对处理大量原始数据且不能用规则或公式描述的问题，表现出极大的自适应性,且还具有自学习、自组织和逼近任意非线性的能力[2]。因而神经网络开始用于混凝土强度、抗渗性、抗冻性预测等[3-5]方面，具有很大的实用性。

1 人工神经网络

人工神经网络(ANN)是一个数学模型，可以用电子线路实现，也可以用计算机程序模拟。它是对人类大脑系统的仿真，可以自动诊断、问题求解，解决传统方法所不能或难以解决的问题[6]。事实上神经网络是由大量的、功能较简单的神经元互相连接而成的复杂网络系统。它通过学习获得外部知识并将其储存于网络中，来解决一些本质上非计算的问题[7]。因为人工神经网络具有学习和记忆能力、对数据可容性大、并行结构、优良的非线性逼近能力等特点，所以成为广受关注的智能化信息处理方法。在实际应用中，80 %以上的人工神经网络模型是BP网络。已有理论证明，一个三层网络可以实现对任意函数的任意逼近[8]。本文用的就是只有一个隐层的BP网络，该网络由输入层、隐含层及输出层构成，包括信号的正向传播和误差的反向传播，通过一定的权重实现相邻两层神经元的全互连接。输入层将样本传入隐含层，经隐含层处理后传入输出层，将输出层的实际输出与期望输出比较后得到的误差通过BP网络的学习过程不断调整网络权重和阈值，使误差平方和达到最小。BP神经网络结构及反向传播算法原理见图1。

图1 BP网络结构及反向传播算法原理

假设有P个训练样本，即(Ip,Tp),p=1,…,P，其中

输入向量：Ip=(ip1,…,ipm)T

目标输出向量：Tp=(tp1,…,tpn)T

网络输出向量：Op=(op1,…,opn)T

BP网络应用的是Delta学习规则修正神经元之间的连接权值。Delta学习规则:

记Δwij表示Delta学习规则递推一次的连接权修改量，则有：

2 试验介绍

聚合物水泥混凝土的强度取决于很多因素，试验研究起来较复杂且会产生大量的数据。因而本文研究的是在材料种类、水灰比、砂率、实验环境等一致基础上，当聚合物掺量、减水剂掺量、聚灰比以及龄期不同时，用神经网络方法对聚合物水泥混凝土抗压强度进行预测。

2.1 试验材料

水泥为普通硅酸盐水泥；砂为普通河砂的中砂，细度模数为2.8，落在级配Ⅱ区；石子的粒径5～40 mm；水用的是普通自来水；聚合物为可再分散性乳胶粉(EVA)，各项指标均符合国家相关规定的要求；减水剂为引气型高效减水剂TJ-1。

2.2 试件与结果

本文用正交试验设计方法，聚合物水泥混凝土的聚合物与水泥的比例分别为0 %、0.5 %、0.75 %、1 %；减水剂与水泥质量比分别为0 %、1 %、2 %，每组都配制不添加减水剂和聚合物的普通混凝土来作比较。试验所配制的混凝土的强度为C20，它的配合比为:水∶水泥∶砂∶石子=0.51∶1∶1.81∶3.68，混凝土的密度按2 400 kg/m3。根据正交试验原理，分别配制出12种不同聚合物比例和水灰比的混凝土，均做成100 mm×100 mm×100 mm的立方体试块。在标准状况下分别养护3 d、7 d、28 d、60 d，用混凝土强度测试仪测12种聚合物水泥混凝土的抗压强度得到48组试验数据，在此只列出一部分数据见表1。

3 BP网络模型的构建

3.1 网络模型参数的确定及训练

表1 试验数据

图2 训练过程误差曲线

图3 回归分析

3.2 预测结果分析及结论

利用训练好的神经网络，得到的10组聚合物水泥混凝土抗压强度与实测值的对比结果分析见表2。

表2 BP神经网络预测结果分析

由表2可知强度预测值与实测值的最大相对误差是8.42 %,能够满足工程应用。

4 结束语

(1)本文通过应用BP网络对聚合物混凝土强度进行了预测研究，能得以下结论；预测值与实验的实测值的误差均在9 %以内，说明利用神经网络可以有效的预测聚合物水泥混凝土的抗压强度。

(2)将人工神经网络方法用于实践，既经济又省时、省力。随着神经网络理论与应用的发展，它必将展现出更大的工程应用价值。

[1] 冯雨松. 关于聚合物水泥混凝土的分析[J].工业建筑，2007， 37:14-16.983-985.

[2] 季韬,林挺伟,林旭建. 基于人工神经网络的混凝土抗压强度预测方法[J].建筑材料学报，2005，8 (6):676-681.

[3] 皮文山，周红标，胡金平. 基于BP神经网络混凝土抗压强度预测[J].低温建筑技术，2011，(4):14-16.

[4] 周双喜. BP 神经网络预测混凝土抗渗性能的研究[J].五邑大学学报，2009，23 (1):52-56.

[5] 赵娜. 基于人工神经网络的混凝土抗冻性预测[D].内蒙古科技大学，2010.

[6] XIA Min， FANG Jian-an， TANG Yang， et al . Dynamic depression control of chaotic neural networks for associative memory [J]. Neurocomputing， 2010(73)，776-783.

[7] 毛健,赵红东,姚婧婧. 人工神经网络的发展及应用[J].电子设计工程，2011，19 (24):62-65.

[8] 宰松梅,郭冬冬,温季.人工神经网络在土壤含盐量预测中的应用[J].中国农村水利水电, 2010, (10): 33-35.

[9] 沈花玉，王兆霞，高成耀,等.BP神经网络隐含层单元数的确定[J].天津理工大学学报, 2008, 24(5): 13-15.

林跃忠(1966～)，男，副教授，主要从事土木工程结构材料与施工研究;杜世婷(1990～)，女，硕士研究生，研究方向：结构设计理论与应用。

TU528.41

A

[定稿日期]2015-03-10