基于BP神经网络的自密实混凝土梁受弯承载力预测

楼 瑛，吴文达，庄金平

(1.阳光学院土木工程学院,福州 350015; 2.福州大学土木工程学院，福州350108；3.福建工程学院土木工程学院,福州 350116)

基于BP神经网络的自密实混凝土梁受弯承载力预测

楼 瑛1，吴文达2，庄金平3

(1.阳光学院土木工程学院,福州 350015; 2.福州大学土木工程学院，福州350108；3.福建工程学院土木工程学院,福州 350116)

采用神经网络方法对自密实混凝土受弯梁的正截面承载力进行模拟。以影响自密实混凝土梁受弯承载力的主要因素(抗压强度、截面尺寸、配筋率等)为参数，以构件的受弯极限承载力为网络输出，建立多层前馈神经网络来描述其非线性关系。利用不同研究者的32组试验数据对网络进行训练和测试。测试表明，建立的神经网络模型对32组试验数据具有良好的模拟精度，可作为预测自密实混凝土梁受弯承载力的一种新的计算方法。

自密实混凝土；受弯承载力；预测；神经网络

0 引言

自密实混凝土是在较低水灰比条件下，通过复合高效外加剂，合理使用粉煤灰等矿物掺合料，优化混凝土集料的级配而配制出的比一般高流态混凝土的流动性更好，具备更良好的材料抗分离性、填充性、穿越密集钢筋能力的新型建筑材料，在施工中靠自重填充到复杂模型的各个角落，使其均匀地自密实成型[1]。在密集配筋、体形复杂或其他原因而难以振捣成型的混凝土工程中，包括新建工程与加固工程，自密实混凝土对方便施工、加快工程进度、确保工程质量具有重要的作用[2]。

随着BP神经网络方法的发展和推广，已在土木工程领域大量应用。对普通混凝土极限承载力的预测，已取得了令人满意的结果[3]。但对自密实混凝土(SCC)受弯承载力预测的研究还未见报道。将神经网络方法引入自密实混凝土梁的研究中，在不设置承载力计算模型的前提下，利用现有的大量试验数据，建立了各影响因子与自密实混凝土梁受弯承载力非线性映射关系的神经网络预测模型，为自密实混凝土梁受弯承载力的研究提供了一种新的计算方法。

1 BP神经网络简介

BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出的，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一[4]。BP网络能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。

2 自密实混凝土受弯承载力神经网络模型

2.1 神经网络模型的建立

2.1.1 模型结构

大量的试验结果表明，自密实混凝土承载力的主要影响因素有：混凝土抗压强度、梁截面宽度、梁截面高度、配筋率、钢筋屈服强度。

模型采用应用最多的三层前向BP神经网络，包括输入层、隐含层和输出层。输入层为自密实混凝土梁受弯承载力的主要影响因素，共5个神经元；隐含层神经元个数取为20个；输出层为自密实混凝土梁受弯承载力。学习误差设置为不超过5%，网络的拓扑结构如图1所示。

2.1.2 模型算法

隐含层的神经元均采用正切Sigmoid函数作为传递函数，该函数可以将神经元的输入范围(-∞,+∞)映射到(-1,+1)。考虑到当函数的输入值在(-1,+1)时其值的变化最为显著，所以要将输入值进行标准化处理。输出层的神经元采用纯线性变换函数Purelin函数。初始化函数选用Initff函数，训练函数选取了Trainlm函数，它采用的是Levenberg-Marquard算法，其梯度下降很快，训练步数少，但会占用较大内存。

2.2 样本的选取

训练样本的选择对网络的训练十分重要，使用尽量少的样本同时又包含尽量丰富的信息是样本选取的原则。模型样本选自福州大学等国内6个单位[5-10]所做的32组自密实混凝土梁受弯试验，具有较广泛的代表性。其中25组数据作为训练样本，3组数据作为测试样本。

2.3 网络的训练

利用Matlab提供的神经网络工具箱，建立BP神经网络模型。将收集到的25组数据进行训练，数据参数及训练结果见表1。

图1 BP网络的拓扑结构

注：Mt、Mb分别为自密实混凝土梁受弯承载力的试验值和模型预测值;eb=|Mt-Mb|/Mt

3 模型泛化能力测试

泛化能力是评价网络性能的一个重要指标。在网络训练完成后，用7组检验样本对所建神经网络的泛化能力进行测试，相关预测结果列于表1中。从表1中可以看出，所建网络模型的预测结果与试验结果符合得较好，相对误差均在10%以内。可见，以上神经网络模型具有较高的计算精度以及良好的泛化能力，能较好地反映自密实混凝土梁受弯承载力与各影响因素之间的关系，可用于相关的分析与预测。

表2 模型预测结果

4 结语

将人工神经网络方法应用于自密实混凝土梁受弯承载力的预测。研究表明所建立的神经网络模型具有良好的学习精度和较好的泛化能力，可以合理地模拟自密实混凝土梁的受力性能，因此可作为预测自密实混凝土梁受弯承载力的一种新方法。

由于目前试验资料的限制，预测模型中考虑的影响因素还不够完整(如自密实混凝土中粉煤灰掺量、外加剂掺量等),模型预测精度及预测值的合理性还有待于日后进一步的完善。

[1] 楼瑛，罗素蓉.混凝土自收缩的测定及若干因素对自收缩影响规律的研究[J].福州大学学报，2015，43(1)：100-105.

[2] 罗素蓉，郑建岚，王国杰，等，自密实高性能混凝土结构的研究与应用[J].土木工程学报，2005，38(4)：46-52.

[3] 李红，彭涛.基于BP、RBF神经网络混凝土抗压强度预测[J].武汉理工大学学报，2009，31(8)：33-36.

[4] 黄庆斌.BP算法的改进及其应用研究[D].西安：西安交通大学，2010.

[5] 胡琼，颜伟华.自密实混凝土梁正截面受弯性能试验[J].哈尔滨工业大学学报，2009,41(10)：26-30.

[6] 黄晖，叶燕华，韩娟，等.自密实混凝土受弯梁受力性能试验[J].南京工业大学学报：自然科学版，2011,33(1):95-100.

[7] 罗小勇，余志武，聂建国，等.自密实混凝土结构的应用研究[J].铁道学报，2003,25(5)：75-80.

[8] 孟志良，孙建恒，王国栋.自密实混凝土梁抗弯性能试验研究[J].工业建筑，2011,41(1)：97-101.

[9] 罗素蓉，郑建岚，王国杰.自密实高性能混凝土力学性能的研究与应用[J].工程力学，2005,22(1)：164-169.

[10] 陈波，刘清，何原野.乌鲁木齐地区C30自密实混凝土简支梁受弯性能试验研究[J].混凝土，2014,30(11)：148-152.

The Prediction tor the Flexural Capacity of Self-compacting Concrete Beam Base on BP Neural Network

LOU Ying，et al.

(CollegeofCivilEngineering，SunshineCollege，Fuzhou350015，China)

The neural network method is used to simulate the normal section bearing flexural capacity of self-compacting concrete beams.Considering the main factors of flexural capacity of self-compacting concrete beams (compressive strength，cross-sectional dimensions，reinforcement ratio，etc.) as the parameters，and taking the ultimate bearing capacity of flexural members as the network output，the multi-layer feed-forward neural network has been established to describe nonlinear relationships.The 32 sets of test data from different researchers are used to train and test the network.Tests results show that the established neural network model in this paper for 32 groups of test data has good simulation accuracy，and can be used as a new calculation method for predicting the bending capacity of self-compacting concrete beams.

self-compacting concrete；flexural capacity；prediction；neural network

10.3969/j.issn.1009-8984.2017.01.008

2016-09-22

国家自然科学基金资助项目(51678152)

楼瑛(1985-)，女(汉)，杭州，讲师 主要研究高性能混凝土、结构工程。

TU375

A

1009-8984(2017)01-0034-03