基于神经网络的活性粉末混凝土梁抗剪承载力预测

2017-08-01王华阳张金丹

河南科技大学学报(自然科学版) 2017年2期

关键词：高强抗剪承载力

曹霞，王华阳，张毅,张金丹

(桂林理工大学广西岩土力学与工程重点实验室，广西桂林 541004)

基于神经网络的活性粉末混凝土梁抗剪承载力预测

曹霞，王华阳，张毅,张金丹

(桂林理工大学广西岩土力学与工程重点实验室，广西桂林 541004)

为了探讨将反向传播(BP)神经网络用于活性粉末混凝土(RPC)简支梁抗剪承载力预测上的有效性，利用14根高强钢筋RPC梁抗剪破坏试验结果，对影响RPC简支梁抗剪承载力的4个主要因素进行了分析，创建了RPC梁抗剪承载力BP神经网络预测模型，并验证了该模型的可靠性。利用该模型分析了不同参数对高强钢筋RPC梁抗剪承载力的影响效应。研究结果表明：当剪跨比大于3时，剪跨比对RPC梁的抗剪承载力影响趋向于平缓。随着纵筋率的提高，RPC梁的抗剪承载力提高，且剪跨比越小这种影响越明显。配箍率对大剪跨比RPC梁抗剪承载力的提高效率要高于小剪跨比RPC梁。

活性粉末混凝土；高强钢筋；BP神经网络；抗剪承载力

0 引言

活性粉末混凝土(reactive powder concrete，RPC)是一种具有高强度、低脆性和良好环保性等优越性能的新型高性能混凝土[1-2]，具有很好的应用前景。抗剪承载力是RPC结构研究的重要部分，是影响RPC结构应用的关键性问题。目前，国内外研究者已对RPC受剪构件进行了多种研究。文献[3]进行了7根无腹筋预应力RPC梁的抗剪性能试验，试验结果表明施加预应力对RPC梁抗剪承载力有一定提高。文献[4]研究了不同水泥基材料及剪跨比对RPC短梁抗剪性能的影响。文献[5]采用有限元软件对RPC梁的抗剪性能进行了模拟。但是，RPC抗剪承载力影响因素众多，且各影响因素之间并不完全独立，难以采用数值方法确定。

近年来，反向传播(back propagation，BP)神经网络在RPC材料方面的运用多为配合比设计及其性能评价[6]，较少应用于RPC梁抗剪强度计算。本文尝试将BP网络应用到RPC梁抗剪承载力的预测分析当中，在14根高强钢筋RPC梁抗剪破坏试验结果的基础上，建立了BP人工神经网络，用以预测高强钢筋RPC梁的抗剪承载力，并利用该网络分析了部分影响因素变化对高强钢筋RPC梁抗剪承载力的影响。

1 试验概况

1.1 试件设计

试验共制作了14根高强钢筋RPC简支梁试件，其中无腹筋梁10根，有腹筋梁4根。试验梁截面尺寸为150 mm×250 mm，梁长2 200 mm，净跨1 800 mm，两端外伸长度为200 mm。试验梁纵向受力钢筋均采用直径为25 mm的HRB 500级高强钢筋，屈服强度为520 MPa。有腹筋梁的箍筋采用直径为6 mm 的HRB 400级钢筋，屈服强度为441 MPa。试验梁基本参数见表1。

1.2 测点布置及加载方案

测点布置如图1所示，由液压千斤顶及荷载分配梁组成的加载系统对试验梁进行了两点对称加载，采用150 t的压力传感器对荷载的大小进行监测，试验结果如表1所示。

表1 试验梁基本参数及试验结果

图1 测点布置图(单位：mm)

2 试验现象及破坏形态描述

由表1可知：随着剪跨比及配箍率的变化，高强钢筋RPC梁主要发生斜压破坏、剪压破坏及弯剪破坏3种破坏形态。3种破坏形态如图2所示。

2.1 斜压破坏

剪跨比λ=1.00的无腹筋梁L1，因其具有很高的极限承载力，若采用两点加载则超出传感器量程，加载方式由两点对称加载改为单点加载，无腹筋梁L1最终发生斜压破坏。随着荷载的不断增加，在梁剪跨区腹部出现大致平行的的斜向裂缝，随后这些斜裂缝进一步加宽，进而沿着支座点到加载点斜向形成斜向受压短柱，最终RPC短柱被压碎，梁发生斜压破坏，典型的破坏形态如图2a所示。

2.2 剪压破坏

剪跨比λ=1.51，2.26，3.00，3.50的试验梁L2～L13均呈现剪压破坏。当荷载施加到一定程度时，斜裂缝不断在梁剪跨区的腹部产生，分布多而密。荷载继续加大，众多斜裂缝中的一条发展为临界斜裂缝指向加载点。临界斜裂缝随荷载的增大，宽度不断增加，RPC中钢纤维不断被拔出。最终临界斜裂缝贯穿整个梁高，部分与其相交的箍筋被拉断，发生剪压破坏，典型的破坏形态如图2b所示。

2.3 弯剪破坏

试验梁L14发生了弯剪破坏，其剪跨比λ=3.00，配箍率ρsv=0.377%。由于梁剪跨比较大，且配箍率较高，试验梁主要发生弯剪破坏。由试验观测可知：当荷载加载到一定程度后，梁纯弯段底部开始出现一定数量的竖向裂缝，接着剪跨区也有竖向裂缝出现，并且不断向上部发展为弯剪裂缝，其速度与纯弯段的竖向裂缝相比发展较快。继续加载，裂缝不断增多，且分布较密。随着箍筋和纵筋的屈服，上部混凝土被压酥，梁达到其极限荷载，破坏形态见图2c。

图2 试验梁的破坏形态

由于RPC中有钢纤维的掺入，高强钢筋RPC梁裂缝呈现出“细而密”的特点，试验梁破坏时没有出现混凝土碎块迸出的现象，表现出一定的延性。

3 RPC梁抗剪承载力影响因素分析

影响RPC梁抗剪承载力的因素众多，且各因素之间并不完全独立，可归为内因和外因，内因主要有RPC强度、钢纤维体积率、配筋率和截面形式等；外因主要有剪跨比和预应力等，外因与内因共同决定构件的破坏模式[4]。本文重点研究剪跨比、RPC强度、配箍率及纵筋率对RPC梁抗剪承载力的影响。

(1)剪跨比。剪跨比通过影响荷载的传递机制，从而对梁的应力状态产生影响。剪跨比λ对构件的破坏模式起主要作用。对比试验梁L1、L2、L3及L5～L7的试验结果可知：在其他参数相同时，高强钢筋RPC梁的抗剪承载力Vu随剪跨比λ的增加而逐步减弱，其破坏形态由斜压破坏向剪压破坏演变。

(3)配箍率。对比试验梁L12和试验梁L3，配箍率由0.126%增加至0.250%，抗剪承载力提高了15.2%。进一步增加箍筋用量至0.377%，构件的破坏模式由剪压破坏转变为弯剪破坏。可见，配箍率的增加不仅能提升高强钢筋RPC梁的抗剪承载力，并且对其破坏模式有一定影响。

(4)纵筋率。从试验梁L9、L6和L10的试验结果可知：随着纵筋配筋率的提高，试验梁的抗剪承载能力也相应提高。试验梁L9、L6和L10的纵筋率分别为4.43%、6.39%和8.18%。纵筋率L6较L9提高44.2%、L10较L6提高28.0%，相应的抗剪承载能力的增长率分别为18.6%和22.1%。纵筋率的提高有利于提高纵筋的销栓作用，同样也增强了纵筋对于其周围RPC材料裂缝发展的抑制作用，从而使梁的抗剪强度提高。

4 高强钢筋RPC梁抗剪承载力BP神经网络预测模型的建立

人工神经网络(artificialneuralnetwork，ANN)方法主要有线性神经网络、BP神经网络、Hopfield神经网络和径向基函数(radicalbasisfunction，RBF)神经网络等。BP神经网络因其具有良好的适应性，在土木工程领域得到了很好的运用[9-11]。本文采用BP神经网络对高强钢筋RPC梁的抗剪承载力进行预测。

4.1 BP神经网络模型设计

由于BP神经网络所采用的学习规则为有监督学习，在应用BP神经网络解决具体问题时，需要对其拓扑结构、传输函数、训练方法和训练参数进行确定。在本研究建立的预测模型中，选取剪跨比、RPC强度、配箍率及纵筋率为高强钢筋RPC梁抗剪承载力的4个主要影响因素，作为输入单元，高强钢筋RPC梁的抗剪承载力为输出单元，因此，可确定本网络的输入维数为4，输出维数为1。

根据文献[12]得出隐藏层节点数的变化为2～12，通过对不同节点数进行训练对比，当节点数为8时预测结果最优。最后得到的BP神经网络的结构为[5-8-1]。

4.2 BP神经网络样本选取及处理

根据已有的14根高强钢筋RPC梁的抗剪破坏试验结果，选取表1中L1～L10的试验数据作为本文BP神经网络的训练样本，其余4组试验数据作为该网络的检测样本。

由于试验所获取数据的量纲及各变量之间的数量级差别很大，有的甚至为无量纲数，为使BP神经网络达到理想的训练效果，必须事先对原始数据进行处理。本文通过“归一化”对数据进行处理，把输入向量及输出向量均转化为[0,1]的数。经“归一化”处理后的数据均为无量纲数，失去其原有的意义，因此在完成网络仿真后，必须对预测的结果向量进行“反归一化”，以得到真实的预测值。

4.3 BP神经网络学习训练

本文采用MATLAB神经网络工具箱实现对BP神经网络的训练，将试验梁L1～L10的试验数据作为训练样本进行训练，训练函数为traingdx函数；隐层函数为双曲正切S形tansig函数；输出层采用对数S形logsig函数；设定最大学习次数为2 000；性能目标的期望误差设为10-4；学习速率为默认值[12-13]。经过186次训练后满足精度要求，停止训练。这样就创建了一个预测高强钢筋RPC梁抗剪承载力的BP人工神经网络。

4.4 BP神经网络预测及结果分析

表2 训练样本、抗剪承载力预测结果及误差比较

表3 测试样本、抗剪承载力预测结果及误差比较

5 高强钢筋RPC梁抗剪承载力参数分析

综上可知：本文所创建的BP神经网络，对高强钢筋RPC梁的抗剪承载力具有良好的预测效果，可以将其用于分析不同参数变化对高强钢筋RPC梁抗剪承载力的影响。只需向其输入相应的假定变量，即可通过网络的推算得到相应的预测结果。图3～图6为利用本文BP神经网络预测得到的的部分影响因素对高强钢筋RPC梁抗剪承载力的影响结果。

图3的BP神经网络预测结果表明：在其他参数相同情况下，随着剪跨比λ增大，无腹筋高强钢筋RPC梁抗剪承载力Vu不断减小。当λ=1.00～2.50时，变化尤其剧烈；当λ≥3时，趋势逐渐缓和并基本保持不变。图4中RPC梁抗剪承载力Vu的预测结果并未随棱柱体抗压强度fc的增加而出现明显增加，而是出现先增加后下降的趋势，与相关研究有所偏差。这主要是由于缺乏以fc为单一参数变化的试验数据作为训练样本，及总体试验训练样本不足而导致的结果。

图3λ对高强钢筋RPC梁Vu的影响图4fc对高强钢筋RPC梁Vu的影响

图5为BP神经网络预测的配箍率ρsv对高强钢筋RPC梁抗剪承载力Vu的影响，预测结果表明：配箍率对大剪跨比RPC梁抗剪承载力Vu的影响大于小剪跨比RPC梁，在一定范围内RPC梁的Vu随ρsv的增加而提高，但达到一定限值后，ρsv对RPC梁Vu影响趋向平缓，这一规律与普通混凝土梁是一致的[14]。

由图6的BP神经网络预测结果可知：无腹筋高强钢筋RPC梁抗剪承载力Vu随纵筋率ρ的提高而增加，且λ越小，增长趋势越显著(即斜率相对较大)。这是因为纵筋面积增大，剪压区的RPC面积及销栓作用也随之增大。λ较小时，拱的拉杆作用明显，ρ对的Vu影响较大；λ较大时，拱作用减弱，削弱了ρ对Vu的影响。

同样,可以利用该BP神经网络分析其他影响因素组合对高强钢筋RPC梁抗剪承载力Vu的影响，因篇幅有限，在此不一一列出。

图5ρsv对高强钢筋RPC梁Vu的影响图6ρ对高强钢筋RPC梁Vu的影响

6 结论

(1)高强钢筋RPC梁的抗剪破坏模式与普通混凝土梁有所区别，剪跨比λ=1.00～3.50的高强钢筋RPC梁仅有剪压及斜压两种抗剪破坏模式，当剪跨比λ≥3时前者仍发生剪压破坏，这与后者发生斜拉破坏有本质区别。当剪跨比及配箍率均较大时，高强钢筋RPC梁发生弯剪破坏。

(2)将BP神经网络用于RPC梁的抗剪承载力的预测是可行的，具有较好的可靠度。并且利用BP神经网络预测得到了剪跨比、纵筋率和配箍率等因素对高强钢筋RPC梁抗剪承载力的影响规律。

[1] PICHARD P,CHEYREZY M.Composition of reactive powder concrete[J].Cement and concrete research,1995,25(7):1501-1511.

[2] 唐爱华，王尚伟，金凌志，等.矿物掺合料对活性粉末混凝土力学性能的影响[J].河南科技大学学报(自然科学版)，2015，36(2)：65-79.

[3] VOO Y L,FOSTER S J,GIBERT R I.Shear strength of fiber reinforced reactive powder concrete prestressed girders without stirrups[J].Advanced concrete technology,2006,4(1):123-132.

[4] 陈红波.配筋超高性能混凝土短梁受剪性能研究[D].长沙:湖南大学,2014.

[5] 夏支贤.活性粉末混凝土梁斜截面抗剪承载力研究[D].北京:北京交通大学,2007.

[6] 张姣龙,柳献,朱洪波,等.基于神经网络的UHPC力学性能预测模型[J].混凝土,2013(3):18-22,25.

[7] 张川,张百胜,黄建锋.钢筋混凝土无腹筋简支梁的抗剪承载力研究[J].重庆建筑大学学报,2005,27(l):48-52.

[8] 王铁成.高强度混凝土构件斜截面受剪承载力设计[J].天津大学学报,2001,34(5):559-663.

[9] 车轶,尤杰,徐东坡,等.钢筋混凝土无腹筋梁抗剪强度的人工神经网络模型[J].建筑结构,2011(S2):223-228.

[10] 贠永峰,范永慧,孙扬.基于BP神经网络的隧道围岩力学参数反分析方法[J].沈阳建筑大学学报(自然科学版),2011,27(2):292-296,306.

[11] 李悦,郭伟,杨进波.基于BP神经网络的硬化混凝土水胶比预测[J].混凝土,2015(8):1-4.

[12] 葛哲学,孙志强.神经网络理论与MATLAB R2007实现[M].北京:电子工业出版社,2008:108-117.

[13] 陈明.MATLAB神经网络原理与实力精解[M].北京:清华大学出版社,2013.

[14] 易伟建,潘柏荣,吕艳梅.HRB500级钢筋配箍的混凝土梁受剪性能试验研究[J].土木工程学报,2012,45(4):56-62.

国家自然科学基金项目(51368013);广西研究生教育创新计划基金项目(YCSZ2015160);广西岩土力学与工程重点实验室基金项目(2015-A-02)