再生混凝土基本性能的BP神经网络预测
2017-12-15李冉
李 冉
(郑州工业应用技术学院 河南 新郑 451100)
再生混凝土基本性能的BP神经网络预测
李 冉
(郑州工业应用技术学院 河南 新郑 451100)
本文选取再生粗骨料的表观密度、吸水率、压碎指标、水泥用量、砂率、再生粗骨料取代率、水灰比7个主要因素作为BP网络的输入参数,建立7-20-3的BP神经网络模型来实现非线性映射。研究表明:本文建立的BP网络模型,根据再生混凝土配合比和再生骨料性能的数据可以较为准确的预测出再生混凝土的坍落度、28d抗压强度和弹性模量。同时,也可以利用建立的再生混凝土性能的BP网络模型分析各主要影响因素与再生混凝土性能的变化趋势,为工程实践提供理论指导。
再生混凝土;BP神经网络;坍落度;抗压强度;弹性模量
一、引言
再生混凝土骨料棱角多,表面粗糙且往往附着有大量水泥砂浆,使得再生骨料具有空隙率高、吸水率高、压碎指标大、内部含有大量微裂缝等缺陷。再生骨料的这些性能与天然骨料相差很大,使得在配置再生混凝土时除了要考虑配合比,必须要考虑再生骨料的表观密度、吸水率、压碎指标及再生骨料的取代率等因素。本文将运用BP神经网络模型来实现对再生混凝土性能的研究。
二、建立再生混凝土性能的BP神经网络模型
(一)BP神经网络模型
BP神经网络是人工神经网络应用最广泛的一种形式,其实质是建立输出与输入的非线性函数,结构简单,可操作性强。训练过程都是在连续可导的函数环境下完成的,在函数逼近问题、信息分类、模式识别等都有重要突破。
(二)构建训练样本数据库
依据工程实践综合考虑选取再生粗骨料表观密度、吸水率、压碎指标、水泥用量、水灰比、砂率、再生粗骨料取代率共7个因素作为BP神经网络的输入参数,以坍落度、28d抗压强度、弹性模量3个因素作为BP网络的输出参数。
(三)隐含层层数和节点数的确定
本文隐含层节点数选为20。
(四)传递函数的选择
本文输入层与隐含层间的传递函数采用logsig函数,隐含层与输出层间的传递函数采用tansig函数。
(五)再生混凝土性能的BP网络模型的训练过程
网络结构为7-20-3,网络训练函数采用trainlm函数,输入层与隐含层间的传递函数采用logsig函数,隐含层与输出层间的传递函数采用tansig函数,网络参数设置后,对建立的再生混凝土性能的BP神经网路模型进行训练。BP神经网络模型如图1所示。验证样本数据在训练第6步时,均方误差达到最小值0.0038549,处于最优的预测范围,说明网络结构和参数设置合理。
图1 BP神经网络模型
三、再生混凝土性能的BP神经网络模型的应用
通过再生粗骨料混凝土的配合比设计,配制15组再生粗骨料混凝土,测定拌合物的坍落度,浇筑成块标准养护28d测得抗压强度和弹性模量,获得检测样本数据。用本文建立的BP网络模型对检测样本进行预测,将预测结果和试验结果进行对比,从而对BP网络模型进行性能评价。
(一)BP神经网络的性能评价
利用试验所得的15组试验数据对训练好的BP神经网络模型进行测试,将再生粗骨料混凝土检测样本的输入变量 (水泥用量、砂率、水灰比、再生粗骨料取代率)的数值进行归一化处理。本文建立的结构为7-20-3的BP神经网络模型,坍落度、抗压强度、弹性模量相对误差的平均预测精度分别为5.81%、5.44%、6.51%,在10%以内,具有较高的预测精度。
(二)再生粗骨料取代率对再生粗骨料混凝土性能的影响
假定再生骨料性能参数、水泥用量一定,砂率设定为30%,水灰比设定为0.55,以再生粗骨料取代率作为变量,来预测再生粗骨料取代率的影响。
从图2、3、4可以看出:随着再生粗骨料取代率的增大,再生混凝土坍落度、抗压强度和弹性模量均呈下降趋势。这和直接由试验结果分析得到的变化趋势基本一致。再生骨料取代率为100%时,再生混凝土的坍落度、抗压强度、弹性模量分别为普通混凝土的62%、90%和78%。
图2 再生粗骨料取代率对坍落度的影响
图3 再生粗骨料取代率对抗压强度的影响
图4 再生粗骨料取代率对弹性模量的影响
图5 水灰比对坍落度的影响
图6 水灰比对抗压强度的影响
图7 水灰比对弹性模量的影响
(三)水灰比对再生混凝土性能的影响
以水灰比为变量,利用再生混凝土性能的BP神经网络模型,预测再生粗骨料取代率分别为0、50%和100%时再生混凝土坍落度、抗压强度和弹性模量的变化规律。
由图5、6、7可以看出,总体上随水灰比的增大,再生混凝土坍落度也变大,而抗压强度和弹性模量减小。水灰比在0.4-0.5之间时,坍落度、抗压强度和弹性模量的变化幅度最快。水灰比在这个区间内,再生混凝土性能变化最不稳定,灵敏性更高。
四、结语
1.本文建立的网络结构为7-20-3的再生混凝土性能的BP神经网络模型,网络结构和参数设置合理。2.本文对建立的网络模型仿真模拟,结果表明坍落度、抗压强度、弹性模量相对误差的平均预测精度在10%以内,具有较高的预测精度。说明本文建立的再生混凝土性能的BP神经网络模型能在工程实践中推广。3.尽管建立的BP神经网络模型在整体上达到期望的精度要求,但某些样本仍存在误差,可以通过调节隐含层节点数、网络的学习率、增加输入样本数据个数及其提高样本数据的可靠度来减小误差。
[1]肖祥.再生混凝土基本力学性能试验研究[D].山东科技大学硕士学位论文,2008.
[2]张李黎.再生混凝土材料性能试验研究 [D].合肥工业大学硕士学位论文,2009.
[3]肖建庄.再生混凝土 [M].北京:中国建筑工业出版社,2008.
[4]李瑞鸽.BP网络预测再生混凝土性能研究[J].低温建筑技术.2007.
李冉 (1991-),女,硕士,助教,郑州工业应用技术学院。