基于PSO-BP的再生混凝土抗压强度预测

刘琦良

摘 要：由于BP神经网络存在收敛速度慢、容易陷入局部极小值等问题，故本文提出利用粒子群算法优化BP神经网络的思路，并将之用于再生混凝土抗压强度预测当中。利用粒子群算法寻找BP网络最优初始权值和阈值，建立水泥、粉煤灰、水等多个影响指标，输出28d再生混凝土抗压强度PSO-BP神经网络预测模型，与未经优化的BP神经网络预测进行比较。结果表明，PSO-BP神经网络具有更高的预测精度。

关键词：再生混凝土;抗压强度;预测

中图分类号：TU528.9文献标识码：A文章编号：1003-5168（2018）32-0101-02

Forecasting Model of Compressive Strength of Recyle Concrete Base on

BP Neural Network model Optimized by Particle Swarm Algorithm

LIU Qiliang

（Science and Technology College of Hubei University of Arts and Science，Xiangyang Hubei 441000）

Abstract： Because BP neural network had the problems of slow convergence rate and easy to fall into local minimum value， this paper proposed the idea of using particle swarm optimization algorithm to optimize BP neural network and apply it to the prediction of compressive strength of recycled concrete. PSO-BP was used to find the optimal initial weight and threshold of BP network. Several influencing indexes such as cement， fly ash and water are established. The PSO-BP neural network prediction model of 28-day recycled concrete compressive strength was output， which was compared with the BP neural network prediction without optimization. The results showed that PSO-BP neural network had higher prediction accuracy.

Keyword： recyle concrete;compressive strength;prediction

隨着建筑需求不断增长，混凝土用量也越来越大，每年全世界都需要拌制数量巨大的混凝土，与此同时，由于各种废弃建筑物拆除或超过使用年限等原因而产生的废弃混凝土数量也非常巨大的[1]。传统的废弃混凝土的处理方式大多采用露天遗弃或者填埋，这不仅会对土地资源造成破坏，而且容易造成环境污染。回收再利用废弃混凝土既可以减少资源浪费，又可以保护环境，对其进行研究具有重要意义。本文采用粒子群算法优化BP神经网络，并建立再生混凝土抗压强度预测模型，对相关问题展开分析。

1 BP神经网络及粒子群算法

BP神经网络是一种按误差传播算法训练多层前馈神经网络，其基本思想是利用输出后的误差估算前一层误差，再利用前一层的误差估算更前一层的误差，以此类推获取各层误差[2]。获取后的误差用来调整各层之间的连接权值，调整后的连接权值再重新计算输出误差，直到输出误差满足要求或者迭代次数达到设定值为止，具体结构如图1所示。

粒子群算法又称鸟类觅食算法，源于鸟类捕食行为。该算法假设每个优化问题的解为搜索空间里的一只鸟，称之为粒子。这些粒子都有一个由适应度函数决定的适应值，在N维搜索空间中赋予其一定的速度，从而决定其飞行的方向和距离，速度根据外界环境的改变而不断进行动态调整。在迭代寻优过程中，这些粒子通过个体极值和群体极值来调整自身状态：个体极值代表粒子自身寻求得到的最优解;群体极值代表所有粒子中寻求得到的最优解，即全局最优解[3]。

2 PSO-BP预测模型的建立

初始权值及阈值是影响BP神经网络预测性能的重要参数。因此，提高预测精度的重要方法就是选择合适的参数组合。为了提高预测效果，本文采用粒子群算法对BP网络相关参数进行优化，从而提高预测精度[4]。粒子群算法优化BP网络参数的具体步骤如下。

首先，设置粒子的初始参数最大速度，如粒子数、迭代数、加速因子和粒子等。随机产生一组粒子初始位置和速度数据，本文粒子初始数设为200，加速因子[c1]和[c2]设为2，最大速度设为0.5。

其次，选择最佳适应度函数，本文选择均方差作为适应度函数，在MATLAB 2012a中，均方差函数为mse。同时更新粒子位置，粒子位置调整主要取决于两个极值的大小。

再次，对粒子速度和位置进行动态调整，如式（1）、式（2）所示。

[Vk+1id=ωVkid+c1r1Pkid-Xkid+c2r2Pkgd-Xkid]      （1）

[Xk+1id=Xkid+Vk+1id]                           （2）

式中：[ω]表示为惯性权重;[d=1，2，...，D];[i=1，2，...，n];[k]为迭代次数;[Vid]为粒子的速度;[c1和c2]为加速因子;[r1]和[r2]是介于0到1之间的随机数。

最后判断结果是否达到最优，若满足，输出最优参数值;若不满足，重复前两步，直到训练目标达到设置要求或者迭代次数达到设定值200[5]。

3 实例分析

选取水泥、粉煤灰、水、砂、石、再生骨料和减水剂等7个参数作为影响再生混凝土的抗压强度输入变量，输出变量为28d的再生混凝土抗压强度。根据实际问题输入输出参数，BP神经网络模型结构选择7-N-1结构，N为隐含层节点数，经过多次试验对比，选取N为15，建立结构为7-15-1的BP神经网络，如图2所示。

如上图所示，适应度函数值是在反归一化结果的基础上计算得来的，可以看出粒子在迭代110次数以后基本不再发生变化，即达到最佳状态。

4 结语

由于未经参数优化的BP神经网络存在收敛速度慢、容易陷入局部极小值等问题，本文采用粒子去群算法对BP网络阈值和初始权值进行优化，得到了预测性能更好的BP预测模型。同时，以再生混凝土的实际配比算例作为仿真实验，与未经优化的BP神经网络预测效果进行了对比，实验结果显示PSO-BP预测效果更好，为再生混凝土抗压强度预测提供了一定的参考价值。

参考文献：

[1]朱伟，石超峰，李楠.基于遗传算法优化支持向量机的再生混凝土抗压强度预测[J].中外公路，2014（1）：1-2.

[2]肖建庄，李佳彬，兰阳.再生混凝土技术最新研究进展与评述[J].混凝土，2003（10）：17-20.

[3]李占印.再生粗骨料混凝土的性能[D].西安：西安建筑科技大学，2003.

[4]俞桂良.高强混凝土强度预测人工智能方法及应用[J].混凝土，2010（10）：41-43

[5]廖小辉，黄新，施俊玲，等.基于BP神经网络的再生混凝土抗压强度预测模型[J].南京林业大学学报，2010（5）：34-37