BP神经网络的钢管纤维混凝土柱疲劳破坏研究

李江南

（中铁十九局集团第七工程有限公司，广东珠海 519020）

1 试验内容及方法

1.1 试验设备

试验采用由龙门架、L形大梁和液压伺服作动器等组成的多功能加载系统。

1.2 试验材料

（1）混凝土。试验选用C35混凝土作为钢管内部的填充混凝土，考虑到混凝土强度形成需要进行养护，在养护的过程中钢管极容易生锈，锈蚀的液体可能会对混凝土有一定的腐蚀，在混凝土中添加一定的防腐剂。

（2）钢管。试验采用Q235a型圆形钢管，试件尺寸为Φ150×400 mm，壁厚2 mm。

（3）碳纤维。试验用碳纤维采用SKO型赛克欧纤维布。试验中碳纤维体积掺量为1%，采用代替细骨料法，碳纤维只填充至钢管内部混凝土内，未锚固到上下固定端梁里。

（4）环氧树脂。试验用胶合剂选取环氧树脂胶，用于将纤维胶结在钢管的表面。

1.3 试验方案

试验加载方式分别为 1 mm，2 mm，4 mm，8 mm，16 mm……，竖向荷载的加荷速度为0.7 MPa/s。

2 钢管纤维混凝土柱疲劳破坏极限强度预测

2.1 模型建立

输入试验数据，采用低周疲劳破坏的参数进行模型的训练方式，进行高周疲劳破坏的预测分析。隐含层设置3层，最大训练次数为1000，全局最小误差为0.005。学习率为0.02。由于该计算模型不能进行破坏点的预判，故设置预测结果低于0.55倍加载力作为破坏点[1]。

2.2 试件加载试验结果

表1为试件加载试验结果。

表1 试件加载试验结果

2.3 BP（Back Propagation，反向传播）网络预测结果检验

针对所建立的模型进行检验，输入加载次数为55次，通过连续输入的方式寻找破坏点出现时循环的次数。表2为预测模型方案检验的结果。

根据表2所示结果，对比分析5种建模方案，就准确度而言，方案3高于其他4种方案，方案5的预测结果在55次循环时较为准确，但后期预测时结果偏差较大。采用方案5的建模方法，针对于本试验结果较为准确，但其是否具有普遍性还需要进一步外延。

表2 预测方案检验表

3 基于数值模拟的钢管纤维混凝土柱疲劳破坏BP网络模型验证

通过大型有限元软件FLAC3D，对钢管纤维混凝土柱的轴压试件和偏压试件进行数值模拟。对比试验结果和数值计算的结果，对钢管纤维混凝土柱疲劳破坏BP网络模型的正确性和有效性进行验证。

3.1 数值模拟模型的建立

（1）模型尺寸。数值计算模型与试验尺寸一致，采用Φ150×400 mm，壁厚2 mm的试件进行计算。

（2）边界条件。根据实际情况以及工程经验，本文边界采用位移边界，限定模型的顶面、底面不可动，其余面为自由面。

（3）材料参数。材料参数与上述1.2节保持一致，材料参数需按照FLAC3D内置需求进行换算。

（4）计算结果与试验验证。

3.2 建模对试件进行数值模拟

（1）轴压结果验证。表3为 A1，A2，A3编号的3个试件的轴压试验与模拟结果对比分析，从表3可以看出，模拟值与试验结果值相差不大，误差均＜5%，模拟结果与实际情况相符合。

图1为A1试件的试验与模拟结果对比曲线。从图1可以看出，2条曲线基本吻合，经数值模拟得到的弹性模量较试验得到的弹性模量稍大，但强度较试验结果偏低，模拟曲线的下降平台更为明显[2]。

（2）水平荷载加载结果验证。表4为水平荷载作用下数值模拟与试验结果验证表。根据表4，该模拟方法计算结果正确、有效。

3.3 BP网络预测模型的数值模拟验证

将基于BP神经网络预测模型得到的结果和数值模拟结果汇总，如表5所示。

表3 模拟与试验结果对比分析表

图1 试验与模拟对比分析

表4 水平荷载作用下数值模拟与试验结果验证

表5 模拟与BP神经网络预测结果对比分析

对比分析可以发现，刚度指标的误差最大为4.16%＜5%，破坏次数最大误差为3，该BP神经网络预测满足精度要求。

4 结束语

利用BP神经网络模型实现了对钢管纤维混凝土破坏点的预测。将试验真实状态和数值模拟结果对比，验证了BP神经网络模型，用于预测钢管纤维混凝土柱疲劳破坏极限强度的可行性和准确性，试验结果可为钢管纤维混凝土柱的疲劳破坏机理研究提供参考。