基于人工神经网络的混凝土强度预测

(华南理工大学土木与交通学院 广东 广州 510000)

一、混凝土强度预测概述

随着当前数值计算方法的发展以及计算机技术的飞速进步，对求解包含多种变量的非线性系统下的混凝土性能预测变化提供了有力的手段。但是数值方法对混凝土的力学参数、本构关系必须有非常清晰的了解，从改进实验技术和采用新的试验方法来研究混凝土性能的问题进展是很慢的。工程中以现场监测的信息为基础的反分析为混凝土性能的预测提供了一种可行的思路，并在工程实践中取得了成功地应用。

由于影响混凝土性能的因素众多，这些因素都无法通过大小进行大多不可量化，而且因素之间关系复杂，采用机器学习方法，由于其本身的自适应，不需要对这些因素做过多的假设，所以具有广泛的应用前景。本文采用以统计学理论为基础的神经网络方法预测模型对混凝土的强度进行预测分析，将预测强度结果与真是测试结果进行对比分析，验证了神经网络在混凝土强度性能预测中的可行性。通过对影响混凝土性能的各种因素进行综合分析，自动判定各个因素的重要性，为实际工程和结构物设计提供依据。

二、混凝土强度预测研究

目前，混凝土强度预测类方法主要包括鲍罗米公式预测、曲线拟合方法、灰色理论预测方法、神经网络方法等[1]。由于神经网络技术在信息处理方面具有特殊的优势，使得神经网络在非线性问题比较复杂的土木工程领域能够取得了相对理想的效果。正是由于神经网络方法在解决土木工程领域的问题上优于其他方法，因此本文选择神经网络方法解决所要研究的问题。人工神经元的数学模型是根据生物神经元的特征进行简化和模拟，是神经网络的基本信息处理单元，其的输出可以被描述为：

Y=f(∑WiXi+θ)

式中：f(·)表示神经元输入—输出关系函数，称之为激活函数或传递函数。

目前，在建立混凝土强度的神经网络预测模型时，大多学者选择直接应用神经网络进行混凝土强度的建模与预测的研究。人工神经网络预测方法基本可以满足预测要求，但也存在一些不足之处。首先，现有的研究大多只是分析混凝土的原材料配合比，但是混凝土强度的影响因素很多，显然只分析这一原因这是不够全面的。其次，以往的混凝土强度预测研究大部分是针对混凝土28d强度，大部分研究忽略了龄期的影响，即使个别学者考虑了龄期因素对混凝土强度的影响，但是他们所考虑龄期范围也只有7-90d强度。然而在役结构存在的龄期长短不一，有的建筑存在的时间长达几十年，而有的建筑的存在时间可能仅有几年。显然，这样的预测结果对在役结构的研究并不十分适用。

最后，运用进行神经网络预测时，所需的样本数据比较庞大，这就需要做大量的试验，获取大量试验数据。然而要从如此庞大的数据量中获得非常有限的有用信息却并不容易。因此，如何从这些数量庞大的试验数据中提取重要特征是数据处理的一项重要任务。

三、基于神经网络的混凝土强度预测

Rumelhart、McClelland和他们的研究团队在1986年提出了一种误差反向传播算法，简称BP算法[2]，从本质上讲，BP神经网络实现了一种自动寻找从输入到输出映射关系的功能。通过理论证明发现，只需最少三层BP神经网络就可以实现任意复杂的非线性映射关系。对于特别复杂的内部机制求解问题，只要隐层神经元数足够大就可以很好地适用。此外，BP神经网络还可以具有一定的学习能力，通过对关系案例集的学习，神经网络就可以自动提取出合理的解决方案规则，并由此得到合理的结果。

寻找到混凝土强度与其影响因素之间的非线性输入、输出关系是混凝土强度方面的预测研究的最终目标。神经网络预测模型成功建立的关键在于预测样本数据的通用性以及预测结果的一致性。即，能够准确地反映处理和解决方案的问题，并具有足够的实验数据，包括与训练网络模型的问题相对应的所有模式。本文从文献[3]中选取试验数据，随机选取部分样本作为训练样本，剩余样本作为预测样本。

利用BP神经网络训练上述数据模型并得到预测模型，根据预测结果可以看出，虽然多数数据点并不是精确地一致，但拟合曲线的总体趋势与实际混凝土强度曲线是一致的。此外，神经网络训练结果的平均绝对百分误差、均绝对误差、均方误差三个评价指标值都相对较为理想，即MAPE为0.85%、MAE为0.43MPa以及MSE为0.32MPa，这样的结果可得到训练样本的拟合效果是比较理想的结论，在工程实践中具有一定的实践意义。

四、小结

本文首先介绍了神经网络的生物学原理、技术特征以及当前在混凝土强度预测方面的研究。在BP神经网络的理论基础上，通过相关资料内的样本数据建立了其混凝土强度预测的BP神经网络预测模型，并利用此模型对剩余部分的样本的混凝土强度值进行很好的预测。预测结果表明，BP神经网络能够有效地应用于混凝土强度预测，预测结果具有较高的预测精度，能够满足工程施工中对混凝土强度预测的精度要求。

学习样本的准确性对BP网络训练的成功起着决定性的作用。只有正确的学习才能正确的训练。文中单个试件的模拟值误差过大，这与试件生产的不稳定性、施工工艺和试验方法有很大关系。因此，保证学习样本的质量，把具体的质量管理摆在重要的位置具有重要意义。但是当前只能依靠经验或重复实验筛选的人工神经网络结构的参数，这样的选择方法是没有完整的理论依据的，因此如何针对具体问题选取最优的网络结构参数仍然是一个亟待研究的方向。