“建筑材料”课程虚拟实验教学法可行性研究

李 翔

(镇江高等专科学校 a. 医药技术学院；b. 镇江市功能化学重点实验室，江苏 镇江 212028)

“建筑材料”是建筑工程技术、建材检验技术、工程安全评价与监理等专业的专业基础课程，涵盖建筑材料检测相关实验，应用性强[1]。学生通过学习，掌握材料的组成、性质和特征，掌握材料的检测方法、了解影响材料性能的因素，使其岗位适应能力和操作技能达到本专业上岗基本标准。学生就业后将会在第三方检测公司或施工单位实验室从事检测工作，所以教学中应关注职业技能，实现理论教学与实验教学紧密配合。

1 存在的问题

首先，“建筑材料”实验课程设计中需要按照国家标准测试特定的建筑材料性能，但学生只是按部就班完成实验内容，缺乏独立思考和创新动力，容易出现不重视实验原理、实验方法不合理、实验仪器操作不规范等问题。其次，“建筑材料”实验课程设计中需要分析各种建筑材料性能，并介绍实验方法。如水泥相关物理性能测试、钢筋力学性能测试、混凝土相关性能测试等，材料种类多，实验内容繁杂，对仪器设备的要求较高。实际教学中，受限于实践课时和实验设备，实验内容有限。最后，学生不能深刻认识实验数据的差异性。如采用相同的实验方法对钢筋进行抗拉强度测试时，抗拉强度的测试结果可能存在较大差异，关键因素有钢筋材料的各元素含量、缺陷等。如果能获得相关数据，利用合适的模型进行分析，就能够掌握关键性因素，深刻理解相关理论知识点。

2 优化实验方案

基于相关检测行业发展需要整合教学内容。学生在实验教学环节会关注实验原理、实验方法、实验仪器的操作流程，为此，改变教学计划，增加实验教学课时。与第三方检测公司建立紧密联系，从第三方检测公司收集原料种类、配比等重要数据，以实际生产过程中各原料参数为依据制备建筑材料构件，如混凝土试件、砂浆试件，测试如混凝土(砂浆)的抗压强度、抗折强度、坍落度等性能；获得已成型构件的性能参数，如钢筋的成分含量，如碳、硅、锰、磷、硫、铬、镍、钼、钛等。依据国家检测标准设计检测方案，指导学生实验，比较实验室测试结果与企业实测结果，查找问题，提高检测能力。以混凝土抗压强度测试(《混凝土强度检验评定标准》GBJ 107-87)为例[2]，混凝土的制备涉及各种原料的选用，如水泥强度、水泥含量、水灰比、骨灰比、添加剂量、用水量、减水剂使用量、粗骨料用量、细骨料用量、砂率、细骨料细度模数等[3-4]。组织学生参观第三方检测公司，实地观摩检测人员实际操作。教师收集企业建筑材料原料配比数据、28 d抗压强度值，形成企业样品数据库。在实验中设计工艺参数，有目标地制备混凝土构件并测试，比较实验结果、企业实测结果的差异，关注操作的规范性。

利用人工神经网络技术预判实验结果，确定关键性因素。人工神经网络是应用类似于大脑神经突触联接的结构进行信息处理的数学模型，简称为神经网络或类神经网络[5]。神经网络是一种运算模型，由大量节点(神经元)相互联接构成。目前，误差反向传播(error back-propagation)神经网络在函数逼近、模式识别、信息分类、数据压缩等领域应用广泛[6]。BP神经网络是具有隐含层的多层前馈网络，通过修正网络权值(Wji，Wkj)和阈值(θj，θk)，使误差函数e沿负梯度方向下降，直到输出误差(精度)减小到可以接受的程度，如图1所示，具体标准误差反向传播神经网络算法如图2所示。

图1 BP神经网络结构图

鉴于实验教学课时有限，可以在实验课中指导学生掌握BP预测模型[7]，利用课外时间反复练习编程技术。BP模型的建立需要采集大量真实数据，数据来源于第三方检测公司。模型训练以影响材料性能的指标为目标值，影响材料性能的因素为输入值，获得训练后的模型具备相应的预测能力[8-10]。该模型可用于待检测材料性能的预测，比较模型预测性能值与实测值，验证模型的实用性，如图3所示。

图2 标准误差反向传播算法(以混凝土抗压强度预测为例)

图3 BP神经网络模型训练以及预测流程

虚拟实验教学方法需要利用课外时间完成实验内容，学生自行下载Matlab软件，实现编程。主要采用神经网络工具箱的专用函数newff()，调用的格式为net=newff(PR, [S1S2…SN]),{TF1TF2…TFN},BTF, BLF, PF)[11]，PR代表输入层样本矩阵，Si代表第i层神经元数，TFi代表第i层激励函数，默认值为“tansig”，BTF代表网络训练函数，整体调整权值与阈值，以达到误差最小，默认值为“trainlm”，BLF代表学习函数，局部调整权值与阈值，默认值为“learngdm”，PF为性能函数，默认值为“mse”，代表均方误差。还涉及部分编程程序，如net.trainParam.show代表训练步长，net.trainParam.lr代表学习率，net.trainParam.epochs代表训练步数，net.trainParam.goal代表精度，net.trainParam.time代表训练时间等。

学生大多拥有电脑，课外自学具有可行性。编程教学耗费课时，但经授课教师指导，模型普遍具备适用性，可用于大量建筑材料性能的预测，如水泥抗压强度、混泥土抗压强度、钢筋抗拉强度、土工布抗拉强度预测等。利用模型进行材料性能预测，预测精度高于90%，部分材料性能的预测结果如表1所示。利用模型特性，可自行评估影响材料性能的关键性因素。实际制样中，学生会重点关注原料种类、配比对实验结果的影响，提高严谨性。利用企业关键数据构建模型，通过模型仿真获得测试数据，并与企业实测数据比较，可以更好地理解模型的适用性，了解影响特定材料性能的关键因素。

表1 模型参数设定与预测精度(实验数据由学生提供)

3 学生可接受度

虚拟实验教学法可预测建筑材料的性能，比较实测结果，同步验证模型的实用性。第三方检测公司提供相关数据，提高了模型的预测能力。

实验教学中，编程环节至关重要。建模中，第三方检测公司提供涉及工艺的数据，学生利用课余时间自行编程练习，并及时对比企业提供的性能指标，及时提供相关编程流程的截图，发布在学习通上。

教学中，对建筑工程技术、建筑材料检测技术、工程安全评价与监理专业的学生试行虚拟实验教学法。以问卷调查的方式了解学生对教学方法的适应性、对掌握BP神经网络预测模型编程的理解程度。发放调查问卷60份，回收60份。实验原理接受程度方面，约80%的学生能完全接受，16.25%的学生基本能接受，3.75%的学生不能接受。编程难度方面，83.3%的学生认为可以独立编程，16.7%的学生认为无法独立编程。模型的预测精度方面，86.6%的学生认为模型预测精度较高，实测值与预测值的精度高于90%，13.4%的学生认为模型的预测精度不高。教学满意程度方面，91.6%的学生表示满意，8.4%的学生表示基本满意。虚拟实验教学法在高职高专院校教学中具有可行性。

BP神经网络在人工神经网络中具有较好的容错能力，通过简单的参数调控就可以达到模型优化的目的。编程中需要调控的参数包括输入层节点(神经元)、隐含层节点、输出层节点、隐含层激活函数、输出层激活函数、学习率、精度等。不断训练模型可以达到预测的最佳性能。因此，BP神经网络预测模型具有通用性，适用于预测不同材料的性能、确定关键影响因素。

4 结束语

采用虚拟实验教学法能够激发学生的积极性与主动性，培养学生实际动手能力、自主学习能力。采用虚拟实验教学方法，可以使实验教学变得多元化，有效解决实验教学受实验室条件限制等问题，丰富实验内容。