基于人工神经网络(BP)的混凝土抗裂性能指标预测
基于BP神经网络混凝土抗压强度预测
低
温
建
筑
技
术
２ １ 年第 ４期（ ０１ 总第 １ ５ ） ４期
基于 Ｂ Ｐ神 经 网络 混 凝 土 抗压 强度 预 测
皮文山 周红标 胡金平 ， ，
（． １ 淮阴工学院 总务基建处 ． 江苏 淮安 ２ ３ ０ ； ２ 淮阴工学院 电子与电气工程学院 ． 江苏 ２ ０￣ ． 淮 安 ２３ ０ ； ２ ０３ ３ 兰州理工大学 电信 学院 。 兰州 ７ ０ ５ ） ． ３ ００
【 关键词】 混凝土； 抗压强度；Ｐ神经网络； Ｂ 预测
【 中图分类号】 Ｔ ５８ １ Ｕ ２．
【 文献标识码 】 Ａ
【 文章编号】 １０ — ８４２ １ ）４ ０ １ ０ ０１ ６６ （０１０ — ０４— ３
Ｐ ＲＥ ＣＴ ｏＮ Ｆ ＣｏＮＣＲＥＴＥ ＣｏＭ口ＲＥＳ Ⅳ Ｅ ＴＩＥ ＤＩ Ｉ ０ｌ Ｅ ． Ｓ Ｓ ｕ ＮＧＴＨ ＢＡＳ ＥＤ ｏＮ
神经网络预测运用较多的是bp算法利用bp可以不用了解混凝土复杂的硬化过程直接可通过训练样本建立混凝土抗压强度预测模型并以该模型对测试样本进行预测得到了测试样本的抗压强度值这为混凝土在建筑工程领域中的应用提供了理论依据11bp神经网络原理及算法bp神经网络是一种多层前馈神经网络该网络的主要特点是信号前向传播误差反向传播
近几 年迅 速发 展的 人工神 经网络 （ ｒｆ ｉ ｅｒ ｅ－ Ａ ｔｉ ａ Ｎ ｕａ Ｎ ｔ ｉｃ ｌ ｌ ｗ ｒ ，Ｎ 是解 决 非线 性 问题 的有 效 手段 之一 ， 具 有容 ｏｋ Ａ Ｎ） 其 错、 联想 、 推测 、 忆 、 记 自适应 、 自学 习和处 理 复杂 多模 式 的 功能 ｊ 。神经 网络预测运用 较多 的是 Ｂ Ｐ算法 ， 用 Ｂ 利 Ｐ可 以不用了解混凝 土复 杂 的硬化 过 程 ， 直接 可通过 训 练样 本
基于BP神经网络的再生保温混凝土抗压强度预测
!"#$%&'()*#+,-./0123#4 56789:;<=#>?@ABCDEFGHI"JK #$%8LMNOPQRS#TU;<=V@W5CDE XYH'()*Z[\9:&]U^A_#9:]U;< =`aQAbcd#'(efghijklm)#nohpqrstuCvw#xyz{Z|}~D-;<=i jklm)ij#Ag lh H5#nog@iE>?d ,-. ¡¢£aQ¤¥;<=|}~ D#¦§g'¨©ª«¦¬#;<=|}~D /0 ®¯ °dZ±~,1.²³'¨´µ /0 ®¯°g¶·¸BH ¹º;<=|}~D#¤¥¦§Z»¼½,2.¾s /0 ®
!"#$%&'$() /0*=@B?CD*=@AE<?F*G?@6H>AH<=*I<6@D*ECJ*@JACKDHJL@6*KM*JAB6MH=N*AL@*@OO@>A*<O*?@>M>D@6*><C?J@*CNN?@NCA@*JBKJAHABAH<=*?CA@*C=6* ECA@?*>@I@=A*?CAH<*<=*AL@*><IG?@JJHP@*JA?@=NAL*<O*?@N@=@?CA@6*><=>?@A@;!L@*/0*=@B?CD*=@AE<?F*G?@6H>AH<=*I<6@D*ECJ*@JACKDHJL@6*KCJ@6*<=* AL@* ?CAH<* <O* ?@>M>D@6* ><C?J@* CNN?@NCA@`ECA@?* >@I@=A* ?CAH<* C=6* ><=>?@A@* CGGC?@=A* 6@=JHAM;!L@* CHI* <O* ALHJ* JAB6M* HJ* A<* G?@6H>A* AL@* 15Q6CM* ><IG?@JJHP@*JA?@=NAL*<O*?@N@=@?CA@6*AL@?ICD*H=JBDCAH<=*><=>?@A@*KM*AL@*I@CJB?@I@=A*<O*AL@J@*AL?@@*OC>A<?J;!L@*@RG@?HI@=ACD*?@JBDAJ*JL<E* ALCA*EL@=*AL@*?CAH<*<O*?@>M>D@6*><C?J@*CNN?@NCA@*HJ*789`AL@*><IG?@JJHP@*JA?@=NAL*<O*?@N@=@?CA@6*><=>?@A@*HJ*CGG?<RHICA@DM*DH=@C?*EHAL*AL@* CGGC?@=A*6@=JHAM*<O*><=>?@A@*IHRAB?@`C=6*AL@*><IG?@JJHP@*JA?@=NAL*6@>?@CJ@J*EHAL*AL@*H=>?@CJ@*<O*ECA@?Q>@I@=A*?CAH<;SL@=*AL@*JBKJAHABAH<=* ?CA@*HJ*-889`AL@*><IG?@JJHP@*JA?@=NAL*HJ*=<=DH=@C?*EHAL*AL@*CGGC?@=A*6@=JHAM`C=6*AL@*><IG?@JJHP@*JA?@=NAL*H=>?@CJ@J*EHAL*AL@*H=>?@CJ@*<O* CGGC?@=A*6@=JHAM`C=6*H=>?@CJ@J*EHAL*AL@*H=>?@CJ@*<O*ECA@?Q>@I@=A*?CAH<;!L@*AL?@@QOC>A<?*/0*=@B?CD*=@AE<?F*I<6@D*@JACKDHJL@6*H=*ALHJ*GCG@?* HJ* D@JJ* ALC=* 29* <O* AL@* G?@6H>A@6* PCDB@* C=6* AL@* C>ABCD* PCDB@`C=6* >C=* K@* BJ@6* A<* G?@6H>A* AL@* ><IG?@JJHP@* JA?@=NAL* <O* ?@N@=@?CA@6* AL@?ICD* H=JBDCAH<=*><=>?@A@; *+,)-.%/#() JBKJAHABAH<=*?CA@*<O*?@>M>D@6*><C?J@*CNN?@NCA@+ECA@?Q>@I@=A*?CAH<+CGGC?@=A*6@=JHAM+><IG?@JJHP@*JA?@=NAL+/0*=@B?CD*=@AE<?F
基于神经网络的混凝土裂缝预测方法研究
基于神经网络的混凝土裂缝预测方法研究混凝土裂缝是一种常见的结构问题，它对结构的强度和耐久性产生负面影响。
因此，预测混凝土裂缝的发生是非常重要的。
近年来，随着深度学习和神经网络的发展，基于神经网络的混凝土裂缝预测方法越来越受到关注。
一、研究背景和意义混凝土裂缝是沿着混凝土结构中的裂缝线形成的开裂。
这种裂缝通常是由于混凝土材料的收缩、伸缩或膨胀引起的。
混凝土裂缝不仅会影响结构的强度和耐久性，还会影响结构的外观和美观度。
因此，预测混凝土裂缝的发生对于建筑结构的设计和施工非常重要。
近年来，深度学习和神经网络技术的发展，为混凝土裂缝预测提供了一种新的方法。
基于神经网络的混凝土裂缝预测方法可以通过学习和分析大量的混凝土裂缝数据，来预测混凝土裂缝的发生。
二、基于神经网络的混凝土裂缝预测方法基于神经网络的混凝土裂缝预测方法是一种数据驱动的方法，它可以学习和分析大量的混凝土裂缝数据，以预测未来的混凝土裂缝发生情况。
该方法通常包括以下步骤：1. 数据采集和处理该方法需要收集大量的混凝土裂缝数据。
这些数据可以来自于现场监测、实验测试、数字化图像处理等多个方面。
然后需要对数据进行处理和清洗，以保证数据的质量和准确性。
2. 特征提取在该方法中，需要从原始数据中提取有意义的特征，以供神经网络进行学习和分析。
常见的特征包括混凝土的强度、抗压强度、湿度、温度等。
特征提取通常需要使用特定的算法和方法。
3. 神经网络模型选择和训练在该方法中，需要选择合适的神经网络模型，并对其进行训练。
常见的神经网络模型包括多层感知机、卷积神经网络、循环神经网络等。
训练神经网络通常需要使用反向传播算法，并进行交叉验证和超参数调整。
4. 预测和评估在该方法中，可以使用训练好的神经网络模型来预测未来的混凝土裂缝发生情况。
同时，还需要对预测结果进行评估和分析，以确定预测的准确性和可靠性。
三、研究进展和应用目前，基于神经网络的混凝土裂缝预测方法已经在实际工程中得到了广泛应用。
基于BP_神经网络预测混凝土强度
文章编号：2095-6835（2023）20-0038-04基于BP神经网络预测混凝土强度＊邓洁松，王芳，付壮金，费友龙，尚超洋，刘雅婷（宿州学院资源与土木工程学院，安徽宿州234000）摘要：为了给建筑施工单位提供早期预测混凝土强度的有效办法，基于实验室制备的50组样本数据，借助Matlab R2020a 平台，建立了以单位体积的水泥、高炉矿渣、水、粗骨料、细骨料的用量作为输入，以立方体混凝土试件经过28d养护龄期的抗压强度作为输出的含单隐藏层的3层BP（Back Propagation）神经网络模型，其结构为5-6-1。
由对混凝土进行数值模拟训练后的仿真结果可知，训练后均方误差MSE为7.2%，整体相关系数R可达0.979。
以上预测结果表明，用BP神经网络模型预测混凝土的抗压强度理论上是可行的，并且使用此网络模型能够较为准确且快速地预测出混凝土本身的抗压强度。
关键词：BP神经网络；混凝土；预测；抗压强度中图分类号：TU528.1文献标志码：A DOI：10.15913/ki.kjycx.2023.20.010混凝土材料是由胶凝材料、水、粗细骨料等按一定比例配合拌制，经一定时间硬化而成的人造石材，是应用最广泛的建筑材料之一[1]。
要使工程质量和工程验收达到规定标准，混凝土的性能和质量是重要的因素。
实际工程中，养护28d后的混凝土的强度值是评价混凝土强度的主要依据，根据GB/T50080—2016《普通混凝土拌合物性能试验方法标准》[2]和GB55008—2021《混凝土结构通用规范》[3]，试验结果显示，在（20±2）℃、相对湿度大于95%、养护龄期28d的条件下，测得的抗压强度最大值为混凝土标准立方体的抗压强度，在整体抗压强度分布中，选取强度保证率为95%的立方体试件作为混凝土强度等级。
混凝土的力学性能除受到试验条件的影响外，还与粗骨料掺入量、砂粒、水泥、水、外加剂等因素有关。
因此，通过这种传统试验获得混凝土的抗压强度值一般需要投入大量的人力、物力和时间，增加了施工的成本，并且难以获得较为准确的结果[4]。
基于BP神经网络的水泥混凝土路面抗滑性能分析
４ 试 验 结果及 分 析
在 江西省境 内选 取 年事 故率低 于 １ ０起／ 的高速 公路 作 为 年 研究对象 ， 利用锁轮拖车法测定其摩擦 系数并筛选 其值符 合建设
高速公路
３ Ｂ Ｐ神 经 网络在 抗滑性 能 分析 中的应 用
目前有关路面抗滑性能 的研究 多是实地检 测法 ， 将路 面混合 标 准的作 为网络分 析的输出 ， 录相应 的路面材料 设计 和月 降水 记
图 ２ 粗集料混合比对抗滑能力的影响
｝ １ Ｉ Ｉ ｌ ｌ ｌ ｌ Ｉ ｌ １ ２ ３ ４ ５ ６ ７ ８ ９ ０ 检 值 ０３ １． ０ １ ０ ５ ３ ｌ． ０ ９ ３ ｌ． ． 测 ． ２ ｌ． ． ０ ４ ３ ｌ． ０ ０ ３ ０ ６ ３ ８ ３ ｌ ３ １． ０ ３ ２ ｌ． ０ ３ ０ ０ 输 值 ０３ ｌ． ０ １ ０ ３ ３ ｌ． ０ ９ ３ １． ０ ５ 出 ． ２ ｌ． ． ０ ５ ２ １． ０ ３ ３ ． ２ ９ ３ ｌ ３ １． ０ ８ ２ ｌ． ０ ２ ３ ０
表 １ 路 面抗滑能 力最低值
道路性质 般道路 汽车专用道
一
行驶速Ｊ／ ｍ ・ ｘ ￣ｋ ｈ ６ ０ ８ ０
８ ０
最低摩擦系数 ０ ２ ．５ ０ ２ ．５
Ｏ ３ ０ ３ ． — ．５
备注
道路协会标准 道路公团标准
其 中， 为牵 引力 ； Ｐ为轮上 的有效 载荷 。学 习算 法采 用
粗集料混合比／ ％
经 过 １６次计算 ， ７ 网络误差 稳定 在 ０ １以下 ， ． 网络训 练完成 。
利用训 练好 的 网络 对后 １ 数据 进行 摩擦 系数检 验 ， 均误 差 ０组 平 仅为 ４ ３ ％ ， ． ８ 效果 良好 ， 见表 ３ 。
基于bp神经网络的混凝土抗压强度预测
本课题深入研究了神经网络算法的基本原理，并采用Mablab软件编程实现了BP神经网络算法，最后把BP神经网络引入到混凝土抗压强度预测的具体应用中。通过BP神经网络的功能与特性，将混凝土抗压强度测试作为实例进行实验，最后出一套混凝土强度的模拟数据，通过运算达到一个相对准确的标准值；提前预测混凝土是否可以达到强度标准，具有现实经济意义。
This graduation design firstly introduces the research background, secondly, it elaborates the basic principle of neural network algorithm. Finally, the mablab software programming realization of the BP neural network algorithm and the BP neural network is introduced to predict the compressive strength of concrete the concrete application in, and make a detailed analysis of the data structure.After a series of verification, the model prediction error is smaller, the prediction results are reliable and can be used for the prediction of the compressive strength of concrete.
基于BP人工神经网络的混凝土强度预测
基于BP人工神经网络的混凝土强度预测摘要：混凝土强度是结构设计中控制的主要指标，其数值决定于水灰比、胶凝材料用量、矿物掺量、外加剂用量等多种因素，常规计算混凝土强度的公式因个人理解的不同而各异，一种仿生模型—人工神经网络则能很好地解决这个难题，文中尝试用人工神经网络对不同混凝土强度进行预测，结果表明此模型的可靠度很高，可以用以优化混凝土的试配，节约大量的时间、人力、物力和财力。
关键词：人工神经网络；混凝土；强度；预测1 引言实际工程中，不同的结构对混凝土不同龄期的强度都有明确的要求，有效的预测模型无疑能缩减不必要的实验，大幅度提高工作效率，而传统的预测模型一般都包括数学规则和表达式，虽能在一定程度上反映上述复杂特性，但是，这种传统的构造方法存在很多缺陷，近年来，随着计算机和生命科学的进步，人工神经网络（Artificial Neural Network，简称ANN）理论和模型得到了迅速发展，已经在许多领域内得到成功应用[][]。
2 ANN简介人工神经网络模型是基于连接学说构造的智能仿生模型，它是由大量的神经元组成的非线性动力学系统。
这种模型能对信息进行大规模并行处理；具有很强的鲁棒性和容错性，且善于联想、概括、类比和推理；并具有很强的自学习能力，善于从大量的统计资料个分析提取宏观统计规律。
因此将它用于解决输入、输出明确，而中间过程不明确的所谓“黑箱”或“暗箱”问题，就特别合适和有效。
目前人工神经网络模型有几十种，其中基于BP算法的多层神经网络模型（简称BP网络）是应用较多的模型之一。
BP算法由两部分组成：信息的正向传递与误差的反向传播．在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。
如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值，逐次向输入层传播进行计算，再经过正向传播过程，这两个传播过程反复运用，使误差信号满足实际需要．此过程见图1。
基于BP网络的再生混凝土强度预测
基于BP 网络的再生混凝土强度预测前言为了确保再生混凝土强度达到设计要求，通常需要大量的试配实验，耗费大量人力、物力和财力。
BP 网络是一种多层前馈型神经网络，由于它具有实现从输入到输出的任意非线性映射能力[1]，能够很好的解决再生混凝土在工程应用中存在的上述缺点。
再生混凝土根据骨料的技术来源和尺寸的不同可分为简单破碎再生细骨料混凝土、颗粒整形再生细骨料混凝土、简单破碎再生粗骨料混凝土、颗粒整形再生粗骨料混凝土。
本文采用BP 人工神经网络技术，分别以不同再生骨料制备的再生混凝土为研究对象，结合本课题组以前进行的关于再生混凝土强度性能研究方面的大量实验数据，建立了反映再生混凝土配合比与强度之间映射关系的非线性结构模型。
最后针对不同的骨料类型，分别选取12组实验数据进行模型预测，将模型的预测值与实验值进行比较。
1 BP 网络模型的建立1.1 BP 网络输入层节点数的确定再生骨料种类及取代率、粉煤灰掺量、胶凝材料用量、水胶比、减水剂掺量等对再生混凝土的强度都有影响。
本实验配制了4种不同骨料（包括简单破碎再生细骨料、颗粒整形再生细骨料、简单破碎再生粗骨料、颗粒整形再生粗骨料）的再生混凝土，实验中砂率均为36%,减水剂掺量为胶凝材料用量的 1.2%,通过调整用水量控制再生混凝土坍落度在160–190mm 。
因为在试验中这几个因素均不变化，或者变化较小，故这几个因素对试验制备的再生混凝土的强度影响不明显，不作为输入层节点数考虑。
粉煤灰用量对再生混凝土强度的影响，可以通过公式一将其转化为胶凝材料（水泥）28天胶砂抗压强度值对再生混凝土强度的影响来考虑。
所以，可以将影响再生混凝土强度的8个因素（粉煤灰掺量、胶凝材料用量、粗骨料用量、细骨料用量、减水剂掺量、再生骨料种类及取代率、水胶比、用水量）缩减为再生骨料取代率、胶凝材料28天胶砂抗压强度值、水灰比这3个因素，作为输入层节点数。
参照《 JGJ55-2011普通混凝土配合比设计规程 》，当胶凝材料的28天胶砂抗压强度值（f b ）无实测值时[2]，可按下式计算：b f s cef r r f =⋅⋅ (1)式中：fr 、s r ――粉煤灰影响系数和粒化高炉矿渣粉影响系数，可按表5.1.3选用，本实验粉煤灰掺量均为30%，且胶凝材料不含粒化高炉矿渣粉，故fr 、s r 的系数分别取0.7和1.0；ce f ---水泥28天胶砂抗压强度（MPa ），可实测，也可按公式二确定。
基于人工神经网络预测再生混凝土力学性能的研究
参考文献
【 １ 】 侯景鹏 ， 史巍 ， 宋玉普 ． 再生混 凝土 的研发 与应用 推广 ［ Ｊ 】 ． 建筑 技
术， ２ ０ ０ ２ （ １ ） ．
【 ２ 】 Ｌ ｉ ｍ ｂ ａ ｃ ｈ ｉ ｙ ａ Ｍ Ｃ， Ｌ ｅ ｅ ｌ ａ ｗ ａ ｔ Ｔ， Ｄ ｈ ｉ ｒ Ｒ Ｋ． Ｕｓ ｅ ｏ ｆ ｒ ｅ ｃ ｙ ｃ ｌ ｅ ｄ ｃ ｏ ｎ ｃ ｒ ｅ ｔ ｅ ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｅ ｉ ｎ ｈ ｉ ｇ ｈ － ｓ ｔ ｒ ｅ ｎ ｇ ｔ ｈ ｃ Ｏ ｎ Ｃ ｌ ＇ ｅ ｔ ｅ［ Ｊ １ ． Ｍａ ｔ ｅ ｒ ｉ Ｍ ｓ ａ ｎ ｄ Ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ ， ２ ０ ０ ０
运用 Ｂ Ｐ神经网络对再生 混凝 土 ７ ｄ及 ２ ８ ｄ抗压强度值 进 行预测 ， 其结果与实际值 比较误差较小 ， 符合工程精度要求 。 由 此可见 ， 人工神经网络这一 工具 可以运用 于再生混凝土强度预
超 过预期 ， 就要再一次调整权值和阀值 ， 进入下一个学 习进程 。 如此反复 ， 使得误差不断减少 ， 直到达到 目标要求为止。
安 Ｂ Ｐ训练样本集及仿真结果 表 １
徽
建
筑
２ ０ １ ３年第 ３期（ 总１ ９ １期 】
３ ． １ Ｂ Ｐ神经网络的建立和 ＭＡ Ｔ Ｌ Ａ Ｂ仿真
基于BP神经网络的混凝土抗裂性能预测
为 自变 量 ． 表达 为输入节点 ． 并 把 极 限 拉 伸 值 作 为 目标 数 据 ， 以输 出节 点 表 达 。
（ ２ ） 用 Ｍａ ｔ ｌ ａ ｂ自带的 ｍ ａ ｐ ｍ ｉ ｎ ｍ ａ ｘ函数 对原 始数 据进 行【 ０ ， １ 】
归一化（ 输 入 数 据 矩 阵为 Ｐ， 输 出数 据 矩 阵 为 ｔ ） ：
Ｌ ｏ Ｗ Ｃ Ａ Ｒ Ｂ Ｏ Ｎ Ｗ Ｏ Ｒ Ｌ Ｄ ２ ｏ ｌ ７
建筑 ・ 能
基于Ｂ Ｐ神 ቤተ መጻሕፍቲ ባይዱ 网络 的 混凝 土抗 裂 性 能预 测
文 ０ 灿 （ 重庆交通大学， 重庆市 南岸区 ４ ０ ０ ０ ７ ４ ）
【 摘 要】 影响混凝 土结构抗 裂性 能的一重要因素是原 材料 ， 本文基于 Ｂ Ｐ 神 经网络模型和 Ｍ ａ ｔ ｌ ａ ｂ 软件 ， 建立了原材 料对混凝土抗 裂性能影响
１ ４ ｌ
１ ４ ０ １ ４ ３ １ ４ １ １ ４ ２ １ ４ ０ １ ４ ０ １ ３ ９
７ ０ ． ５
６ ４ ． ５ １ ４ ３ ｌ ２ ５ １ ｌ ４ ｌ ０ ２ ９ ３ ８ ５ ． ５
０ ＿ ８ ２
０ ． ７ ５ １ ． Ｏ ７ ３ ０ ． ９ ４ ０ ０ ． ８ ５ ０ ０ ． ７ ６ ５ ０ ． ７ ｏ ｏ ０ ． ６ ４ ３
的神 经 网络 预 测 模 型 ， 结果表明 Ｂ Ｐ神 经 网 络 能 很 好地 预 测 混 凝 土 抗 裂 性 能 ， 模型预测精度高达 ９ ９ ． ９ ５ ％。
【 关键词 】 Ｂ Ｐ 神经 网络 ； 混凝土 ； 抗裂性能
【 中图分类号 】 Ｔ Ｕ ５ ２ ８ 【 文献标识码 】 Ａ 【 文章编号 】 ２ ０ ９ ５ — ２ ０ ６ ６ （ ２ ０ １ ７ ） ２ ５ — ０ １ ６ ３ — ０ ２
基于神经网络的混凝土力学性能预测研究
基于神经网络的混凝土力学性能预测研究一、研究背景混凝土作为一种广泛应用于建筑、桥梁、道路等领域的材料，其性能对于结构的稳定性和安全性具有重要的影响。
因此，混凝土力学性能预测一直是混凝土材料研究的重要方向之一。
传统的混凝土力学性能预测方法主要基于经验公式和试验数据拟合，存在着样本量有限、计算精度不高等问题。
而神经网络作为一种新型的数据处理和建模方法，具有非线性映射能力、自适应性和泛化能力强等优点，已经广泛应用于混凝土力学性能预测领域。
二、研究现状目前，国内外学者对于基于神经网络的混凝土力学性能预测方法进行了广泛的研究。
其中，常见的混凝土力学性能预测指标包括抗压强度、抗拉强度、弹性模量、泊松比等。
研究表明，基于神经网络的混凝土力学性能预测方法可以有效克服传统方法的局限性，能够提高预测精度和泛化能力。
三、神经网络模型神经网络模型是一种类似于生物神经系统的计算模型，可以对输入信号进行处理和学习，并输出相应的结果。
在混凝土力学性能预测中，神经网络模型通常包括输入层、隐藏层和输出层。
其中，输入层接收输入数据，隐藏层进行数据处理和学习，输出层输出预测结果。
四、神经网络训练神经网络训练是指通过输入数据对神经网络模型进行参数调整，使得模型能够更好地拟合数据。
常用的神经网络训练方法包括误差反向传播算法和遗传算法。
误差反向传播算法是一种基于梯度下降的优化算法，可以对神经网络的权值和偏置进行调整，以最小化模型的预测误差。
遗传算法则是一种基于自然选择和遗传进化的优化算法，可以对神经网络的拓扑结构进行优化，提高神经网络的泛化能力。
五、实验设计本研究选取了混凝土抗压强度作为预测指标，采用误差反向传播算法进行神经网络训练。
实验数据集包括500组混凝土试样的抗压强度和配合比等数据，其中400组数据用于训练模型，100组数据用于测试模型。
输入层的节点数为5，隐层的节点数为20，输出层的节点数为1。
六、实验结果经过多次实验，本研究得到了一个稳定的神经网络模型，并对该模型进行了测试。
基于人工神经网络的混凝土抗压强度预测模型研究
基于人工神经网络的混凝土抗压强度预测模型研究一、研究背景和意义混凝土是建筑工程中最常用的材料之一，其抗压强度是评估混凝土质量的一个重要指标。
因此，预测混凝土抗压强度具有重要的理论和实际意义。
传统的混凝土抗压强度预测模型主要是基于经验公式或经验法则，这些模型的精度有限，且不适用于不同种类和不同强度等级的混凝土。
随着人工神经网络技术的发展，利用神经网络进行混凝土抗压强度预测已成为研究的热点之一。
本研究旨在建立一种基于人工神经网络的混凝土抗压强度预测模型，提高混凝土抗压强度预测的精度和适用性。
二、研究方法1.数据采集本研究采用的混凝土抗压强度数据来源于工程实测数据和文献报道的数据。
数据包括混凝土配合比、水灰比、骨料种类和粒径、养护时间等信息。
2.特征选择根据混凝土抗压强度的影响因素，选取混凝土配合比、水灰比、骨料种类和粒径、养护时间等特征作为神经网络的输入变量。
3.神经网络建模本研究采用BP神经网络进行混凝土抗压强度预测，神经网络的输入层为特征选择的变量，输出层为混凝土抗压强度。
为了避免过拟合，采用交叉验证法进行训练和测试。
4.模型评价本研究采用均方误差、平均绝对误差和相关系数等指标对预测模型进行评价。
三、研究结果1.数据分析本研究共采集了200个混凝土样本数据，其中训练集为160个，测试集为40个。
数据分析结果表明，混凝土配合比、水灰比、骨料种类和粒径、养护时间等因素对混凝土抗压强度具有显著影响。
2.模型建立本研究采用BP神经网络进行混凝土抗压强度预测，神经网络的输入层为混凝土配合比、水灰比、骨料种类和粒径、养护时间等特征，输出层为混凝土抗压强度。
经过交叉验证法训练和测试，最终建立的混凝土抗压强度预测模型的均方误差为0.0016，平均绝对误差为0.0311，相关系数为0.9763，预测精度较高。
3.模型应用本研究建立的混凝土抗压强度预测模型可以应用于不同种类和不同强度等级的混凝土抗压强度预测。
在建筑工程中，可以利用该模型进行混凝土质量控制和质量评估。
BP神经网络在混凝土性能预测中的研究进展
安徽建筑中图分类号：TU528.571文献标识码：A文章编号：1007-7359（2024）2-0080-03DOI:10.16330/ki.1007-7359.2024.2.030混凝土性能对建筑工程的安全建设至关重要。
在使用混凝土之前，首先需要测试其性能是否符合工程建设的要求，主要包括强度和耐久性[1]。
传统的测试方法主要是按照相关标准将混凝土配制成试件，在一定养护条件下将其养护至一定标准后进行检测[2]，此方法不仅会消耗大量的人力、材料和时间，工作效率较低，而且混凝土性能的测试结果难以达到预期目标[3]。
为了提高测试效率并得到更为准确的测试结果，可以建立有效可靠的预测模型以节省相关用材、减少不必要的试验和保障工程建设质量。
近年来，随着人工智能技术的出现，人工神经网络的理论方法和技术模型发展迅速，迄今为止已衍生出了几十种网络模型[4-6]。
人工神经网络可以模拟人的大脑，在处理复杂、多样本的数据时，能够得到较为精准的结果，使之成为混凝土性能预测相关研究中的新方法[7]。
其中，BP （Back Propagation ）神经网络应用最为广泛，预测效果较为精确，已深入研究混凝土性能预测方面，并得到了较好的实证。
基于此，本文将对BP 神经网络在混凝土性能预测中的研究现状进行分析并提出展望，以期丰富混凝土性能预测的相关研究。
1BP 神经网络原理BP 神经网络是一个多层次的人工神经网络，最早由上世纪末美国学者鲁梅尔哈特（Rumelhart ）和麦克莱兰（Mc⁃Clelland ）研发得出，是迄今为止应用最广泛的神经网络模型[8]。
简单来说，该网络是一种计算机程序算法模拟的数学模型。
该网络结构主要有三层，包括输入层、隐含层和输出层，其中输入层为第一层，输出层为最后一层，隐含层的数量可根据具体的研究对象有所增加，其模型结构如图1所示。
图1BP 神经网络拓扑结构图1模型结构图BP 神经网络的原理是各层神经元之间相互连接，但同一层内的神经元无连接。
基于人工神经元网络模型预测混凝土抗压强度
安定性
合格
按照表 ３ 的试验方案制备不同配合比的混凝
土试件。 首 先 称 量 一 定 质 量 的 粗 骨 料、 细 骨 料、
水泥、 高 炉 矿 渣、 粉 煤 灰 放 入 搅 拌 机 中， 混 合
Copyright©博看网. All Rights Reserved.
１２８
３７ 卷
粉煤灰综合利用
研究与应用
４ １１
３５ ２４
５５ ９２
堆积密度 ８９０ ｋｇ ／ ｍ３ ， 成分见表 ２； 减水剂为氨基磺
度在 １ １３ ｋｇ ／ Ｌ ～ １ １８ ｋｇ ／ Ｌ； 水采用自来水。
表 １ 水泥物理性能
Ｔａｂｌｅ １ Ｐｈｙｓｉｃａｌ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｃｅｍｅｎｔ
凝结时间 ／ ｍｉｎ
密度
本文利用 ＡＮＮ 模型对加入高炉矿渣、 粉煤灰
高了 ４３ ３％。
的混凝土 ２８ ｄ 抗压强度进行了预测， 研究隐含层
通混凝土力学性能试验方法标准》 进行测试， 过
土抗压强度预测精度的影响， 为混凝土力学性能
程耗时且繁琐， 严重制约了混凝土性能的改进和
的优化提供理论指导。
应用。 为了提高混凝土力学性能的分析效率， 研
李风增 １，２
（１ 郑州市公路事业发展中心， 河南 郑州 ４５００１５；
２ 河南省交通科学技术研究院有限公司， 河南 郑州 ４５００１５）
摘 要： ２８ ｄ 抗压强度是混凝土应用过程中重要的强度指标。 本文采用人工神经元网络模型 （ ＡＮＮ） 对加
入了高炉矿渣和粉煤灰的混凝土 ２８ ｄ 抗压强度进行了预测， 研究了 ＡＮＮ 隐含层数、 传递函数类型和优化算法对
ｓｌｏｐｅｓ ｏｆ ｔｈｅ ｒｅｇｒｅｓｓｉｏｎ ｃｕｒｖｅｓ ｂｅｔｗｅｅｎ ｔｈｅ ＡＮＮ ｏｕｔｐｕｔｓ ａｎｄ ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｉｎ ｔｈｅ ｔｒａｉｎｉｎｇ， ｖｅｒｉｆｉｃａｔｉｏｎ， ａｎｄ ｔｅｓｔｉｎｇ ｓｔａｇｅｓ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘
要： 通过对人工神 经元及 Ｂ Ｐ网络的简要介绍 ， 结合 三峡 工程大坝混凝土试 验实测数据 ， 应用 人工神经 网络的
理论和方 法， 利用 ＭＡ Ｌ Ｂ语 言编制 了基于神经网络理论 的混凝 土抗裂指标预测程序 ， ＴＡ 实现 了对 混凝土抗裂 指标 值的预测 ， 证明了人工神经 网络在混凝土抗裂指标预测方面的可行性 与可靠性 。 关键 词 ： 神经网络 ； 水工混凝 土 ； 抗裂性能 ； 预测 中图分类号 ：Ｐ８ ；Ｖ ３ Ｔ １３ Ｔ ４ １ 文献标识码 ： Ａ
Ｐ ｅ ｉ ｉｎ ｏ ｏ ｃｅｅｃａ ｋ—ｒｓ ｔｎ ｅｆｒ ｎ ｅｉｄ ｘｂ ｓｄｏ ｒｉｃ ｌ ｅ ｒ ｌ ｅｗ ｒ （ Ｐ ｒｄｃ ｏ ｆ ｎ ｒｔ ｒｃ ｔ ｃ ｅｉ ａ ｔｐ ｒ ｍａ ｃ ｅ ａｅ ｎ ａｔ ｉ ｕ ａ ｎ ｔ ｏｋ Ｂ ） ｓ ｏ ｎ ｉ ｆ ａｎ
西北水 电 ・ ０ ０年 ・ ２期 ２１ 第
文章编号 ：０ ６ ２ １ （００ ０ —０２ —０ １０ － ６ ０ ２ １ ）２ ０ ８ ３
基 于 人工 神 经 网络 Ｐ） 混凝 土 抗 裂性 能 指标 预测 Ｂ 的
王红强
（ 国水 电顾 问集 团西北勘 测设计 研 究院 ， 中 西安 ７ ０６ ） １０５
反 传播 的算法 （ Ｐ算法 ）从 而 实现 了 Ｍｎｋ 于 Ｂ ， ｉｓｙ关 多层 网络 的设想 。人 们也 常把按 误差反传 递算法 训 练 的多层 前馈 网络 直 接 称 为 Ｂ Ｐ网络 ， 网络 的结 构
如图 ２所示 。
Ｂ Ｐ网络是 一种 ２层 或 ２层 以上 的 阶层 型 神 经
１ 人 工 神 经 元模 型
人工 神经 网络 的基本 构 成是 神 经元 ， 经 元 的 神 基本 数学模 型如 图 １ 所示 。 其 中 ，：… ， 是 神经元 的输人 ， ， 即来 自前级 ｎ个神 经 元轴 突 的信 息 ； ｉ 经元 的 阈值 ； ０是 神 ∽ Ｗ 一， 分 别 是 ｉ 经 元 对 ， ， ， 权 值 连 ： 神 … 接， 即突触 的传递效 率 ；Ｉ ｉ 经元 的输 出 ．是传 ｙ是 神 － 厂 递 函数 ， 决定 ｉ 神经 元受到 输入 ， ， ， 的共 同 … 作用 达到 阈值时 以何 种方 式输 出 。
Ｗ ＡＮＧ ｎ —ｑｉｎ Ｈｏ ｇ ａｇ
（ ｏ ｈ ｅｔ ｙｒ ｏ ｓｌｎ ｎｉｅｒ， Ｈ Ｃ ， ｉｎ ７ ０６ ， ｈｎ ） Ｎ ￣ ｗ ｓ Ｈ ｄｏＣ ｎｕｔ ｇＥ ｇ ｅ Ｃ Ｅ Ｃ Ｘ ｈ １０ ５ Ｃ ｉ ｉ ｎ ｓ ａ
Ａｂ ｔ ａ ｔ Ｔ ｅ ｐ ｐ ｒｂ ｅ ｙ ｄ ｓ ｒ ｅ ｈ ｎｉ ｃ ｌ ｅ ｒｌｅｅ ｎ ｓａ ｄ Ｂ ｅｗ ｒ ．Ｂ ｓ ｄ ｏ ｈ ａ ｕ ｅ ａａ ｆ ｍ ｅ ｔ ｎ ｃ ｎ ｒ ｔ ｓｒ ｃ ： ｈ ａ ｅ ｒ ｆ ｅ ｃｉ ｓ ｔｅ ａ ｆ ｉ ｕ ａ ｌｍｅ ｔ ｎ Ｐ ｎ ｔ ｏ ｋ ｉｌ ｂ ｉ ｚ ｎ ａ ｅ ｎ ｔ ｅ ｍｅ ｓ ｒｄ ｄ ｔ ｏ ｔ ｓ ｏ ｏ ｃ ｅｅ ｒ ｏ ｈｅ ｆ ｒ ｅ—Ｇｏｇ ｓ Ｄ ｍ ，ａ ｄ ａ ｐｙ ｎ ｅ ｔｅ ｒ ｎ ｔ ｏ ｆａｔ ｃａ ｅ ｒ ｅｗｏｋ，ｔ ｅｐ ｅ ｉｔ ｎ ｐ ｏ ｒｍ ｆｃ ｎ ｒｔ ｒ ｃ Ｔ ｒｅ ａ ｎ ｐ ｌｉ ｇ ｔ ｈ ｏｙ ａ ｄ ｍｅｈ ｄ ｏ ｒ ｆ ｉｌ ｕ ａ ｎ ｔ ｒ ｈ ｉ ｉ ｎ ｌ ｈ ｒｄ ｃｉ ｒ ｇ ａ ｏ ｏ ｃｅ ｅｃ ａ ｋ—ｒ — ｏ ｅ ｓｓ ｎ ｎ ｅ ｒ ｐ ｒ ｄ ｂ ｓ ｆ ｉｔ ｔｉ ｄ ｘ ｉ ｐ ｅ ａ ｅ ｙ ｕ ｅ ｏ Ｔ ＡＢ ｌｎ ｕ ｇ ，ｗ ｉｈ ｒ ａｉｅ ｈ ｒ ｄｃ ｉｎ ｏ ｏ ｃ ｅｅｃ ａ ｋ—ｒ ｓｓ ｎ ｄ ｘ ｖ ｕ ｎ ｒ ｖ ｓ ａ ｓ ＭＡ Ｌ ａ ｇ ａ ｅ ｈ ｃ ｅ ｚ ｓｔ ｅ ｐ ｅ ｉｔ ｆ ｎ ｒｔ ｒ ｃ ｌ ｏ ｃ ｅ ｉｔ ｔｉ ｅ ａ ｅ ａ ｄ ｐ ｏ ｅ ａ ｎ ｌ ｔ ｅ ａ ａ ｌｂｌ ｙ ａ ｄ ｒ ｌ ｂｌ ｙｏ ｒ ｆ ｉｌｎ ｕ ａ ｅｗ ｒ ｎ ｔ ｅ ｐ ｅ ｉｔ ｎ ｏ ｏ ｃ ｅｅ ｃ ａ ｋ—ｒ ｓｓ ｎ ｎ ｅ ． ｈ ｖ ｉ ｉ ｔ ｎ ｅ ｉ ｉ ｔ ｆａ ｔ ｃａ ｅ ｒ ｌ ｔ ｏ ｋ ｉ ｈ ｒ ｄ ｃｉ ｆ ｎ ｒ ｔ ｒ ｃ ａ ｉ ａ ｉ ｉ ｉ ｎ ｏ ｃ ｅ ｉｔ ｔｉ ｄ ｘ ａ Ｋｅ ｒ ｓ ｎ ｕ ａ ｅｗｏｋ；ｈ ｄ ａ ｌ ｏ ｃｅ ｅ ｒ ｃ ｙ ｗｏ ｄ ： ｅ ｒｌｎ ｔ ｒ ｙ ｒ ｕｉ ｃ ｎ ｒ ｔ ；ｃ ａ ｋ—ｒ ｓｓａ ｔ ｅｆ ｒ ｎ ｅ ｒ ｄｃｉ ｎ ｃ ｅ ｉｔｎ ｒ ｍａ ｃ ；ｐ ｅ ｉｔ ｐ ｏ ｏ
过程 中， 一层 神经 元 的状 态 只影 响 下 一层 神 经元 每
２ Ｂ Ｐ网络
２１ Ｂ ． Ｐ网络模 型
１８ ９６年 Ｒ ｍ ｌａ 和 Ｍｃｌｌｎ 导 的科学 家 ｕ ｅｈｒ ｔ Ｃｅａｄ领 ｌ
＿● －பைடு நூலகம் ｌ●
小组在《 并行分布处理》 一书 中， 对具有非线性转移 函数 的多层前 馈 网络 的权 重 进行 调整 ， 出 了误 差 提
网络 ， 即输 入层 、 隐层 和输 出层 。上 下层之 间各神 经
元 实现全 连接 ， 而每层 各神经 元之 间无 连接 。Ｂ Ｐ算
法是 在教 师指导 下 ， 适合 于多 层 神经 元 网络 的一 种 学习， 它是 建立 在 梯度 下 降 法 的基 础上 。网络 的学
习过程由正向和反向传播 ２ 部分组成 。在正向传播