高性能混凝土配合比确定的神经网络方法

摘 要: 配合比设计是混凝土工程成败的关键, 影响高性能混凝土配合比设计的因素很多, 但由于科学技术水平限制, 要建立各因素之间的数学关系,目前还有困难。本文利用神经网络方法建立了高性能混凝土配合比设计的BP 网络模型,为混凝土的配合比设计开辟了一条途径。

 

关键词:混凝土 配合比 神经网络

 

中图分类号:TU528 文献标识码: A

 

    配合比设计是混凝土工程成败的关键。混凝土配合比设计的目的,就是要根据工程对混凝土性能的要求,选择适宜的原材料比例,设计出经济、质优的混凝土。影响高性能微膨胀混凝土配合比设计的因素很多,这些因素之间相互影响、相互作用的结果决定了混凝土混合料的物理、力学性能(如强度、坍落度等)。

 

 

    人工神经网络是由大量人工神经元相互连接而成的网络。多层BP 前馈型神经网络有输入层、输出层及若干隐含层单元组成(图2)。输入信息要先向前传播到隐含层结点上,经过各单元的特性Sigmoid 型的激活函数运算后,把隐含结点的输出信息传播到输出结点,最后输出结果^[1]。正向传播时,每一层神经元的状态仅影响下一层神经元。若输出层得不到期望输出, 产生的误差则转入反向传播过程,误差信息沿原路返回,通过修改各层神经元的权值以减小误差,经过多次反复直至达到预期目标为止。各层输入输出关系式如下:

 

式中 为连接第-1 层到第层结点k 的权向量 。给定样本集(X,Y)后,神经网络的权将被调整,使下列准则函数达到最小^[2]:

 

Y为网络输出,且 。使用梯度下降法,可求得E(w)的梯度来修正权值,即权向量 的修正量可有下式求得:

 

 

 

    通过对大量泵送混凝土配合比成功实例的分析以及本文的试验研究,得出影响泵送混凝土配合比的主要因素有: 水泥用量、水胶比、砂的用量、砂率、粉煤灰用量、外加剂的型号及掺量等,将这些变量作为输入单元,把泵送混凝土的28d 强度和膨胀率作为输出单元,隐含层单元个数通过训练得出,输入函数采用Sigmoid型函数 ,输出函数采用线性^[3]。BP 神经网络预测泵送混凝土配合比28d 强度和膨胀率流程如图3。

 

 

    将收集到的数据作为样本,对网络进行训练,并把训练数据直接作为输入数据进行模拟评估,同时对评估结果进行分析比较,便可以验证模型的合理性和准确性。鉴于BP 网络在训练时容易出现局部极小和收敛速度慢等问题,在选用BP 网络模型时可采用动量法和学习率自适应调整两种策略(应用函数trainbpx),不但提高了学习速度,而且增加了算法的可靠性。动量法降低了网络对于误差曲面局部细节的敏感性,有效抑制了网络陷入局部极小;自适应调整学习率有利于调整学习时间。

　　　　　　

 

    本文结合实际工程经验,阐述了泵送混凝土混合料所要满足的性能:①要有足够的水泥浆体;②石子在水泥浆体中应保持均匀分布状态;③混凝土拌和物的和易性要好,并且要具有良好的内聚性、不离析、少泌水性能。文中具体讨论了拱肋泵送混凝土的主要原材料如水泥、粗骨料、细骨料、水、外加剂及掺合料的主要功能及实际工程中的技术要求得出了拱肋泵送混凝土配合比设计主要参数的控制范围, 并进行了配合比试验研究。本文研究得出的结论对钢管泵送混凝土配合比设计具有十分重要的指导作用。