基于神經網絡的活性粉末混凝土梁抗剪承載力預測

曹 霞，王華陽，張 毅,張金丹

(桂林理工大學 廣西巖土力學與工程重點實驗室，廣西 桂林 541004)

基于神經網絡的活性粉末混凝土梁抗剪承載力預測

曹 霞，王華陽，張 毅,張金丹

(桂林理工大學 廣西巖土力學與工程重點實驗室，廣西 桂林 541004)

為了探討將反向傳播(BP)神經網絡用于活性粉末混凝土(RPC)簡支梁抗剪承載力預測上的有效性，利用14根高強鋼筋RPC梁抗剪破壞試驗結果，對影響RPC簡支梁抗剪承載力的4個主要因素進行了分析，創建了RPC梁抗剪承載力BP神經網絡預測模型，并驗證了該模型的可靠性。利用該模型分析了不同參數對高強鋼筋RPC梁抗剪承載力的影響效應。研究結果表明：當剪跨比大于3時，剪跨比對RPC梁的抗剪承載力影響趨向于平緩。隨著縱筋率的提高，RPC梁的抗剪承載力提高，且剪跨比越小這種影響越明顯。配箍率對大剪跨比RPC梁抗剪承載力的提高效率要高于小剪跨比RPC梁。

活性粉末混凝土；高強鋼筋；BP神經網絡；抗剪承載力

0 引言

活性粉末混凝土(reactive powder concrete，RPC)是一種具有高強度、低脆性和良好環保性等優越性能的新型高性能混凝土[1-2]，具有很好的應用前景。抗剪承載力是RPC結構研究的重要部分，是影響RPC結構應用的關鍵性問題。目前，國內外研究者已對RPC受剪構件進行了多種研究。文獻[3]進行了7根無腹筋預應力RPC梁的抗剪性能試驗，試驗結果表明施加預應力對RPC梁抗剪承載力有一定提高。文獻[4]研究了不同水泥基材料及剪跨比對RPC短梁抗剪性能的影響。文獻[5]采用有限元軟件對RPC梁的抗剪性能進行了模擬。但是，RPC抗剪承載力影響因素眾多，且各影響因素之間并不完全獨立，難以采用數值方法確定。

近年來，反向傳播(back propagation，BP)神經網絡在RPC材料方面的運用多為配合比設計及其性能評價[6]，較少應用于RPC梁抗剪強度計算。本文嘗試將BP網絡應用到RPC梁抗剪承載力的預測分析當中，在14根高強鋼筋RPC梁抗剪破壞試驗結果的基礎上，建立了BP人工神經網絡，用以預測高強鋼筋RPC梁的抗剪承載力，并利用該網絡分析了部分影響因素變化對高強鋼筋RPC梁抗剪承載力的影響。

1 試驗概況

1.1 試件設計

試驗共制作了14根高強鋼筋RPC簡支梁試件，其中無腹筋梁10根，有腹筋梁4根。試驗梁截面尺寸為150 mm×250 mm，梁長2 200 mm，凈跨1 800 mm，兩端外伸長度為200 mm。試驗梁縱向受力鋼筋均采用直徑為25 mm的HRB 500級高強鋼筋，屈服強度為520 MPa。有腹筋梁的箍筋采用直徑為6 mm 的HRB 400級鋼筋，屈服強度為441 MPa。試驗梁基本參數見表1。

1.2 測點布置及加載方案

測點布置如圖1所示，由液壓千斤頂及荷載分配梁組成的加載系統對試驗梁進行了兩點對稱加載，采用150 t的壓力傳感器對荷載的大小進行監測，試驗結果如表1所示。

表1 試驗梁基本參數及試驗結果

圖1 測點布置圖(單位：mm)

2 試驗現象及破壞形態描述

由表1可知：隨著剪跨比及配箍率的變化，高強鋼筋RPC梁主要發生斜壓破壞、剪壓破壞及彎剪破壞3種破壞形態。3種破壞形態如圖2所示。

2.1 斜壓破壞

剪跨比λ=1.00的無腹筋梁L1，因其具有很高的極限承載力，若采用兩點加載則超出傳感器量程，加載方式由兩點對稱加載改為單點加載，無腹筋梁L1最終發生斜壓破壞。隨著荷載的不斷增加，在梁剪跨區腹部出現大致平行的的斜向裂縫，隨后這些斜裂縫進一步加寬，進而沿著支座點到加載點斜向形成斜向受壓短柱，最終RPC短柱被壓碎，梁發生斜壓破壞，典型的破壞形態如圖2a所示。

2.2 剪壓破壞

剪跨比λ=1.51，2.26，3.00，3.50的試驗梁L2～L13均呈現剪壓破壞。當荷載施加到一定程度時，斜裂縫不斷在梁剪跨區的腹部產生，分布多而密。荷載繼續加大，眾多斜裂縫中的一條發展為臨界斜裂縫指向加載點。臨界斜裂縫隨荷載的增大，寬度不斷增加，RPC中鋼纖維不斷被拔出。最終臨界斜裂縫貫穿整個梁高，部分與其相交的箍筋被拉斷，發生剪壓破壞，典型的破壞形態如圖2b所示。

2.3 彎剪破壞

試驗梁L14發生了彎剪破壞，其剪跨比λ=3.00，配箍率ρsv=0.377%。由于梁剪跨比較大，且配箍率較高，試驗梁主要發生彎剪破壞。由試驗觀測可知：當荷載加載到一定程度后，梁純彎段底部開始出現一定數量的豎向裂縫，接著剪跨區也有豎向裂縫出現，并且不斷向上部發展為彎剪裂縫，其速度與純彎段的豎向裂縫相比發展較快。繼續加載，裂縫不斷增多，且分布較密。隨著箍筋和縱筋的屈服，上部混凝土被壓酥，梁達到其極限荷載，破壞形態見圖2c。

圖2 試驗梁的破壞形態

由于RPC中有鋼纖維的摻入，高強鋼筋RPC梁裂縫呈現出“細而密”的特點，試驗梁破壞時沒有出現混凝土碎塊迸出的現象，表現出一定的延性。

3 RPC梁抗剪承載力影響因素分析

影響RPC梁抗剪承載力的因素眾多，且各因素之間并不完全獨立，可歸為內因和外因，內因主要有RPC強度、鋼纖維體積率、配筋率和截面形式等；外因主要有剪跨比和預應力等，外因與內因共同決定構件的破壞模式[4]。本文重點研究剪跨比、RPC強度、配箍率及縱筋率對RPC梁抗剪承載力的影響。

(1)剪跨比。剪跨比通過影響荷載的傳遞機制，從而對梁的應力狀態產生影響。剪跨比λ對構件的破壞模式起主要作用。對比試驗梁L1、L2、L3及L5～L7的試驗結果可知：在其他參數相同時，高強鋼筋RPC梁的抗剪承載力Vu隨剪跨比λ的增加而逐步減弱，其破壞形態由斜壓破壞向剪壓破壞演變。

(3)配箍率。對比試驗梁L12和試驗梁L3，配箍率由0.126%增加至0.250%，抗剪承載力提高了15.2%。進一步增加箍筋用量至0.377%，構件的破壞模式由剪壓破壞轉變為彎剪破壞。可見，配箍率的增加不僅能提升高強鋼筋RPC梁的抗剪承載力，并且對其破壞模式有一定影響。

(4)縱筋率。從試驗梁L9、L6和L10的試驗結果可知：隨著縱筋配筋率的提高，試驗梁的抗剪承載能力也相應提高。試驗梁L9、L6和L10的縱筋率分別為4.43%、6.39%和8.18%。縱筋率L6較L9提高44.2%、L10較L6提高28.0%，相應的抗剪承載能力的增長率分別為18.6%和22.1%。縱筋率的提高有利于提高縱筋的銷栓作用，同樣也增強了縱筋對于其周圍RPC材料裂縫發展的抑制作用，從而使梁的抗剪強度提高。

4 高強鋼筋RPC梁抗剪承載力BP神經網絡預測模型的建立

人工神經網絡(artificialneuralnetwork，ANN)方法主要有線性神經網絡、BP神經網絡、Hopfield神經網絡和徑向基函數(radicalbasisfunction，RBF)神經網絡等。BP神經網絡因其具有良好的適應性，在土木工程領域得到了很好的運用[9-11]。本文采用BP神經網絡對高強鋼筋RPC梁的抗剪承載力進行預測。

4.1 BP神經網絡模型設計

由于BP神經網絡所采用的學習規則為有監督學習，在應用BP神經網絡解決具體問題時，需要對其拓撲結構、傳輸函數、訓練方法和訓練參數進行確定。在本研究建立的預測模型中，選取剪跨比、RPC強度、配箍率及縱筋率為高強鋼筋RPC梁抗剪承載力的4個主要影響因素，作為輸入單元，高強鋼筋RPC梁的抗剪承載力為輸出單元，因此，可確定本網絡的輸入維數為4，輸出維數為1。

根據文獻[12]得出隱藏層節點數的變化為2～12，通過對不同節點數進行訓練對比，當節點數為8時預測結果最優。最后得到的BP神經網絡的結構為[5-8-1]。

4.2 BP神經網絡樣本選取及處理

根據已有的14根高強鋼筋RPC梁的抗剪破壞試驗結果，選取表1中L1～L10的試驗數據作為本文BP神經網絡的訓練樣本，其余4組試驗數據作為該網絡的檢測樣本。

由于試驗所獲取數據的量綱及各變量之間的數量級差別很大，有的甚至為無量綱數，為使BP神經網絡達到理想的訓練效果，必須事先對原始數據進行處理。本文通過“歸一化”對數據進行處理，把輸入向量及輸出向量均轉化為[0,1]的數。經“歸一化”處理后的數據均為無量綱數，失去其原有的意義，因此在完成網絡仿真后，必須對預測的結果向量進行“反歸一化”，以得到真實的預測值。

4.3 BP神經網絡學習訓練

本文采用MATLAB神經網絡工具箱實現對BP神經網絡的訓練，將試驗梁L1～L10的試驗數據作為訓練樣本進行訓練，訓練函數為traingdx函數；隱層函數為雙曲正切S形tansig函數；輸出層采用對數S形logsig函數；設定最大學習次數為2 000；性能目標的期望誤差設為10-4；學習速率為默認值[12-13]。經過186次訓練后滿足精度要求，停止訓練。這樣就創建了一個預測高強鋼筋RPC梁抗剪承載力的BP人工神經網絡。

4.4 BP神經網絡預測及結果分析

表2 訓練樣本、抗剪承載力預測結果及誤差比較

表3 測試樣本、抗剪承載力預測結果及誤差比較

5 高強鋼筋RPC梁抗剪承載力參數分析

綜上可知：本文所創建的BP神經網絡，對高強鋼筋RPC梁的抗剪承載力具有良好的預測效果，可以將其用于分析不同參數變化對高強鋼筋RPC梁抗剪承載力的影響。只需向其輸入相應的假定變量，即可通過網絡的推算得到相應的預測結果。圖3～圖6為利用本文BP神經網絡預測得到的的部分影響因素對高強鋼筋RPC梁抗剪承載力的影響結果。

圖3的BP神經網絡預測結果表明：在其他參數相同情況下，隨著剪跨比λ增大，無腹筋高強鋼筋RPC梁抗剪承載力Vu不斷減小。當λ=1.00～2.50時，變化尤其劇烈；當λ≥3時，趨勢逐漸緩和并基本保持不變。圖4中RPC梁抗剪承載力Vu的預測結果并未隨棱柱體抗壓強度fc的增加而出現明顯增加，而是出現先增加后下降的趨勢，與相關研究有所偏差。這主要是由于缺乏以fc為單一參數變化的試驗數據作為訓練樣本，及總體試驗訓練樣本不足而導致的結果。

圖3λ對高強鋼筋RPC梁Vu的影響 圖4fc對高強鋼筋RPC梁Vu的影響

圖5為BP神經網絡預測的配箍率ρsv對高強鋼筋RPC梁抗剪承載力Vu的影響，預測結果表明：配箍率對大剪跨比RPC梁抗剪承載力Vu的影響大于小剪跨比RPC梁，在一定范圍內RPC梁的Vu隨ρsv的增加而提高，但達到一定限值后，ρsv對RPC梁Vu影響趨向平緩，這一規律與普通混凝土梁是一致的[14]。

由圖6的BP神經網絡預測結果可知：無腹筋高強鋼筋RPC梁抗剪承載力Vu隨縱筋率ρ的提高而增加，且λ越小，增長趨勢越顯著(即斜率相對較大)。這是因為縱筋面積增大，剪壓區的RPC面積及銷栓作用也隨之增大。λ較小時，拱的拉桿作用明顯，ρ對的Vu影響較大；λ較大時，拱作用減弱，削弱了ρ對Vu的影響。

同樣,可以利用該BP神經網絡分析其他影響因素組合對高強鋼筋RPC梁抗剪承載力Vu的影響，因篇幅有限，在此不一一列出。

圖5ρsv對高強鋼筋RPC梁Vu的影響 圖6ρ對高強鋼筋RPC梁Vu的影響

6 結論

(1)高強鋼筋RPC梁的抗剪破壞模式與普通混凝土梁有所區別，剪跨比λ=1.00～3.50的高強鋼筋RPC梁僅有剪壓及斜壓兩種抗剪破壞模式，當剪跨比λ≥3時前者仍發生剪壓破壞，這與后者發生斜拉破壞有本質區別。當剪跨比及配箍率均較大時，高強鋼筋RPC梁發生彎剪破壞。

(2)將BP神經網絡用于RPC梁的抗剪承載力的預測是可行的，具有較好的可靠度。并且利用BP神經網絡預測得到了剪跨比、縱筋率和配箍率等因素對高強鋼筋RPC梁抗剪承載力的影響規律。

[1] PICHARD P,CHEYREZY M.Composition of reactive powder concrete[J].Cement and concrete research,1995,25(7):1501-1511.

[2] 唐愛華，王尚偉，金凌志，等.礦物摻合料對活性粉末混凝土力學性能的影響[J].河南科技大學學報(自然科學版)，2015，36(2)：65-79.

[3] VOO Y L,FOSTER S J,GIBERT R I.Shear strength of fiber reinforced reactive powder concrete prestressed girders without stirrups[J].Advanced concrete technology,2006,4(1):123-132.

[4] 陳紅波.配筋超高性能混凝土短梁受剪性能研究[D].長沙:湖南大學,2014.

[5] 夏支賢.活性粉末混凝土梁斜截面抗剪承載力研究[D].北京:北京交通大學,2007.

[6] 張姣龍,柳獻,朱洪波,等.基于神經網絡的UHPC力學性能預測模型[J].混凝土,2013(3):18-22,25.

[7] 張川,張百勝,黃建鋒.鋼筋混凝土無腹筋簡支梁的抗剪承載力研究[J].重慶建筑大學學報,2005,27(l):48-52.

[8] 王鐵成.高強度混凝土構件斜截面受剪承載力設計[J].天津大學學報,2001,34(5):559-663.

[9] 車軼,尤杰,徐東坡,等.鋼筋混凝土無腹筋梁抗剪強度的人工神經網絡模型[J].建筑結構,2011(S2):223-228.

[10] 贠永峰,范永慧,孫揚.基于BP神經網絡的隧道圍巖力學參數反分析方法[J].沈陽建筑大學學報(自然科學版),2011,27(2):292-296,306.

[11] 李悅,郭偉,楊進波.基于BP神經網絡的硬化混凝土水膠比預測[J].混凝土,2015(8):1-4.

[12] 葛哲學,孫志強.神經網絡理論與MATLAB R2007實現[M].北京:電子工業出版社,2008:108-117.

[13] 陳明.MATLAB神經網絡原理與實力精解[M].北京:清華大學出版社,2013.

[14] 易偉建,潘柏榮,呂艷梅.HRB500級鋼筋配箍的混凝土梁受剪性能試驗研究[J].土木工程學報,2012,45(4):56-62.

國家自然科學基金項目(51368013);廣西研究生教育創新計劃基金項目(YCSZ2015160);廣西巖土力學與工程重點實驗室基金項目(2015-A-02)

曹霞(1965-),女,河南輝縣人,教授,碩士生導師,主要研究方向為新型混凝土結構；張毅(1978-)，男，通信作者，河北邯鄲人，講師，碩士，主要研究方向為結構工程.

2016-08-08

1672-6871(2017)02-0063-06

10.15926/j.cnki.issn1672-6871.2017.02.012

TU37

A