再生混凝土基本性能的BP神經網絡預測

李 冉

(鄭州工業應用技術學院 河南 新鄭 451100)

再生混凝土基本性能的BP神經網絡預測

李 冉

(鄭州工業應用技術學院 河南 新鄭 451100)

本文選取再生粗骨料的表觀密度、吸水率、壓碎指標、水泥用量、砂率、再生粗骨料取代率、水灰比7個主要因素作為BP網絡的輸入參數，建立7－20－3的BP神經網絡模型來實現非線性映射。研究表明:本文建立的BP網絡模型，根據再生混凝土配合比和再生骨料性能的數據可以較為準確的預測出再生混凝土的坍落度、28d抗壓強度和彈性模量。同時，也可以利用建立的再生混凝土性能的BP網絡模型分析各主要影響因素與再生混凝土性能的變化趨勢，為工程實踐提供理論指導。

再生混凝土;BP神經網絡;坍落度;抗壓強度;彈性模量

一、引言

再生混凝土骨料棱角多，表面粗糙且往往附著有大量水泥砂漿，使得再生骨料具有空隙率高、吸水率高、壓碎指標大、內部含有大量微裂縫等缺陷。再生骨料的這些性能與天然骨料相差很大，使得在配置再生混凝土時除了要考慮配合比，必須要考慮再生骨料的表觀密度、吸水率、壓碎指標及再生骨料的取代率等因素。本文將運用BP神經網絡模型來實現對再生混凝土性能的研究。

二、建立再生混凝土性能的BP神經網絡模型

(一)BP神經網絡模型

BP神經網絡是人工神經網絡應用最廣泛的一種形式，其實質是建立輸出與輸入的非線性函數，結構簡單，可操作性強。訓練過程都是在連續可導的函數環境下完成的，在函數逼近問題、信息分類、模式識別等都有重要突破。

(二)構建訓練樣本數據庫

依據工程實踐綜合考慮選取再生粗骨料表觀密度、吸水率、壓碎指標、水泥用量、水灰比、砂率、再生粗骨料取代率共7個因素作為BP神經網絡的輸入參數，以坍落度、28d抗壓強度、彈性模量3個因素作為BP網絡的輸出參數。

(三)隱含層層數和節點數的確定

本文隱含層節點數選為20。

(四)傳遞函數的選擇

本文輸入層與隱含層間的傳遞函數采用logsig函數，隱含層與輸出層間的傳遞函數采用tansig函數。

(五)再生混凝土性能的BP網絡模型的訓練過程

網絡結構為7－20－3，網絡訓練函數采用trainlm函數，輸入層與隱含層間的傳遞函數采用logsig函數，隱含層與輸出層間的傳遞函數采用tansig函數，網絡參數設置后，對建立的再生混凝土性能的BP神經網路模型進行訓練。BP神經網絡模型如圖1所示。驗證樣本數據在訓練第6步時，均方誤差達到最小值0.0038549，處于最優的預測范圍，說明網絡結構和參數設置合理。

圖1 BP神經網絡模型

三、再生混凝土性能的BP神經網絡模型的應用

通過再生粗骨料混凝土的配合比設計，配制15組再生粗骨料混凝土，測定拌合物的坍落度，澆筑成塊標準養護28d測得抗壓強度和彈性模量，獲得檢測樣本數據。用本文建立的BP網絡模型對檢測樣本進行預測，將預測結果和試驗結果進行對比，從而對BP網絡模型進行性能評價。

(一)BP神經網絡的性能評價

利用試驗所得的15組試驗數據對訓練好的BP神經網絡模型進行測試，將再生粗骨料混凝土檢測樣本的輸入變量 (水泥用量、砂率、水灰比、再生粗骨料取代率)的數值進行歸一化處理。本文建立的結構為7－20－3的BP神經網絡模型，坍落度、抗壓強度、彈性模量相對誤差的平均預測精度分別為5.81%、5.44%、6.51%，在10%以內，具有較高的預測精度。

(二)再生粗骨料取代率對再生粗骨料混凝土性能的影響

假定再生骨料性能參數、水泥用量一定，砂率設定為30%，水灰比設定為0.55，以再生粗骨料取代率作為變量，來預測再生粗骨料取代率的影響。

從圖2、3、4可以看出:隨著再生粗骨料取代率的增大，再生混凝土坍落度、抗壓強度和彈性模量均呈下降趨勢。這和直接由試驗結果分析得到的變化趨勢基本一致。再生骨料取代率為100%時，再生混凝土的坍落度、抗壓強度、彈性模量分別為普通混凝土的62%、90%和78%。

圖2 再生粗骨料取代率對坍落度的影響

圖3 再生粗骨料取代率對抗壓強度的影響

圖4 再生粗骨料取代率對彈性模量的影響

圖5 水灰比對坍落度的影響

圖6 水灰比對抗壓強度的影響

圖7 水灰比對彈性模量的影響

(三)水灰比對再生混凝土性能的影響

以水灰比為變量，利用再生混凝土性能的BP神經網絡模型，預測再生粗骨料取代率分別為0、50%和100%時再生混凝土坍落度、抗壓強度和彈性模量的變化規律。

由圖5、6、7可以看出，總體上隨水灰比的增大，再生混凝土坍落度也變大，而抗壓強度和彈性模量減小。水灰比在0.4－0.5之間時，坍落度、抗壓強度和彈性模量的變化幅度最快。水灰比在這個區間內，再生混凝土性能變化最不穩定，靈敏性更高。

四、結語

1.本文建立的網絡結構為7－20－3的再生混凝土性能的BP神經網絡模型，網絡結構和參數設置合理。2.本文對建立的網絡模型仿真模擬，結果表明坍落度、抗壓強度、彈性模量相對誤差的平均預測精度在10%以內，具有較高的預測精度。說明本文建立的再生混凝土性能的BP神經網絡模型能在工程實踐中推廣。3.盡管建立的BP神經網絡模型在整體上達到期望的精度要求，但某些樣本仍存在誤差，可以通過調節隱含層節點數、網絡的學習率、增加輸入樣本數據個數及其提高樣本數據的可靠度來減小誤差。

［1］肖祥.再生混凝土基本力學性能試驗研究［D］.山東科技大學碩士學位論文，2008.

［2］張李黎.再生混凝土材料性能試驗研究 ［D］.合肥工業大學碩士學位論文，2009.

［3］肖建莊.再生混凝土 ［M］.北京:中國建筑工業出版社，2008.

［4］李瑞鴿.BP網絡預測再生混凝土性能研究［J］.低溫建筑技術.2007.

李冉 (1991－)，女，碩士，助教，鄭州工業應用技術學院。