首页 > 论文范文 > 工程工业论文 > 建筑工程论文 > 建筑材料论文 > 基于BP神经网络的机制砂混凝土抗压强度预测

基于BP神经网络的机制砂混凝土抗压强度预测

2024-08-21 74 上传者：管理员

摘要：机制砂混凝土抗压强度受多种因素影响，为了提高混凝土品质，需要对其强度特性进行分析。针对传统的机制砂混凝土抗压强度检测方法，利用具有非线性特性、学习能力和自适应能力的BP神经网络进行分析。将石粉含量、水泥、粉煤灰、水、机制砂、碎石和养护龄期作为输入参数，抗压强度作为输出参数，构建了一个包含6个隐含层节点的BP神经网络模型。通过仿真结果表明，平均相对误差为3.47%，线性相关系数大于0.99，该模型具有良好的预测性。

关键词：
BP神经网络
抗压强度预测
机制砂
机制砂混凝土
混凝土
加入收藏

混凝土是建筑行业最重要的材料之一。随着天然砂资源的短缺，机制砂逐渐成为天然砂的替代品。机制砂是通过将岩石进行机械破碎和筛分制成细小颗粒而得到的。与天然砂相比，机制砂的颗粒形状更加棱角分明，表面纹理也更加粗糙[1]。因与天然砂存在一定的差别，对于机制砂混凝土而言，抗压强度是一个非常重要的性能指标。传统上，混凝土的抗压强度是通过标准实验来确定的。根据《普通混凝土力学性能试验方法标准》（GB/T 50081-2002）和《混凝土强度检验评定标准》（GB/T 50107-2010），混凝土抗压强度的测试通常包括样品制备、养护和加载等步骤。然而，传统实验方法耗费大量材料，测试周期长，并且可能存在误差[2]。

近年来，国内外越来越多的学者开始使用机器学习来预测混凝土的相关性能，文献[3]利用机器学习算法预测混凝土的抗氯化物性能，结果表明所建立的模型在预测混凝土抗氯离子侵蚀性能方面具有较高的准确性。文献[4]利用人工神经网络和遗传算法建立了预测混凝土劈裂抗拉强度的GA-ANN模型，结果显示该模型具有较高的准确性。文献[5]采用机器学习方法对矩形钢管混凝土柱的偏压承载力进行建模预测，结果表明所建立的机器学习模型具有较高的预测精度和更广的适用范围。

BP神经网络是目前应用最广泛的神经网络模型[6]。本研究利用MATLAB软件构建了BP神经网络预测模型。考虑了影响机制砂混凝土抗压强度的七个因素，包括石粉含量、水泥、粉煤灰、水、机制砂、碎石和养护龄期。将这七个因素作为输入变量，机制砂混凝土的抗压强度作为输出变量，建立了机制砂混凝土抗压强度的预测模型，为混凝土的建筑工程提供了理论依据。

1、网络模型的建立

1.1网络输入输出与样本

机制砂混凝土的抗压强度影响因素众多，本网络模型采用石粉含量、水泥、粉煤灰、水、机制砂、碎石、养护龄期这7种参数作为网络的输入参数，机制砂混凝土的抗压强度作为网络的输出参数。样本数据取自文献[9-10]，一共有48组数据，为了避免实验的偶然性，随机选取其中38组数据作为训练集，剩下10组数据作为测试集，验证网络的准确性。具体数据见表1:

表1样本

1.2网络结构与参数

根据理论证明，单隐层的BP神经网络就可以以任意精度拟合任意函数。因此，为了简化问题，我们在这里建立了一个单隐层的神经网络。根据实际的输入和输出参数，我们确定了网络结构为7-M-1，其中M表示隐含层的神经元个数。在MAT-LAB R2022a中，建立BP神经网络的函数是feedforwardnet。该函数的调用格式为net=feedforwardnet(hidden Sizes,trainFcn），其中hidden Sizes表示隐藏层的大小，train Fcn指定了训练函数[11]。根据经验公式，可以确定隐含层节点数[8]。

m和n分别表示输出层和输入层的神经元个数，a是一个常数，取值范围在0到10之间。通过计算和实验比较，发现当M=6时，预测误差最小。在进行网络训练之前，为了避免由于数据差异过大而导致预测结果不准确，我们需要对训练数据进行归一化处理。在这里，我们可以使用Matlab中自带的mapminmax函数进行归一化处理，将数据结果范围限定在[-1,1]之间。

训练参数设置为：训练次数100次，学习率0.01，训练目标最小误差为0.00001。

2、训练预测结果

2.1样本相关系数

相关系数是用来研究变量之间线性相关程度的量，通常用字母R表示。在BP神经网络预测中，相关系数R的值越接近1，表示预测结果与输出数据之间的关系越密切；而R值越接近0，表示预测结果与输出数据之间的关系越随机[12]。本文中使用BP神经网络进行训练后，对于训练样本、验证样本、测试样本以及全部样本，相关系数R的结果如图1所示。从图中的两个子图可以看出，网络训练过程中不存在过拟合现象。同时，从第三个子图可以看出，网络对于未参与训练的数据的预测结果也很好。第四个子图是前三个子图的综合，可以看出整体来说，网络的训练结果是很好的。

图1样本的相关系数

2.2误差分析

均方误差（Mean Squared Error）代表预测输出和目标输出之差的期望值。其值越低越好，值越小，说明网络预测的精度越高，0表示没有误差[13]。图2中横坐标表示训练迭代次数，纵坐标表征了均方误差值。图中的圆圈显示了验证集最佳均方误差值时网络的迭代次数和值的大小，可以看出该网络训练了13次。

图2均方误差的收敛

2.3混凝土强度预测及误差

利用训练好的BP神经网络预测预测随机的10组样本数据，预测结果如图3所示。从图中可以看出，预测结果与实际值基本吻合，能满足预测要求。

图3真实值与预测值的对比

将预测值与实际值进行比较，相对误差和绝对误差如表2所示。由表2可知，该网络模型训练出来的预测值与实际值的绝对误差与相对误差都较小，预测准确度较高，绝对误差最大为5.39，平均绝对误差为1.833，相对误差最大为7.48%，平均相对误差为3.47%,10组数据绝对误差与相对误差均处于较低水平，初步认为该模型可以满足工程要求。最佳迭代次数为第7轮，值为0.0025152。

3、结束语

通过建立BP神经网络模型，并利用预先确定的配合比，可以快速计算给定配合比的机制砂混凝土的抗压强度。这种方法不仅可以节省时间，还能提供准确的强度数值和配合比参数。相比传统的配合比设计方法，该方法减少了对经验的依赖，降低了实验次数，并提高了配合比设计的准确性。BP神经网络在预测机制砂混凝土抗压强度方面表现良好。使用该网络模型不仅可以减少机制砂混凝土的试配数量，还可以节约时间，具有良好的经济效益。

参考文献:

[1]徐健,蔡基伟,王稷良,等.人工砂与人工砂混凝土的研究现状[J].国外建材科技,2004(3):20-24

[2]邵学文.混凝土抗压强度测定方法优缺点探讨[J].山东交通科技,2012(6):49-51

[4]李彪,陆孟杰,左乐,等.基于遗传算法和人工神经网络的高性能混凝土劈裂抗拉强度预测[J].施工技术(中英文),2023,52(2):16-19,41

[5]侯超,周晓光.基于机器学习的矩形钢管混凝土柱偏压承载力预测[J].建筑结构学报,2022,43(S1):155-166

[6]刘天舒. BP神经网络的改进研究及应用[D].哈尔滨:东北农业大学,2012

[7]苏高利,邓芳萍.论基于MATLAB语言的BP神经网络的改进算法[J].科技通报,2003(2):130-135

[8]陈明,等.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2013

[9]李北星,周明凯,田建平,等.石粉与粉煤灰对C60机制砂高性能混凝土性能的影响[J].建筑材料学报,2006(4):381-387

[10]蔡基伟.石粉对机制砂混凝土性能的影响及机理研究[D].武汉:武汉理工大学,2006

[11]梁炯丰,严兰兰,胡鹏,等.BP神经网络在再生混凝土强度预测中的应用[J].混凝土,2017(6):9-12,16

文章来源:赵子祥,陈立明,姚琳宁,等.基于BP神经网络的机制砂混凝土抗压强度预测[J].工业控制计算机,2024,37(08):57-58+60.