论文部分内容阅读
摘 要： 以不同温度(0 ℃、-5 ℃、-10 ℃、-15 ℃、-20 ℃)、不同钢纤维掺量及不同水灰比 的钢纤维混凝土的抗压、抗拉、抗折与抗剪强度试验结果，建立以温度、钢纤维掺量以及水 灰比作为输入矢量，混凝土预测强度作为输出矢量的网络模型。用人工神经网络分别为抗压 强度、抗折强度、抗拉强度及抗剪强度建立了合适的网络模型，输入层和隐含层均采用双曲 线正切S型传递函数，输出层采用线性传递函数。网络采用Levenberg-Marquardt算法进行 训 练，对低温钢纤维混凝土的强度进行了预测，预测的相对误差在0~0.05的范围内波动，各训 练总标准差与仿真总标准差均在0.3的范围内，取得了满意的结果，这对低温条件下钢纤维 混凝土强度预测有一定实用价值。
关键词：BP神经网络；钢纤维混凝土；低温；强度预测
中图分类号：TU375 文献标识码：A 文章编号：1672-1098(2008)03-0027-04
1 钢纤维混凝土力学性能试验
试验的工程背景为道路用钢纤维混凝土，配合比设计应满足道路结构设计要求的抗压强 度、抗折强度以及必要的工作性能。根据试配抗压强度计算水灰比，W/C=0.5。由于0.5 的水 灰比对于低温工程来说，显得较大，混凝土工程容易被冻坏,调整水灰比为0.42。为了分析 水灰比对低温钢纤维混凝土强度的影响，部分试件的水灰比为0.40。钢纤维的掺量为1.2% ， 为了分析钢纤维掺量对低温钢纤维混凝土强度的影响，部分试件的纤维掺量为1.5%和2.0 %。单位水泥用量为390 kg/m3，最优砂率为48%［1］。按绝对体积 法确定试配配 合比，调整砂率和用水量，最后确定试验的配合比为：水∶水泥∶砂∶石子=0.42∶1∶2.06 ∶2.73。
将钢纤维混凝土的各组 成材料按规范［2］规定的精度称量后， 投入顺序为：先将砂、 石、 水泥、 防冻 剂搅拌均匀， 然后加入钢纤维和水， 所有的材料加入后再搅拌三到四遍。 每一批试验的 试件均采用一次搅拌。 通过坍落度实验测得拌合物的坍落度为7 mm。试件用标准铸铁试模成型 ，拌合 物分三层成型，每一层料装入后，用抹刀沿试模内壁略加插捣，并用木槌敲试模外壁，以保 证试件的密实度。
试件成型后立即放入低温箱中进行相应温度的养护。养护温度分别为20 ℃、0 ℃、-5 ℃、-10 ℃、-15 ℃、-20 ℃，养护期为7 d。
通过对不同温度、不同钢纤维掺量及不同水灰比的低温钢纤维混凝土的抗压、抗拉、抗 折与抗剪强度试验，得出试验结果（见表1）。
2 钢纤维混凝土强度预测
2.1 神经网络简述
2.1.1 BP网络结构 BP网络(Back Propagation Network)是一种单向传播 的多层前向网络（见图1)。网络除 输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入 节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出 。其节点单元特性（传递函数）通常为Sigmoid型的对数或正切激活函数［3］。
BP网络可看作是一个从输入到输出的高度非线性映射，即F∶Rn→Rm,f(X)=Y。对 于样本集合：输入xi(∈Rn)和输出yi(∈Rm)，可认为存在某一映射g使g(xi) =yi,i=1,2,…,n。
2.2 BP网络模型的建立［5-10］
根据低温钢纤维混凝土强度的影响因素分析，确定建立以温度（℃）、钢纤维掺量（% ）以及水灰比作为输入矢量、混凝土预测强度作为输出矢量的网络模型。经过多次调试，建 立了抗压强度和抗拉强度的3个输入矢量，5个隐含层节点，1个输出矢量的3-5-1网络模型； 抗折强度和抗剪强度3-10-1和3-8-1网络结构模型。输入层和隐含层均采用双曲线正切S型传 递函数，输出层采用线性传递函数。网络采用Levenberg-Marquardt算法进行训练。
2.3 BP网络的训练与仿真
利用低温钢纤维混凝土的强度试验实测数据（见表1），对所建网络进行有教师的学习 训练。先对原始数据进行规范化处理，建立合适的网络模型，然后采用Levenberg-Marquar dt规则对网络进行训练。
抗压强度经过6个单位时间的训练，抗折强度经过3个单位时间的训练，抗拉强度经过5 个单位时间的训练，抗剪强度经过4个单位时间的训练，得出训练结果和仿真结果（见表2~ 表3）。其中x1为温度（℃），x2为钢纤维的体积掺量（%），x3为水灰 比，t1为实测抗压强度，t2为实测抗折强度，t3为实测抗拉强度，t4为实 测抗剪强度，r1为网络预测抗压强度值，r2为网络预测抗折强度值，r3为网络预测抗 拉强度值，r4为网络预测抗剪强度值
3 BP预测结果分析
以相对误差作为检验单个样本训练和仿真准确性的量度，单项总标准差作为单项总体训 练和仿真的准确性量度。通过对-15 ℃、-20 ℃的钢纤维混凝土强 度的检测，神经网络对样本 仿真的相对误差在0~0.05的范围内波动，各训练总标准差与仿真总标准差均在0.3的范围内 。预测的结果是令人满意的，这也说明了Matlab人工神经网络对低温钢纤维混凝土强度的预 测是一种行之有效的预测方法［11］。
用人工神经网络分别为抗压强度、抗折强度、抗拉强度及抗剪强度建立了合适的网络模 型，对低温钢纤维混凝土强度进行了预测。只要知道低温钢纤维混凝土强度的几个重要影 响因素，则可以通过网络预测它的强度，并且预测取得了满意的结果。
本文试验研究参加人员有刘永胜、王长柏等同志，在此表示感谢。
参考文献：
［1］ 赵国藩，彭少民，黄承逵，等.钢纤维混凝土结构［M］.北京：中国 建筑工业出版社，1999:108-112，89-97，47-67.
［2］ 中国工程建设标准化协会标准.CECS 13：89 钢纤维混凝土试验方法［S］. 北京：中国计划出版社，1996:26-43.
［3］ 闻新,周露,王丹力,等.MATLAB神经网络应用设计［M］.北京:科学出 版社，2000:207-208,212.
［4］ 施阳，李俊.MATLAB语言工具箱—TOOLBOX 实用指南［M］.西安：西北 工业大学出版社，1994:149-152.
［5］ 吕培印，宋玉普.基于人工神经网络和混凝土疲劳寿命估算［J］.海洋工 程,2001,19(3):72-76.
［6］ 逯静洲，林皋，王哲.基于神经网络方法对混凝土损伤特性研究［J］.大连 理工大学学报，2001,41(4):491-497.
［7］ 袁群，赵国藩.用神经网络方法预测新老混凝土的粘结强度［J］.建筑材料 学报，2001,4(2):132-137.
［8］ 王继宗，倪鸿光.一种优化算法的神经网络在混凝土强度判定中的应用 ［J］.系统工程理论与实践，2000(9):124-129.
［9］ 韩敏，席剑辉，王立久,等.神经网络法在混凝土强度研究中的应用［J］.建 筑材料学报，2001,4(2):192-195.
［10］ 黄恒卫，张耀庭，邱继生,等.神经网络在混凝土强度中的應用［J］.华中 科技大学学报（自然科学版），2002,30(3):65-67.
［11］ 刘永胜.低温钢纤维混凝土力学性能试验及路面设计［D］.淮南：安徽理工 大学，2003.
(责任编辑：何学华)
关键词：BP神经网络；钢纤维混凝土；低温；强度预测
中图分类号：TU375 文献标识码：A 文章编号：1672-1098(2008)03-0027-04
1 钢纤维混凝土力学性能试验
试验的工程背景为道路用钢纤维混凝土，配合比设计应满足道路结构设计要求的抗压强 度、抗折强度以及必要的工作性能。根据试配抗压强度计算水灰比，W/C=0.5。由于0.5 的水 灰比对于低温工程来说，显得较大，混凝土工程容易被冻坏,调整水灰比为0.42。为了分析 水灰比对低温钢纤维混凝土强度的影响，部分试件的水灰比为0.40。钢纤维的掺量为1.2% ， 为了分析钢纤维掺量对低温钢纤维混凝土强度的影响，部分试件的纤维掺量为1.5%和2.0 %。单位水泥用量为390 kg/m3，最优砂率为48%［1］。按绝对体积 法确定试配配 合比，调整砂率和用水量，最后确定试验的配合比为：水∶水泥∶砂∶石子=0.42∶1∶2.06 ∶2.73。
将钢纤维混凝土的各组 成材料按规范［2］规定的精度称量后， 投入顺序为：先将砂、 石、 水泥、 防冻 剂搅拌均匀， 然后加入钢纤维和水， 所有的材料加入后再搅拌三到四遍。 每一批试验的 试件均采用一次搅拌。 通过坍落度实验测得拌合物的坍落度为7 mm。试件用标准铸铁试模成型 ，拌合 物分三层成型，每一层料装入后，用抹刀沿试模内壁略加插捣，并用木槌敲试模外壁，以保 证试件的密实度。
试件成型后立即放入低温箱中进行相应温度的养护。养护温度分别为20 ℃、0 ℃、-5 ℃、-10 ℃、-15 ℃、-20 ℃，养护期为7 d。
通过对不同温度、不同钢纤维掺量及不同水灰比的低温钢纤维混凝土的抗压、抗拉、抗 折与抗剪强度试验，得出试验结果（见表1）。
2 钢纤维混凝土强度预测
2.1 神经网络简述
2.1.1 BP网络结构 BP网络(Back Propagation Network)是一种单向传播 的多层前向网络（见图1)。网络除 输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入 节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出 。其节点单元特性（传递函数）通常为Sigmoid型的对数或正切激活函数［3］。
BP网络可看作是一个从输入到输出的高度非线性映射，即F∶Rn→Rm,f(X)=Y。对 于样本集合：输入xi(∈Rn)和输出yi(∈Rm)，可认为存在某一映射g使g(xi) =yi,i=1,2,…,n。
2.2 BP网络模型的建立［5-10］
根据低温钢纤维混凝土强度的影响因素分析，确定建立以温度（℃）、钢纤维掺量（% ）以及水灰比作为输入矢量、混凝土预测强度作为输出矢量的网络模型。经过多次调试，建 立了抗压强度和抗拉强度的3个输入矢量，5个隐含层节点，1个输出矢量的3-5-1网络模型； 抗折强度和抗剪强度3-10-1和3-8-1网络结构模型。输入层和隐含层均采用双曲线正切S型传 递函数，输出层采用线性传递函数。网络采用Levenberg-Marquardt算法进行训练。
2.3 BP网络的训练与仿真
利用低温钢纤维混凝土的强度试验实测数据（见表1），对所建网络进行有教师的学习 训练。先对原始数据进行规范化处理，建立合适的网络模型，然后采用Levenberg-Marquar dt规则对网络进行训练。
抗压强度经过6个单位时间的训练，抗折强度经过3个单位时间的训练，抗拉强度经过5 个单位时间的训练，抗剪强度经过4个单位时间的训练，得出训练结果和仿真结果（见表2~ 表3）。其中x1为温度（℃），x2为钢纤维的体积掺量（%），x3为水灰 比，t1为实测抗压强度，t2为实测抗折强度，t3为实测抗拉强度，t4为实 测抗剪强度，r1为网络预测抗压强度值，r2为网络预测抗折强度值，r3为网络预测抗 拉强度值，r4为网络预测抗剪强度值
3 BP预测结果分析
以相对误差作为检验单个样本训练和仿真准确性的量度，单项总标准差作为单项总体训 练和仿真的准确性量度。通过对-15 ℃、-20 ℃的钢纤维混凝土强 度的检测，神经网络对样本 仿真的相对误差在0~0.05的范围内波动，各训练总标准差与仿真总标准差均在0.3的范围内 。预测的结果是令人满意的，这也说明了Matlab人工神经网络对低温钢纤维混凝土强度的预 测是一种行之有效的预测方法［11］。
用人工神经网络分别为抗压强度、抗折强度、抗拉强度及抗剪强度建立了合适的网络模 型，对低温钢纤维混凝土强度进行了预测。只要知道低温钢纤维混凝土强度的几个重要影 响因素，则可以通过网络预测它的强度，并且预测取得了满意的结果。
本文试验研究参加人员有刘永胜、王长柏等同志，在此表示感谢。
参考文献：
［1］ 赵国藩，彭少民，黄承逵，等.钢纤维混凝土结构［M］.北京：中国 建筑工业出版社，1999:108-112，89-97，47-67.
［2］ 中国工程建设标准化协会标准.CECS 13：89 钢纤维混凝土试验方法［S］. 北京：中国计划出版社，1996:26-43.
［3］ 闻新,周露,王丹力,等.MATLAB神经网络应用设计［M］.北京:科学出 版社，2000:207-208,212.
［4］ 施阳，李俊.MATLAB语言工具箱—TOOLBOX 实用指南［M］.西安：西北 工业大学出版社，1994:149-152.
［5］ 吕培印，宋玉普.基于人工神经网络和混凝土疲劳寿命估算［J］.海洋工 程,2001,19(3):72-76.
［6］ 逯静洲，林皋，王哲.基于神经网络方法对混凝土损伤特性研究［J］.大连 理工大学学报，2001,41(4):491-497.
［7］ 袁群，赵国藩.用神经网络方法预测新老混凝土的粘结强度［J］.建筑材料 学报，2001,4(2):132-137.
［8］ 王继宗，倪鸿光.一种优化算法的神经网络在混凝土强度判定中的应用 ［J］.系统工程理论与实践，2000(9):124-129.
［9］ 韩敏，席剑辉，王立久,等.神经网络法在混凝土强度研究中的应用［J］.建 筑材料学报，2001,4(2):192-195.
［10］ 黄恒卫，张耀庭，邱继生,等.神经网络在混凝土强度中的應用［J］.华中 科技大学学报（自然科学版），2002,30(3):65-67.
［11］ 刘永胜.低温钢纤维混凝土力学性能试验及路面设计［D］.淮南：安徽理工 大学，2003.
(责任编辑：何学华)