论文部分内容阅读
摘 要:核岛筏基混凝土凝结养护期间,需采取合理的保温保湿养护措施和实时监控混凝土温度,以防止温度裂缝,保证筏基质量。运用BP神经网络模型,预测平面、三维的温度场,以及中心最高温度的时间变化过程,通过实测点温度数据验证了此方法的有效性。所提出的方法直观且简便,可用于监控筏基混凝土温度时间空间动态变化,便于合理调整养护措施,保证筏基质量。
关键词:BP神经网络;核岛筏基;混凝土;测温
中图分类号:TN711文献标识码: A 文章编号:
台山EPR核电站2#核岛反应堆厂房混凝土强度等级为C50,暴露等级为XS3(F),筏基厚均约为3.8m,半径27.8m,砼量约9226m³。因筏基较厚,砼量多且浇筑时间长,故出现最高温度龄期较晚,降温时持续高温时间很长,且温差变大,易出现危害性的裂缝。为避免温度裂缝,需在养护期间铺设密封养护棚并进行测温、控温。在扎钢筋时预先在筏基平面选定17组具有代表性的点布设测温计,编号和间距见图1(其余未标号的均为预测点),每一组自下而上垂向均匀设置间距为0.9m的ABCDE 5个监测点。
目前,大多数建筑的混凝土基础在养护时,主要根据监测点温度变化,对潜在风险的监测点区域采取相应的养护措施。而对于体积比较大的基础,有限的监测点温度难以有效地反映温度裂缝风险的信息。为此,于猛等[1]根据碾压混凝土坝热学参数反演分析,获得温度随时间变化的反演预测值。朱岳明[2]等根据混凝土温度特性多参数反演分析,预测温度随时间变化的规律。然而上述方法需要反演分析多种参数,工作相对复杂,且在实际养护施工时难以综合反映混凝土空间和时间的温度变化规律,往往因为不能预测分析实测点以外区域所潜在温度裂缝风险的位置,致使养护工作出现漏洞。
本文运用人工神经网络ANN软件(Aritificial Neural Networks)的BP网络模型,分别以筏基空间坐标和养护时间作为样本输入,可以直观、简单和快捷地预测筏基空间和时间的温度变化,而且空间和时间的预测互补性更强,更能全面地指导养护工作。在实际网络模型中,应用改进的BP网络动量算法,提高了其学习速度与算法的可靠性。
一 BP神经网络预测的基本理论
人工神经网络[3]是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学系统。其具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题,利用其可实现模式识别、数据聚类、函数逼近、优化计算等功能。采用的BP 神经网络[4]是一种由输入层、隐含层、输出层组成的多层前馈神经网络,隐含层可扩展为多层。其以S型激活函数作为神经元的变换函数,输出0到1的连续量,实现从输入到输出的任意非线性映射。图2为三层BP神经网络结构图。
标准的BP网络(Back Propagation Network)算法实质上是一种简单的最速下降静态寻优方法,在修正权值w(k)时,只按照第k步的负梯度方向进行修正,并没有考虑到以前时刻的梯度方向,导致容易形成局部极小而得不到全局最优,而且收敛缓慢。本文采用改进的BP动量算法,将前次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上,即:
(1)
其中:α为动量因子,通常0<α<0.9;η为学习率,范围在0.001~10之间;是k时刻总误差对各权值的梯度。α实际上相当于阻尼项,以减小学习过程中的振荡趋势,改善收敛性。动量法降低了网络对于误差曲面局部细节的敏感性,有效抑制网络陷入局部极值。网络误差计算:
(2)
其中P为训练样本个数,、分别为第p个样本的第n个期望输出和网络输出。
二BP网络预测模型的建立及其设计
选用图2的三层BP神经网络结构,隐含层和输出层的变换函数分别为tansig和logsig的S型函数,初始权值和阈值采用0~1随机数。为防发散并保证预测的准确性,同时加快收敛速度,需对样本输入和输出值进行归一化:
X'=0.8(X-Xmin)/(Xmax-Xmin)+0.1(3)
其中:X为归一化前的值;X'是归一化后的值,0.1≤X'≤0.9。样本输入和输出值落在0.1~0.9之间,使靠近数据变化区间端点的网络输出值有一定波动范围,以获得较好的网络性能。
隐层节点数S的确定关系到BP网络模型的成败。若数量太少,则网络获取用以解决问题的信息太少;若数量太多,可能导致“过渡吻合”问题,即测试误差增大导致泛化能力下降。本文采用网络结构增长型方法,先设置較少节点数,对网络进行训练,再逐渐增加节点数,直至学习误差趋近给定极小值。
学习次数N、误差精度e以及学习速率η。考虑筏基尺寸较大,平面17个监测点覆盖范围小,反映筏基温度的基本信息和特征有限,故预测时控制误差精度的难度较大。经训练网络模型发现,适当增加学习次数和减低误差控制的精度要求,同样达到满意的预测效果。为使BP网络更优,将根据每次训练的误差变化情况,调整η的值[5]。
首先优化选取部分实测点温度数据作BP网络的学习样本,归一化样本后输入学习参数,开始网络训练。得到合适的网络权值与阈值,然后网络模型按减小期望输出与网络输出误差的方向,调整权值和阈值并返回输入层,如此反复交替进行,直至网络全局误差趋向给定的极小值,以实现给定的输入与输出映射关系,预测筏基区域内其它点不同时刻的温度。根据获得的筏基温度空间和时间的动态变化,分析可能存在的质量风险,并作相应的养护措施。
三 模型验证
本文结合实测点温度分析,试图运用BP网络分别对筏基温度进行二维、三维空间预测,以及时间过程预测。
(1)BP网络在筏基二维测温的应用。学习样本输入和输出分别为预测面(YZ剖面)上的二维坐标点和实测温度。选取养护后第134小时(各区域混凝土温度基本处于高峰期)的测点温度样本,归一化其中34个学习样本,经大量的训练和测试,取隐层单元数S=10,最大学习次数N=40000,最小误差精度e=0.001,动量因子0.5,学习速率0.6,得到学习的温度归一值并转化为温度值(部分点的温度值见表1)。全局误差在第10000次循环开始迅速下降,到第30000次趋于误差给定值(见图3)。通过比较(见图4),计算值和实测值较为吻合,误差控制在允许范围内,表明该网络模型稳定性良好,可用于预测。
学习完毕,预测剖面YZ其它区域共36个点的温度值(部分点的预测温度见表2),然后用Surer软件绘制平面温度等值线图并判断温度异常值位置(见图5)。显然,最高温处集中在筏基中心,中心与上下表面和侧面温差最大,是裂缝易出现处。经分析, 5#(中心)、10#和12#点中心升温过快,对应的表面区域和筏基侧面因受外界环境(夜间海风大且和温降大)影响,降温较快。因此,现场重点在5#、10#和12#点表面区域再铺设一层麻袋布和塑料隔膜进行保温保湿,侧面区域及时地再覆盖一层彩条布和土工布保温,使垂向和水平方向温差降低。
图3 二维训练误差分析 图4二维训练测试分析
Fig.3 learning error of 2DFig.4training test of 2D
表1
表2
图5 筏基YZ剖面温度等值线图
Fig.5 Map of temperature contour for YZ section
(2)BP网络在三维测温的应用。由于实际工程中所设的测温点覆盖的区域有限,若仅靠实测数据作学习样本,三维BP网络温度场预测难度级数加大,而在实际网络模型训练和测试中也出现了学习时间缓慢和不稳定现象。张晓飞等[6]采用三维有限元浮动网格法模拟计算碾压混凝土拱坝温度场,保证了计算精度且提高了计算效率。陈华根[7]等在建立BP网络空间温度预测模型,提出一维(垂向)与三维神经网络相结合的模型预测基坑混凝土温度空间的变化,并验证了裂缝位置。
根据核岛筏基实况,本文分别在径向和垂向上相邻两实测点中间设预测点,作相应的径向和垂向的一维BP预测,以实测数据和预测结果作三维BP预测的学习样本,这样增加了学习样本数量,丰富了样本所记录的筏基空间温度信息。通过不断调整学习参数使网络全局最优,提高三维预测的可靠性。
样本输入和目标输出分别为实测点的三维坐标及对应的温度值,经不断训练和调整网络,选取学习参数:S=34,N=45000,e=0.001。网络误差分析见图6,测试效果分别见图7和表3。比较二维面预测,不难发现三维预测较为不稳定,但此预测误差若控制在一定范围内是可接受的。ABCDE各平面层的预测点布置见图1,学习后部分预测值见表4。根据预测结果,绘制养护第134小时后的中心层(Z=1.9)温度等值线图,见图8。中心温度最高,边缘1#、9#、14#和17#点受外界环境影响,温度降低。综合比较,预测结果较为符合实际情况,因此在筏基表面与周边相应区域添加一层土工布进行保温。
图6 三维训练误差分析图7二维训练测试分析
Fig.6 learning error of 3D Fig.7training test of 3D
表3
表4
BP网络在时间测温的应用。对于混凝土同一点不同时刻的温度变化,熊炜等[8]成功建立冻土区桩基温度场控制方程,并用此模型着重分析了不同深度处桩侧土层温度随时间变化规律和混凝土浇注后不同时期温度沿桩径方向的变化规律。朱岳明等[2]运用阻尼最小二乘法来反演分析对温度计算参数,获得温度计算值并对比温度的反演计算值和实测值的历时过程线,计算预测的效果良好。本文尝试选取筏基中心温度部分时段的温度作样本,根据温度样本随时间连续性变化的信息,预测筏基混凝土温度随时间变化正常的规律,相比而言,此方法以养护时间作样本,预测时更为直观且简便。
根据类似条件下(混凝土标号和养护条件等相同)已有的核岛筏基成功实例所监测的温度,绘制其中心温度变化曲线T1。以时间值为样本输入,选取前100个样本,S=7,N=20000,e=0.0001,进行BP网络算法预测,绘制一条随时间变化的正常中心温度曲线T2,T2和T1非常吻合,清楚地反映混凝土养护期间的温度正常变化规律。中心温度在0~7d是活跃期,0~4d为温度上升阶段,是温度裂缝的危险控制期。相比空间温度预测,由于时间预测从开始到结束的测温连续性非常好,学习样本完整且信息丰富,故时间预测结果比较稳定。
图8各温度曲线比较
Fig.8Temperature curves of companison
2#核岛筏基边浇筑边养护耗时约34天,其中心温度随时间变化的曲线T3,中心处垂向温差曲线T5。在筏基浇筑前,为收集混凝土的原材料温度、初终凝时间、坍落度、混凝土各阶段温度等施工参数,进行了类似条件的混凝土施工模拟试验(模型为边距4m,高3.8m的钢筋混凝土正八边形柱体,内设测温探头),养护期间其中心温度变化曲线为T4。
2#核岛筏基浇筑时严格控制坍落度和最高入模温度不超过30~32°C,养护时里表温差曲线T5控制在25°C内,降温速率控制在1.5°C/d[9],最终筏基温度变化正常,拆模后筏基周侧和表面并没出现危险性的裂缝。对比图8的T1~T4各中心温度曲线图,预测曲线T2与实测的T1、T3和T4三条中心温度曲线吻合性很好,再次证明所采用的BP网络在预测筏基温度的时间变化规律的准确性和有效性。
四 结论
采用改进的BP网络算法,经过不断训练和调整,选取合理的学习参数,建立了合适的BP网络温度预测模型,成功地对2#核岛筏基混凝土进行二维平面、三维空间以及时间过程的温度动态预测,较准确且有效地反映混凝土空间和时间的温度变化规律,并用于指导核岛筏基的养护施工。
所建立的BP网络温度预测模型特色:(1)通过二维和三维空间温度预测,可以预测实测点未覆盖的区域温度,分析其可能出现温度裂缝风险的位置,防范养护工作潜在的漏洞;(2)空间温度预测和时间温度预测的模型,分别以坐标和养护时间作为样本输入进行预测,相比综合多种温度特性参数的温度预测法,此法更为直观和简便,而且两种模型的结合,对筏基空间和时间温度进行综合预测,互补性更强,从而使养护工作更全面。因此,此BP网络温度预测模型对混凝土养护工作具有一定的指导性。
参考文献
[1] 于猛.基于BP神经网络的碾压混凝土坝温度场反分析[J].电网与水力发电进展,2008,24(5):59-62
[2] 朱岳明.确定混凝土温度特性参数的试验和反演分析[J].岩土工程学报,2002,24(2):175-177
[3]Subhra rani patra, R.Jehadeesan. Artificial Neural Network model for IntermediateHeat Exchanger of Nuclear Reactor[J]. International Journal of Computer Applications,2010,1(26):65-72
[4] 韓力群.人工神经网络人工神经网络教程[M].北京:北京邮电大学出版杜,2006,68-75
[5] Jianyuan Zhu. Marine Diesel Engine Condition Monitoring byUse of BP Neural Network[J]. Lecture Notes in Engineering and Computer Science, 2009,2175(1): 1645-1648
[6] 张晓飞.碾压混凝土拱坝温度场计算的浮动网格法[J].土木工程学报,2006,(02):126-129
[7] 陈华根.人工神经网络在基坑底板混凝土测温中的应用[J].同济大学学报, 2001,29(2):200-204
[8] 熊炜.多年冻土区桩基温度场研究[J].岩土力学,2009,(06):1658-1664
[9] 王铁梦.工程结构裂缝控制[M].中国建筑工业出版社,北京, 2007,93-101
关键词:BP神经网络;核岛筏基;混凝土;测温
中图分类号:TN711文献标识码: A 文章编号:
台山EPR核电站2#核岛反应堆厂房混凝土强度等级为C50,暴露等级为XS3(F),筏基厚均约为3.8m,半径27.8m,砼量约9226m³。因筏基较厚,砼量多且浇筑时间长,故出现最高温度龄期较晚,降温时持续高温时间很长,且温差变大,易出现危害性的裂缝。为避免温度裂缝,需在养护期间铺设密封养护棚并进行测温、控温。在扎钢筋时预先在筏基平面选定17组具有代表性的点布设测温计,编号和间距见图1(其余未标号的均为预测点),每一组自下而上垂向均匀设置间距为0.9m的ABCDE 5个监测点。
目前,大多数建筑的混凝土基础在养护时,主要根据监测点温度变化,对潜在风险的监测点区域采取相应的养护措施。而对于体积比较大的基础,有限的监测点温度难以有效地反映温度裂缝风险的信息。为此,于猛等[1]根据碾压混凝土坝热学参数反演分析,获得温度随时间变化的反演预测值。朱岳明[2]等根据混凝土温度特性多参数反演分析,预测温度随时间变化的规律。然而上述方法需要反演分析多种参数,工作相对复杂,且在实际养护施工时难以综合反映混凝土空间和时间的温度变化规律,往往因为不能预测分析实测点以外区域所潜在温度裂缝风险的位置,致使养护工作出现漏洞。
本文运用人工神经网络ANN软件(Aritificial Neural Networks)的BP网络模型,分别以筏基空间坐标和养护时间作为样本输入,可以直观、简单和快捷地预测筏基空间和时间的温度变化,而且空间和时间的预测互补性更强,更能全面地指导养护工作。在实际网络模型中,应用改进的BP网络动量算法,提高了其学习速度与算法的可靠性。
一 BP神经网络预测的基本理论
人工神经网络[3]是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学系统。其具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题,利用其可实现模式识别、数据聚类、函数逼近、优化计算等功能。采用的BP 神经网络[4]是一种由输入层、隐含层、输出层组成的多层前馈神经网络,隐含层可扩展为多层。其以S型激活函数作为神经元的变换函数,输出0到1的连续量,实现从输入到输出的任意非线性映射。图2为三层BP神经网络结构图。
标准的BP网络(Back Propagation Network)算法实质上是一种简单的最速下降静态寻优方法,在修正权值w(k)时,只按照第k步的负梯度方向进行修正,并没有考虑到以前时刻的梯度方向,导致容易形成局部极小而得不到全局最优,而且收敛缓慢。本文采用改进的BP动量算法,将前次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上,即:
(1)
其中:α为动量因子,通常0<α<0.9;η为学习率,范围在0.001~10之间;是k时刻总误差对各权值的梯度。α实际上相当于阻尼项,以减小学习过程中的振荡趋势,改善收敛性。动量法降低了网络对于误差曲面局部细节的敏感性,有效抑制网络陷入局部极值。网络误差计算:
(2)
其中P为训练样本个数,、分别为第p个样本的第n个期望输出和网络输出。
二BP网络预测模型的建立及其设计
选用图2的三层BP神经网络结构,隐含层和输出层的变换函数分别为tansig和logsig的S型函数,初始权值和阈值采用0~1随机数。为防发散并保证预测的准确性,同时加快收敛速度,需对样本输入和输出值进行归一化:
X'=0.8(X-Xmin)/(Xmax-Xmin)+0.1(3)
其中:X为归一化前的值;X'是归一化后的值,0.1≤X'≤0.9。样本输入和输出值落在0.1~0.9之间,使靠近数据变化区间端点的网络输出值有一定波动范围,以获得较好的网络性能。
隐层节点数S的确定关系到BP网络模型的成败。若数量太少,则网络获取用以解决问题的信息太少;若数量太多,可能导致“过渡吻合”问题,即测试误差增大导致泛化能力下降。本文采用网络结构增长型方法,先设置較少节点数,对网络进行训练,再逐渐增加节点数,直至学习误差趋近给定极小值。
学习次数N、误差精度e以及学习速率η。考虑筏基尺寸较大,平面17个监测点覆盖范围小,反映筏基温度的基本信息和特征有限,故预测时控制误差精度的难度较大。经训练网络模型发现,适当增加学习次数和减低误差控制的精度要求,同样达到满意的预测效果。为使BP网络更优,将根据每次训练的误差变化情况,调整η的值[5]。
首先优化选取部分实测点温度数据作BP网络的学习样本,归一化样本后输入学习参数,开始网络训练。得到合适的网络权值与阈值,然后网络模型按减小期望输出与网络输出误差的方向,调整权值和阈值并返回输入层,如此反复交替进行,直至网络全局误差趋向给定的极小值,以实现给定的输入与输出映射关系,预测筏基区域内其它点不同时刻的温度。根据获得的筏基温度空间和时间的动态变化,分析可能存在的质量风险,并作相应的养护措施。
三 模型验证
本文结合实测点温度分析,试图运用BP网络分别对筏基温度进行二维、三维空间预测,以及时间过程预测。
(1)BP网络在筏基二维测温的应用。学习样本输入和输出分别为预测面(YZ剖面)上的二维坐标点和实测温度。选取养护后第134小时(各区域混凝土温度基本处于高峰期)的测点温度样本,归一化其中34个学习样本,经大量的训练和测试,取隐层单元数S=10,最大学习次数N=40000,最小误差精度e=0.001,动量因子0.5,学习速率0.6,得到学习的温度归一值并转化为温度值(部分点的温度值见表1)。全局误差在第10000次循环开始迅速下降,到第30000次趋于误差给定值(见图3)。通过比较(见图4),计算值和实测值较为吻合,误差控制在允许范围内,表明该网络模型稳定性良好,可用于预测。
学习完毕,预测剖面YZ其它区域共36个点的温度值(部分点的预测温度见表2),然后用Surer软件绘制平面温度等值线图并判断温度异常值位置(见图5)。显然,最高温处集中在筏基中心,中心与上下表面和侧面温差最大,是裂缝易出现处。经分析, 5#(中心)、10#和12#点中心升温过快,对应的表面区域和筏基侧面因受外界环境(夜间海风大且和温降大)影响,降温较快。因此,现场重点在5#、10#和12#点表面区域再铺设一层麻袋布和塑料隔膜进行保温保湿,侧面区域及时地再覆盖一层彩条布和土工布保温,使垂向和水平方向温差降低。
图3 二维训练误差分析 图4二维训练测试分析
Fig.3 learning error of 2DFig.4training test of 2D
表1
表2
图5 筏基YZ剖面温度等值线图
Fig.5 Map of temperature contour for YZ section
(2)BP网络在三维测温的应用。由于实际工程中所设的测温点覆盖的区域有限,若仅靠实测数据作学习样本,三维BP网络温度场预测难度级数加大,而在实际网络模型训练和测试中也出现了学习时间缓慢和不稳定现象。张晓飞等[6]采用三维有限元浮动网格法模拟计算碾压混凝土拱坝温度场,保证了计算精度且提高了计算效率。陈华根[7]等在建立BP网络空间温度预测模型,提出一维(垂向)与三维神经网络相结合的模型预测基坑混凝土温度空间的变化,并验证了裂缝位置。
根据核岛筏基实况,本文分别在径向和垂向上相邻两实测点中间设预测点,作相应的径向和垂向的一维BP预测,以实测数据和预测结果作三维BP预测的学习样本,这样增加了学习样本数量,丰富了样本所记录的筏基空间温度信息。通过不断调整学习参数使网络全局最优,提高三维预测的可靠性。
样本输入和目标输出分别为实测点的三维坐标及对应的温度值,经不断训练和调整网络,选取学习参数:S=34,N=45000,e=0.001。网络误差分析见图6,测试效果分别见图7和表3。比较二维面预测,不难发现三维预测较为不稳定,但此预测误差若控制在一定范围内是可接受的。ABCDE各平面层的预测点布置见图1,学习后部分预测值见表4。根据预测结果,绘制养护第134小时后的中心层(Z=1.9)温度等值线图,见图8。中心温度最高,边缘1#、9#、14#和17#点受外界环境影响,温度降低。综合比较,预测结果较为符合实际情况,因此在筏基表面与周边相应区域添加一层土工布进行保温。
图6 三维训练误差分析图7二维训练测试分析
Fig.6 learning error of 3D Fig.7training test of 3D
表3
表4
BP网络在时间测温的应用。对于混凝土同一点不同时刻的温度变化,熊炜等[8]成功建立冻土区桩基温度场控制方程,并用此模型着重分析了不同深度处桩侧土层温度随时间变化规律和混凝土浇注后不同时期温度沿桩径方向的变化规律。朱岳明等[2]运用阻尼最小二乘法来反演分析对温度计算参数,获得温度计算值并对比温度的反演计算值和实测值的历时过程线,计算预测的效果良好。本文尝试选取筏基中心温度部分时段的温度作样本,根据温度样本随时间连续性变化的信息,预测筏基混凝土温度随时间变化正常的规律,相比而言,此方法以养护时间作样本,预测时更为直观且简便。
根据类似条件下(混凝土标号和养护条件等相同)已有的核岛筏基成功实例所监测的温度,绘制其中心温度变化曲线T1。以时间值为样本输入,选取前100个样本,S=7,N=20000,e=0.0001,进行BP网络算法预测,绘制一条随时间变化的正常中心温度曲线T2,T2和T1非常吻合,清楚地反映混凝土养护期间的温度正常变化规律。中心温度在0~7d是活跃期,0~4d为温度上升阶段,是温度裂缝的危险控制期。相比空间温度预测,由于时间预测从开始到结束的测温连续性非常好,学习样本完整且信息丰富,故时间预测结果比较稳定。
图8各温度曲线比较
Fig.8Temperature curves of companison
2#核岛筏基边浇筑边养护耗时约34天,其中心温度随时间变化的曲线T3,中心处垂向温差曲线T5。在筏基浇筑前,为收集混凝土的原材料温度、初终凝时间、坍落度、混凝土各阶段温度等施工参数,进行了类似条件的混凝土施工模拟试验(模型为边距4m,高3.8m的钢筋混凝土正八边形柱体,内设测温探头),养护期间其中心温度变化曲线为T4。
2#核岛筏基浇筑时严格控制坍落度和最高入模温度不超过30~32°C,养护时里表温差曲线T5控制在25°C内,降温速率控制在1.5°C/d[9],最终筏基温度变化正常,拆模后筏基周侧和表面并没出现危险性的裂缝。对比图8的T1~T4各中心温度曲线图,预测曲线T2与实测的T1、T3和T4三条中心温度曲线吻合性很好,再次证明所采用的BP网络在预测筏基温度的时间变化规律的准确性和有效性。
四 结论
采用改进的BP网络算法,经过不断训练和调整,选取合理的学习参数,建立了合适的BP网络温度预测模型,成功地对2#核岛筏基混凝土进行二维平面、三维空间以及时间过程的温度动态预测,较准确且有效地反映混凝土空间和时间的温度变化规律,并用于指导核岛筏基的养护施工。
所建立的BP网络温度预测模型特色:(1)通过二维和三维空间温度预测,可以预测实测点未覆盖的区域温度,分析其可能出现温度裂缝风险的位置,防范养护工作潜在的漏洞;(2)空间温度预测和时间温度预测的模型,分别以坐标和养护时间作为样本输入进行预测,相比综合多种温度特性参数的温度预测法,此法更为直观和简便,而且两种模型的结合,对筏基空间和时间温度进行综合预测,互补性更强,从而使养护工作更全面。因此,此BP网络温度预测模型对混凝土养护工作具有一定的指导性。
参考文献
[1] 于猛.基于BP神经网络的碾压混凝土坝温度场反分析[J].电网与水力发电进展,2008,24(5):59-62
[2] 朱岳明.确定混凝土温度特性参数的试验和反演分析[J].岩土工程学报,2002,24(2):175-177
[3]Subhra rani patra, R.Jehadeesan. Artificial Neural Network model for IntermediateHeat Exchanger of Nuclear Reactor[J]. International Journal of Computer Applications,2010,1(26):65-72
[4] 韓力群.人工神经网络人工神经网络教程[M].北京:北京邮电大学出版杜,2006,68-75
[5] Jianyuan Zhu. Marine Diesel Engine Condition Monitoring byUse of BP Neural Network[J]. Lecture Notes in Engineering and Computer Science, 2009,2175(1): 1645-1648
[6] 张晓飞.碾压混凝土拱坝温度场计算的浮动网格法[J].土木工程学报,2006,(02):126-129
[7] 陈华根.人工神经网络在基坑底板混凝土测温中的应用[J].同济大学学报, 2001,29(2):200-204
[8] 熊炜.多年冻土区桩基温度场研究[J].岩土力学,2009,(06):1658-1664
[9] 王铁梦.工程结构裂缝控制[M].中国建筑工业出版社,北京, 2007,93-101