基于BP人工神经网络的混凝土强度预测模型.pdf

《基于BP人工神经网络的混凝土强度预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2016年3月建材与装饰经济·管理·综述基于BP人工神经网络的混凝土强度预测模型隋明辉（双鸭山盛泰建筑安装有限公司155100）摘要：建筑混凝土强度随着时间的流逝,受到外界空气环境、施工质量、受力变化等多种因素的影响呈现出逐步退化的趋势,这个趋势一般表现为非线性变化,使用常规方法较难准确预测。关键词：人工神经网络；混凝土强度；预测模型中图分类号：TU528文献标识码：A文章编号：1673-0038（2016）13-0137-021引言数据作为预测样本数据，学习前需要对输入的数据作归一化处人工神经网络是近几年来逐步发展起来的一门新学科，它模理，得到数据如表1

2、。仿人的大脑神经网络结构和工作方式，运用大量的软件与硬件表1学习样本资料水用量砂用量水泥用量石用量28d抗压强经过类似人脑的复杂连接形成的一种具有处理高度非线性、容组号（kg）（kg）（kg）（kg）度（MPa）错性，自适应学习、并行性特点的高级信息系统，近年来随着神1180530550128557.492150548600124069.26经网络发展，它已在模式识别、机器学习、专家系统等多个方面3148575576108276.40得到应用，成为人工智能研究中的活跃领域[1]。4162525604108477.55混凝图的质量问题直接关系到建筑的寿命，但

3、混凝土会随着5180650480112661.80时间的推移，强度会发生一系列的非线性变化，所以对混凝土强6172680310116663.51度的系统监测可以为建筑施工提供科学依据。7198697330117763.60本文提出了基于神经网络的混凝土强度预测模型。以10组8189590480118868.56数据的强度数据为基础，建立预测模型。对后10组建筑物强度3.1学习步长的选择数据进行预测和对比，发现两者相差不大，同时通过实际建筑进实验室研究发现，一般情况保持隐含神经元次数的不变的情行预测与实际对比，实际证明人工神经网络针对混凝土强度作况下，学习步

4、长增加，学习次数就会减少，但是也会有例外情况，出的预测模型具有较高的精确性，且具有较高的工程利用价值。因为在设置初始化函数是有可能正好比较接近全局最小解，有2BP人工神经网络模型时即使同一个数据做两次预测，也会存在差异，但是误差在学习人工神经网络模型主要有感知神经网络、前馈神经网络、霍步长趋向于0.3~0.5区间是表现最稳定的，所以本文选择学习步谱菲尔德网络（Hopfield）等，在建筑领域中目前最常用的前馈反长为0.4。向传播神经网络即BP神经网络模型，它的神经网络结构由输入3.2隐层神经元数的选择层、隐含层和输出层组成，其中隐含层可以分为多层节点。BP

5、人本次混凝土强度预测采用的为多输入，单输出的模型，样本工神经网络模型结构稳定、简单，是目前应用得最广泛的神经网的选取会存在一定为系统误差，一般系统误差的测定使用下式络，实验研究表明，利用BP神经网络进行预测具有较高的可靠表示：性。12E=zEP=zz（ypj-opj）BP人工神经网络模型主要分为两个基本学习过程：2PPj（1）“顺向传播”过程：输入信号通过输入层、经隐含层的计算式中：j为神经元数；P为神经网络层数；ypj为输入；opj为输最后到达输出层；出。（2）“逆向传播”过程：如果输出层信号得到的与期望值存在隐含节数的个数需要根据大数据进行试验，得到这

6、组数据需较大的误差，在将信号逆向传播，经过隐含层逐层修正参数，到要多少节数才能使满足预测要求的学习次数最少，神经元在5达输入层的过程。次达到一个最低值，所以本文使用隐含节数为5个。在实际应用过程中，“顺向传播”和“逆向传播”总是反复交替表2预测样本预测结果训练，以达到与期望误差的最小化。组号12345678910预测值69.0468.7257.4759.8970.2663.464.1664.1675.1968.143BP人工神经网络的混凝土强度预测模型（MPa）真实值本文为避免其他因素的干扰，模型的基本参数为湿度和温度70.8764.0164.0157.9

7、260.7871.0964.9362.8473.5766.88（MPa）为自然养护，养护龄期取为28d。施工方法机械搅拌机搅拌3分误差1.834.711.740.450.890.831.531.321.621.26钟，坍落度为30~50mm之间。选混凝土配置过程中影响强度的根据这个学习结果，在一个实际楼宇的验证结果为：用水量、原料因素作为神经网络输入参数。这些参数分别为是：用水量、砂用量、水泥用量和石用量分别为162，525，604，1084，预测值为砂用量、水泥用量和石用量，输出参数为混凝土28d后的强度。72.71，实际值为71.97，误差为0.74，

8、所以得出BP神经系统对混选取实际存在的数据中的前10组作为学习样本