基于BP神经网络的铁路桥梁混凝土工程造价模型

为了提高工程造价估算精准度,以铁路桥梁混凝土工程为例,利用SPSS软件,统计各项因子之间的相关性,确定工程造价模型的重要影响因子.依据BP神经网络基本原理,构建此类工程造价模型.应用结果表明,本模型能够较为精准地仿真输出工程造价结果,可作为工程造价参考依据.     

基于神经网络的植生型多孔混凝土抗压强度预测模型

分析了影响植生型多孔混凝土抗压强度的主要因素,选取目标孔隙率、水胶比、胶凝材料用量、粗骨料用量、水用量、粗骨料平均粒径、粗骨料比表面积、粗骨料堆积孔隙率及浆骨比作为植生型多孔混凝土抗压强度的影响指标,分别建立了BP多层前馈神经网络预测模型和采用遗传算法优化的BP神经网络预测模型(GA-BP).收集国内外文献中146组植生型多孔混凝土试验数据,以其中116组数据作为训练样本,并采用其余30组数据作为试验样本与BP、GA-BP神经网络模型预测值、线性回归方程抗压强度计算值进行比较分析,结果表明:BP、GA-BP神经网络模型计算精度与离散性更优,且较线性回归方程计算结果更接近于样本试验值,更能够准确地预测多孔混凝土的抗压强度值.     

型钢高强混凝土框架柱位移延性系数研究

基于80根混凝土设计强度等级为C60—C80的型钢高强混凝土(SRHSC)框架柱的低周反复加载试验结果,对其位移延性系数进行研究。基于MATLAB利用人工神经网络原理建立4-6-1型BP神经网络模型,分析了混凝土强度、轴压比、体积配箍率和剪跨比等试验设计参数对SRHSC框架柱位移延性的影响规律和机理。结合各因素对SRHSC框架柱位移延性的影响规律,建立位移延性系数计算模型。通过对试验数据和网络预测数据进行多元非线性回归分析,得到考虑多影响因素的SRHSC框架柱位移延性系数经验公式。研究成果可为SRHSC框架柱的抗震与优化设计提供参考。     

基于神经网络的混凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。     

基于神经网络的混凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型：BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。     

基于神经网络的温凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射.通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度.另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力.     

高强混凝土强度预测的支持向量机模型及应用

高强混凝土的强度受多种因素的影响,其强度的预测是一个动态性的系统工程。采用支持向量机理论,建立了高强混凝土的强度预测的支持向量机预测模型。并将该模型计算结果与实测混凝土28 d抗压强度、BP网络计算的强度、RBF径向基函数神经网络计算的强度、线性回归模型计算的强度、非线性回归模型计算的强度进行比较。研究表明:预测结果与实测结果吻合较好,较线性回归和神经网络预测精度高,为高强混凝土的强度预测提供了一条新途径。     

基于BP网络的碳纤维混凝土强度研究

介绍了应用均匀设计理论设计碳纤维混凝土配方的方法,通过所得到的试验数据,运用人工神经网络(ANN)的方法预测碳纤维混凝土抗压强度和劈裂抗拉强度;阐述了采用BP算法建立碳纤维混凝土抗压强度神经网络模型的过程,仿真结果表明,BP网络可成功地建立非线性的强度模型,预测强度可达到较高精度。     

粗粒土BP神经网络本构模型研究

为了描述具有应力应变关系非线性和剪胀性的粗粒土本构特性,利用改进的BP神经网络算法,通过优选网络结构和对粗粒土的大型三轴固结排水剪试验数据样本学习,建立了一个以平均主应力p和广义剪应力q作为网络输入向量、以体应变εv和剪应变εs作为网络输出向量的粗粒土BP神经网络本构模型。利用此模型对粗粒土的应力应变关系进行了预测,整体预测结果的最大误差均在10%内。预测表明本神经网络模型具有良好的预测精度和适用性。     

基于小波分析和神经网络的静力触探土类划分

利用小波分析和BP神经网络,建立一种用于基于静力触探数据进行土类划分的神经网络模型。该方法基于实测数据,利用小波分析获得不同土层触探参数的特征值,并用BP神经网络建立特征值与土类之间的映射关系,从而得到BP神经网络分类模型。结果表明,该方法可以有效地进行土类划分。     

基于BP网络的自密实混凝土配合比设计

原材料性能的波动对自密实混凝土性能影响很大,把水泥强度、砂石含泥量、砂石细度模数、石子的最大粒径、石子针片状含量、粉煤灰细度和粉煤灰烧失量这些原材料性能参数作为BP网络的输入,以对应的优化配合比作为网络的输出,用网络结构描述它们之间的非线性关系。利用正交试验数据样本完成了网络的训练并进行检验,计算结果表明,利用正交试验数据样本训练的BP网络可以预测不同情况下的配合比,预测精度高,完全可以代替繁重的实验室配合比设计。应用该技术可实现自密实混凝土配合比的实时优化,对控制自密混凝土的生产质量具有重要意义。     

自密实混凝土工作性能和强度的BP神经网络预测

如何在进行自密实混凝土配合比设计前对其工作性能和强度进行有效预测,为配合比设计提供指导,是一大难点。利用BP神经网络,对自密实混凝土的工作性能(坍落度和扩展度)和28 d强度进行预测。结果表明,利用大量试验数据样本训练的BP网络可以预测不同情况下的自密实混凝土的坍落度、扩展度和28 d强度,预测精度高。     

自密实混凝土工作性能和强度的BP神经网络预测

如何在进行自密实混凝土配合比设计前对其工作性能和强度进行有效预测,为配合比设计提供指导,是一大难点。本文利用BP神经网络,对自密实混凝土的工作性能(坍落度和扩展度)和28d强度进行预测。结果表明,利用大量试验数据样本训练的BP网络可以预测不同情况下的自密实混凝土的坍落度、扩展度和28d强度,预测精度高。     

基于BP网络响应面的海水侵蚀混凝土强度可靠性分析和耐久性评价

提出了基于神经网络与响应面法相结合的结构可靠度计算的几何分析方法 ,通过得出的可靠指标对受海水侵蚀混凝土进行了耐久性评价。数值试验表明 ,该方法建立的神经网络模型可以很好地拟合真实的极限状态函数 ,在混凝土耐久性评价中具有广阔的应用前景     

基于性价比优化的混凝土配方设计模型

收集了502组混凝土配方作为训练数据,基于BP神经网络、遗传算法及粒子群算法,构建了一种混凝土配方设计模型,可用于控制混凝土成本和配方优化.所构建的模型考虑了混凝土的原材料成本以及影响混凝土抗压强度的多个关键因素,引入惩罚函数对粒子群算法的目标函数适应度值进行惩罚,解决了混凝土配方设计中非线性约束离散变量问题和连续变量问题,从而达到控制混凝土成本并优化配方的目标.按照构建模型输出27组降低成本后的混凝土配方,并进行抗压强度试验,结果表明：所得配方成本与目标成本的契合度接近97%;降低混凝土单方成本5、10、15元后,所输出的配方均能满足混凝土立方体抗压强度要求.     

基于不同算法的道路混凝土干缩神经网络预测

针对多种因素下道路混凝土干缩预测模型难以建立的难题,基于BP神经网络理论建立了干缩预测模型.结果表明：BP神经网络预测道路混凝土干缩可获得较高准确度,且具有良好的泛化能力,在5种算法中,Trainlm训练速度快,但误差大,Traingda函数训练速度居中,误差最小,用其训练的神经网络可很好映射道路混凝土配合比与干缩率之间的非线性关系.     

基于人工神经网络的混凝土抗压强度预测方法

在给出混凝土等效水灰比和骨料平均浆体厚度计算方法的基础上，采用人工神经网络方法，建立了混凝土28d抗压强度与混凝土等效水灰比、骨料平均浆体厚度和粉煤灰与胶凝材料用量比之间的非线性映射关系．该研究成果可减少混凝土试配次数，节约大量人力、物力和时间，并为高体积稳定性混凝土配合比设计方法的研究进一步奠定了基础．     

BP网络预测再生混凝土性能研究

利用BP神经网络模型,对再生混凝土强度及工作性能的预测方法进行了探讨。根据再生混凝土的特殊性,找出影响其强度和坍落度、保水性的主要因素,对试验中通过主观观察得到的数据进行量化,在此基础上建立预测其强度和工作性能的BP神经网络模型,针对所建模型,输入一定量的实测数据样本,对网络进行训练。为了验证训练好的网络的推广性能,用预留的一组试验数据进行仿真训练的效率和误差及仿真计算的结果表明,采用优化的BP网络模型及合适的样本参数训练出的预测系统对再生混凝土的强度及工作性能进行预测是可行的。     

基于神经网络的连续刚构桥施工线形控制参数预测研究

结合白果渡嘉陵江大桥施工线形控制的具体实践,采用BP神经网络进行连续刚构桥施工线形控制中的参数识别及预测工作。基于影响桥梁线形主要参数的截面尺寸、距离及标高建立神经网络系统,并对其进行计算训练样本、训练神经网络和网络仿真分析。运用神经网络仿真分析进行连续刚构桥施工线形的具体方法是,先计算当前施工状态的标高,再预测下一节段的标高。经过往复循环,逐一进行节段预测调整,从而指导连续刚构桥顺利施工。网络学习及仿真预测结果表明:该法对数据的处理及预测,在操作简单的基础上,分析结果具有较高的精度。该结论可推广到采用悬臂法施工的连续梁桥、拱桥、斜拉桥等桥型的施工线形控制工作及研究。