共查询到20条相似文献,搜索用时 62 毫秒
1.
基于神经网络的混凝土强度预测 总被引:1,自引:0,他引:1
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。 相似文献
2.
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. 相似文献
3.
神经网络法在混凝土强度研究中的应用 总被引:8,自引:1,他引:7
讨论了如何应用人工神经网络(ANN)的方法预测混凝土抗压强度,详细论述了采用BP算法建立混凝土抗压强度神经网络模型的过程,以及在活化剂作用下高掺量粉煤灰混凝土的强度效应,仿真结果表明,通过学习,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。 相似文献
4.
5.
6.
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。 相似文献
7.
通过建立改进的BP和RBF两种神经网络模型,对混凝土的强度进行预测,将预测值与常规BP神经网络模型预测结果进行了比较,研究表明,改进的BP和RBF的神经网络模型能够充分考虑影响混凝土强度的各种因素,在强度预测中具有广泛的应用前景。 相似文献
8.
由于影响混凝土抗压强度的因素众多,且抗压强度与各影响因素之间的关系是一种复杂的非线性问题,采用了机器学习的方法较好地对混凝土抗压强度做出预测,研究采用BP和GA-BP两种神经网络分别对混凝土28 d抗压强度进行预测并进行分析,其中输入层的参数为水泥、炉渣、粉煤灰、水、减水剂、粗骨料和细骨料的用量。结果表明:与BP神经网络式相比,GA-BP神经网络预测值与实测值更为吻合,平均误差率减少了43%,有更好的预测能力。同时研究采用灰色关联算法对输入层进行敏感性分析,表明粗骨料用量的改变对28 d混凝土抗压强度的影响最大,并且在输入层删除敏感性较低的参数后,神经网络的预测效果有进一步提高。研究还通过GA-BP神经网络寻最优值对当混凝土强度达到最大值时,输入层各影响因素的数值进行了预测,为混凝土的抗压强度预测和配合比设计提供了分析方法且该神经网络对试验有较好的导向作用。 相似文献
9.
高强混凝土强度预测的支持向量机模型及应用 总被引:1,自引:1,他引:0
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。 相似文献
10.
11.
12.
13.
14.
15.
《混凝土与水泥制品》2015,(12)
为研究钢纤维页岩陶粒混凝土在台风、海浪和地震等动荷载作用下的动力学性能,制备了5种不同钢纤维掺量的钢纤维页岩陶粒混凝土试件进行静态抗压试验和SHPB单轴冲击试验,分析了3种冲击气压下材料的应变率效应和钢纤维体积掺量对动态抗压强度的影响,并用BP神经网络模型预测了动态抗压强度。结果表明,材料的应变率效应主要体现在增强效果上;不同应变率会影响钢纤维掺量对动态抗压强度的增幅,其中低应变率下增幅最大;BP神经网络模型对钢纤维掺量较小的试验组动态抗压强度预测较准确。 相似文献
16.
基于BP神经网络的既有建筑混凝土强度预测 总被引:1,自引:0,他引:1
在分析检测数据的基础上,提取了结构服役时间、结构建造时间、结构检测时间、混凝土设计强度和混凝土碳化深度等特征参数,建立了预测既有建筑混凝土强度退化的人工神经网络模型。采用动量法和自适应调整法改进了BP算法;采用训练好的BP神经网络对既有混凝土强度最小值和混凝土强度最大值进行了预测,并与实测值进行了对比。结果表明:利用BP神经网络对既有建筑混凝土强度退化进行预测是可行的,该研究成果可为既有建筑大面积的抗震性能普查提供参考。 相似文献
17.
针对自密实清水混凝土试验周期长、表观性能影响因素多等问题,应用BP神经网络对其性能预测,有效减少试验量,快速找出外加剂最优掺量。基于BP神经网络卓越的非线性处理功能,将减水剂、消泡剂、引气剂、坍落度作为输入变量,自密实清水混凝土的7 d抗压强度、扩展度、气孔面积、色差作为输出变量,建立含有2层隐含层的BP神经网络模型,利用试验所得12组数据,预测自密实清水混凝土的性能,将预测值与试验值进行比较,确保模型高精确度。结果表明:神经网络模型预测结果良好,强度预测的相对误差最高达到10.8%,其余均在10%以下,其中第11组的混凝土性能最优,预测与实际结果相吻合。 相似文献
18.
高强混凝土强度预测人工智能方法及应用 总被引:2,自引:1,他引:1
高强混凝土的强度预测是一个动态性可变复杂问题,受各种因素的影响。采用多种智能方法,建立了高强混凝土的强度预测的遗传算法与神经网络的集成模型。并将该模型计算结果与实测混凝土28 d抗压强度,RBF径向基函数神经网络计算的强度,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方法。 相似文献
19.
20.
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. 相似文献