混杂纤维混凝土冻融后损伤值预测

混杂纤维混凝土受冻融作用后的损伤值受多种因素的影响,现阶段难以建立各影响因素与损伤值之间的数学模型。通过神经网络的自适应、自学习和非线性映射,可以建立以影响因素为输入变量、以损伤值为输出变量之间的非线性关系。采用相关试验数据,基于MATLAB软件建立AdaBoost-BP和BP神经网络预测模型,利用这两种预测模型对混杂纤维混凝土受冻融作用后的损伤值进行了预测,并将各自的预测值和实测值进行了对比分析。结果表明:AdaBoost-BP神经网络的预测精度较BP神经网络的预测精度更高,该模型为工程上研究混杂纤维混凝土受冻融循环损伤后的损伤程度提供了新方法。     

三种神经网络在混凝土强度预测中的应用

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。     

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.     

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。     

双掺粉煤灰和矿渣混凝土强度的BP网络预测模型

双掺粉煤灰和矿渣混凝土的强度发展机理复杂,不能用传统的水灰比线性函数来预测,利用BP神经网络模型来预测其3、28和56d的抗压强度.结果表明:BP神经网络具有较强的非线性映射能力,预测结果比较理想,可以指导实际工程;早龄期的混凝土强度预测值与实测值之间的误差较大,随着粉煤灰和矿渣的二次水化反应逐渐充分,强度发展趋于规律化,预测误差相应变小.     

基于BP和GA-BP神经网络的混凝土抗压强度预测研究

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。     

施工期混凝土材料特性对其结构耐久性能影响研究

混凝土耐久性受到许多不确定性因素的影响。基于RBF神经网络结构具有自适应确定性,输出值与初始权值无关的优点,根据影响施工期混凝土材料特性耐久性主要因素,建立了相应的混凝土裂缝深度预测模型。根据已有的试验数据,利用MATLAB数学软件实现了对该模型的训练。利用训练好的模型进行混凝土裂缝深度预测。预测结果表明,预测值与实测值误差相对较小,在允许范围内,所以RBF神经网络预测根据施工期混凝土材料特性能够实现碳化混凝土裂缝深度在实际工程中的预测。     

基于BP神经网络的自密实清水混凝土性能预测研究

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。     

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。     

聚丙烯纤维与多孔吸声材料体系性能关系的人工神经网络

本文利用MATLAB设计了BP神经网络预测系统，建立了聚丙烯纤维的长度和掺量与多孔吸声材料体系机械强度和吸声性能的复杂的非线性关系，用已有试验数据进行检验，结果表明：预测值与实测值非常接近。说明该BP神经网络模型在本研究系统的建立是成功的，它从一些杂乱无章的数据中找出了隐含其中的规律，能较好地解决材料综合性能预测、纤维使用的优化设计等问题。     

基于支持向量机的有机成膜涂层混凝土碳化深度预测模型

为研究有机成膜涂层混凝土碳化深度与其影响因素之间的高维非线性问题,采用以水灰比、用水量、水泥用量、涂层类别、老化时间、温度、相对湿度为影响因素进行的有机成膜涂层混凝土碳化试验测得的数据,运用支持向量机算法建立涂层混凝土碳化深度预测模型,将试验值与预测值对比,结果表明,该模型有较好的预测精度。并将预测结果与传统的BP神经网络预测模型对比,结果显示,支持向量机预测模型的误差更小,回归拟合效果更佳,可应用于有机成膜涂层混凝土碳化深度的预测。在此基础上,对影响因素进行敏感性分析,计算影响因素变化率与涂层混凝土碳化深度变化率之间的定量关系,从而找出影响因素敏感性程度排序,为有效防护涂层混凝土碳化提供一定参考。     

基于多元非线性分析的混凝土强度预测模型

为了预测粉煤灰混凝土的强度,针对混凝土中强度影响因素的非线性特性,建立了粉煤灰掺量、水胶比、砂率和含气量与强度间的多元非线性模型。运用MATLAB中非线性命令nlinfit求解模型中的各项参数,得出多元非线性回归方程,使用该回归方程对混凝土强度进行预测。结果表明:昆仑山中热水泥混凝土强度预测值与试验值的相对误差绝对值最大为1.67%,昆仑山普通硅酸盐水泥混凝土强度预测值与试验值的相对误差绝对值最大为2.90%,表明此模型预测精度较理想,对工程应用具有一定的参考价值。     

基于多元回归统计下的BFRP筋-混凝土粘结性能研究

玄武岩纤维复合(BFRP)筋替代混凝土结构中的钢筋是解决传统混凝土结构中钢筋锈蚀问题的重要方法。本文通过对拉拔试验的统计分析发现,粘结强度的影响因素不能用单因素准确表达。随着混凝土抗压强度的提高,BFRP筋与混凝土的粘结强度会有一定的提升,且平均粘结强度与相对保护层厚度成正相关,随着相对保护层厚度的增加,粘结强度的增幅放缓。基于多元统计下的平均粘结强度与诸因素之间的统计规律,发现了非线性统计方法与试验结果更为吻合,增加的拟合参量越多,模型的预测精度越高,敏感因素为混凝土抗压强度、水灰比以及BFRP筋的拉伸强度。并利用BP神经网络模型对粘结强度进行了预测,平均误差为8.9%,满足工程使用的要求,为BFRP筋-混凝土粘结强度的预测提供了方法与依据。     

混凝土早期弹性模量的预测RBF模型

混凝土的早期弹性模量对施工的进度和工程的可靠度有重要的影响。借鉴RBF神经网络具有很强的非线性映射功能,在测定混凝土早期强度的基础上利用RBF神经网络对其弹性模量进行预测。讨论了RBF神经网络的拓扑结构和修正算法。通过对检验结果进行分析比较,证明了利用RBF网络能对混凝土早期的弹性模量进行精确的预测。     

高强混凝土强度预测人工智能方法及应用

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。     

基于BP神经网络的既有建筑混凝土强度预测

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。     

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明：所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致...     

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。     

纤维再生混凝土基本力学性能研究

以强度等级、骨料取代率和混杂纤维为变量,研究纤维再生混凝土的各项力学性能,同时分析了破坏形态。试验结果表明,纤维再生混凝土试件的破坏形态与普通混凝土相似;强度等级对立方体抗压强度影响较大,但对劈裂抗拉强度和轴心抗压强度影响不大;再生骨料由于本身的缺陷对再生混凝土强度有降低的影响;因为纤维良好的抗拉强度和延性,所以加入混杂纤维可以明显提高再生混凝土强度,但当掺量过多时,纤维的分布不均匀,反而影响了其发挥有效的作用;通过非线性拟合得出其强度换算公式。