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。     

粗骨料(卵石)对自密实混凝土性能影响试验研究

自密实混凝土粗骨料的要求不同于普通混凝土,粗骨料的粒形和级配是衡量粗骨料性能的主要指标。通过人工筛选粗骨料,以粗骨料形状指数和颗粒级配为变量,保证配合比中其他条件相同,配制自密实混凝土,测定坍落度、扩展度、T50时间和V型漏斗流出时间以及7 d强度和28 d强度。试验结果表明:自密实混凝土工作性能、强度不会随着形状指数的增长而规律性增长;相对来说形状指数对工作性能的影响要大于对强度的影响,颗粒级配对强度的影响要大于对工作性能的影响;形状指数和颗粒级配对7 d抗压强度的影响要略大于对28 d强度的影响。基于该试验条件及配合比,当形状指数为0.348,颗粒级配中大石子所占比例为50%时,自密实混凝土的工作性能和力学性能均最佳。     

C40自密实再生混凝土配合比设计

采用再生粗骨料对C40自密实再生混凝土的配合比进行了设计,并测试了新拌混凝土的性能和28天立方体抗压强度。结果表明,C40自密实再生混凝土的浆体体积介于0.352～0.414m3/m3、砂率为50%左右时,对应新拌混凝土的坍落度和坍落度扩展度范围分别为233～245mm和567～612mm,新拌混凝土的流动性、粘聚性和保水性均较好。C40自密实再生混凝土的立方体抗压强度介于38.3～46.2MPa,满足C40混凝土强度要求,表明采用再生粗骨料可以配制出工作性能良好、强度符合要求的C40自密实再生混凝土。     

一种新型混杂钢纤维增强自密实混凝土的配合比设计方法

进行了一种新型混杂钢纤维增强自密实混凝土的配合比设计方法研究.首先以净浆流动度为指标,优选出1组符合要求的净浆配合比;然后根据包裹在钢纤维及砂颗粒表面的平均裹浆厚度(ATPL)以及砂纤比,优选出力学性能和工作性能符合要求的配合比.采用该配合比设计方法可以配制出坍落度大于260mm,扩展度大于550mm,纤维总体积分数为1.50%的具有自密实工作性能的混凝土.经28d标准养护,其抗压强度最高可达114.5MPa,抗弯强度可达18.8MPa.     

C20超流态机制砂自密实混凝土的制备及性能研究

本文根据机制砂自密实块片石混凝土施工工艺及工程现场施工条件需求,提出了超流态机制砂自密实混凝土的性能评价方法及性能指标,研究了水胶比、砂率、粉煤灰掺量、胶材总量、聚羧酸减水剂种类和掺量等配合比参数对超流态自密实混凝土性能的影响。配制出初始坍落度(270±20)mm、坍落扩展度大于650mm、倒流扩展度不小于500mm、倒坍落度筒流出时间不大于6s、28d强度大于25MPa的C20超流态机制砂自密实混凝土。     

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。     

C70自密实混凝土性能研究

本文研究了C70自密实混凝土的工作性能、力学性能及耐久性能。所配制的自密实混凝土初始坍落度260mm、扩展度690mm、倒坍时间9.2s、U型槽填充高度330mm,可以满足自密实的要求,2h坍落度无损失;28d抗压强度达到104.8MPa;所配制的混凝土抗渗性能良好、抗Cl-渗透性能良好,28d收缩值比普通混凝土小23.8%,各龄期抗碳化性能良好。     

早强微膨胀自密实混凝土试验研究

利用本地原材料,通过掺加磨细粉煤灰、膨胀剂、早强剂和减水剂配制早强自密实混凝土.试验结果表明:混凝土拌合物的坍落度、扩展度能满足自密实性能要求,早期抗压、劈拉强度达到自密实混凝土的设计指标.     

高强超高层泵送混凝土配合比设计研究

用兰州地区原材料初步配制出高强超高层泵送混凝土的4种配合比,通过试验利用坍落度、坍落扩展度、坍落扩展度与J环扩展度差值、坍落度经时损失值及7、28 d抗压强度值综合评价混凝土的泵送性能和强度发展,找出了一种满足本工程所需的高强超高层泵送混凝土。结果表明:混凝土坍落度和坍落扩展度辅以坍落度经时损失及坍落扩展度与J环扩展度差值能够很好地评价高强超高层泵送混凝土的泵送性能,用这些指标评价所得到混凝土配合比运用到工程实践中成功解决了高强混凝土黏聚性与可泵性、扩展度与坍落度泵送经时损失问题。     

自密实再生混凝土配合比设计与试验研究

设计C30自密实再生混凝土的配合比并对其力学性能进行试验研究。通过试验数据,分析龄期、减水剂掺量和再生骨料取代率对自密实再生混凝土坍落度、抗压强度的影响,结果表明,自密实再生混凝土28 d后达到C30试配强度,56 d后超过配制强度的43%。减水剂最佳掺量和再生骨料的最佳取代率分别为3%和40%。     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。     

Prediction of compressive strength of SCC and HPC with high volume fly ash using ANN

An artificial neural network (ANN) is presented to predict a 28-day compressive strength of a normal and high strength self compacting concrete (SCC) and high performance concrete (HPC) with high volume fly ash. The ANN is trained by the data available in literature on normal volume fly ash because data on SCC with high volume fly ash is not available in sufficient quantity. Further, while predicting the strength of HPC the same data meant for SCC has been used to train in order to economise on computational effort. The compressive strengths of SCC and HPC as well as slump flow of SCC estimated by the proposed neural network are validated by experimental results.     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

基于BP网络的隧道围岩位移预测方法

介绍人工神经网络模型法的基本原理与步骤,探讨了隧道围岩收敛监测数据与人工神经网络间的联系,并建立了基于人工神经网络的隧道围岩收敛预报模型。以工程实例为背景,对隧道围岩的收敛变形进行预报分析。研究结果表明:BP网络预测值与实测值吻合程度很好,完全满足工程及控制的要求。     

改进BP神经网络及其在西北建筑业预测中的应用

BP神经网络是分析处理复杂非线性问题的一种有效方法,是目前广泛应用的一种神经网络,已被逐渐应用于对宏观经济问题的研究中。本文有机地整合了计量经济学与BP神经网络,建立了基于因果关系理论来确定BP网络的输入变量,基于协整理论来分析BP网络系统的可靠性,基于学习率可变的动量BP算法的用于研究经济领域问题的改进BP神经网络预测模型,加强了网络模型的理论基础,提高了网络模型的质量,并将其应用于西北建筑业的预测和控制中,取得了令人满意的效果。     

粒子群神经网络在大跨钢结构挠度监测中的应用

针对传统BP神经网络拓扑结构不确定、收敛效率低、容易陷入局部最优解的缺陷,引入粒子群(PSO)算法替代BP神经网络中基于误差函数梯度下降的学习训练规则,构建了粒子群神经网络(PSO-BP)模型,并以重庆某大型场馆安全监测项目为例,通过对比分析验证了粒子群神经网络模型在大跨钢结构挠度监测中的可行性以及与传统BP神经网络模型相比在效率和精度方面的优越性。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP 神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP 神经网络的初始权重和阈值进行优化,提出了一种基于GA 优化BP 神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO 浓度进行数据融合实现火灾探测。研究显示,相较单纯BP 神经网络,经GA 优化的BP 神经网络火灾探测算法能够更快速精确地实现火灾探测,探测精度有显著改善,火灾识别准确率提高至98.84%。     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。