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。     

混凝土强度预测和模拟的智能化方法

早期获得混凝土28d抗压强度值,对于提高工程质量和加快施工进度具有十分重要的意义。本文在国内外早期推定混凝土强度方法的基础上,提出一种基于人工智能的新的预测办法,建立了多层前馈神经网络模型,实现了从新拌混凝土的组份及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对大量试验数据的学习,智能系统可以早期预测混凝土28d抗压强度。此外,本文还应用该智能系统模拟分析混凝土成份的质和量的变化对其抗压强度的影响,得到的结果符合已知的混凝土强度变化的某些规律,表明系统具有较高的精度和较强的泛化能力。     

基于神经网络的供热计量系统热负荷短期预测

针对实行热计量后热负荷变化的特点，采用神经网络中应用最广泛的BP网络对热负荷进行预测，利用MATLAB仿真程序对所建立的人工神经网络负荷预测模型进行验证，仿真误差为6．93％，满足工程需要。     

基于BP神经网络的改性废灰砖强度预测

在分析改性废灰砖强度影响因素的基础上，选取改性废灰砖配料中的5个因素作为输入值，以改性废灰砖28d强度作为输出值，建立改性废灰砖强度的预测的BP神经网络模型，结果表明，该模型预测强度高，可以用来对改性废灰砖强度进行预测。     

神经网络在高性能混凝土强度预报及优化设计中的应用

本文首先介绍了神经网络中应用最为成熟广泛的BP网络的模型及其学习算法 ,并简单对比介绍了RBF网络。然后将其用于长江三峡高性能混凝土强度预报及优化设计中 ,并与线性回归进行了对比 ,结果表明神经网络方法是一种可以定量分析、简便易行并具有较高精度的预报方法 ,在混凝土性能预报和优化设计中具有广阔的应用前景。     

混凝土强度预测的人工智能方法

针对混凝土强度预测中存在的问题,提出了一种人工智能模型——人工神经网络预测方法,用人工神经网络对16种配比的混凝土进行了28 d强度预测,结果表明该模型可靠度很高,可用于优化混凝土的试配,从而节约大量的人力、物力和时间。     

基于RBF神经网络方法的混凝土强度预测

在分析普通混凝土强度各影响因素的基础上,选取6个影响因素组成输入层,以混凝土28 d强度作为输出,建立径向基函数网络,经网络训练和仿真结果对比,表明所建网络结构合理、收敛速度快、精度高,可以满足普通混凝土强度预测要求,具有广泛的应用前景。     

人工神经网络在混凝土强度预测中的应用

混凝土强度是结构设计中控制的主要指标,其数值决定于水灰比、胶凝材料用量、外加剂用量等多种因素。常规计算混凝土强度的公式因个人理解的不同而各异,一种仿生模型—人工神经网络则能很好地解决这个难题。尝试用人工神经网络对16种配比的混凝土进行28d强度预测,结果表明,此模型的可靠度很高,可以用以优化混凝土的试配,节约大量的时间、人力、物力和财力。     

神经网络法在混凝土强度研究中的应用

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。     

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．     

钢-混凝土粘结预测的人工神经网络模型

提出人工神经网络模型来模拟传统的带肋钢筋和混凝土之间的粘结性能,目的是预测钢筋从混凝土混合物中拔出的极限荷载(第一神经网络模型)或抗压强度(第二神经网络)以及根据RILEM试验设计的不同钢筋直径的拔出极限荷载。采用112个带肋钢筋(直径为10mm、12mm)以及三种不同混凝土配合比的拔出试验结果数据库,对神经网络模型进行训练。根据反向传播算法,进行多层感知器训练。第一个模型(ANN-6)有6个输入:钢筋直径、水灰比、砂石比、级配、水泥种类和混凝土龄期。第二个模型(ANN-2)有2个输入:钢筋直径、混凝土抗压强度,两个模型的输出均为极限拔出荷载。研究结果显示:所采用的模型预测精度高、误差低、具有鲁棒性。从鲁棒性方面,第一个模型(ANN-6)比第二个模型(ANN-2)更精确。将混凝土的成分作为输入参数,而不是混凝土的强度,对于带肋钢筋-混凝土界面的局部现象更具代表性。     

用神经网络方法预测新老混凝土的粘结强度

对新老混凝土粘结的微观机理进行了分析,认为新老混凝土粘结层呈叠层结构,老混凝土的洇水、老混凝土粘结面上粗骨料周围所形成的“过渡层”及新混凝土收缩微裂缝足,从而使新老混凝土的粘结强度得到提高;采用BP神经网络方法对新老混凝土粘结劈拉强度及粘结抗折强度进行了预测,对预测模型的精度和预测值的合理性也给予了必要的分析,由此证明神经网络法是解决新老混凝土粘结强度预测问题的一种较为理想之法。     

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。     

砂土液化预测的人工神经网络模型

本文根据人工神经网络的一典型模型-反向传播模型,以及地震荷载下的各项土的物理-力学参数,建立了土液化类型的神经网络数学模型。研究表明,人工神经网络方法性能良好,可望成为砂土液化预测的有效手段。     

基于ANN的岩土体热阻系数预测模型研究

为准确预测土体热阻系数,通过室内热探针测试与数据分析,简要分析了含水量、干密度、矿物成分和颗粒形态等因素对土体热传导特性的影响,利用人工神经网络(ANN)技术,建立了计算土体热阻系数的预测模型,并与传统经验关系模型进行对比,明确所提计算模型的可靠性与优越性.结果表明:土体传热性能受众多因素影响,其热阻系数难以准确估算,基于ANN的计算模型可以较好地解决这一问题;以含水量和干密度为输入参数的单个模型适用于特定类型土体,而4个输入参数(含水量、干密度、黏粒含量和石英含量)的广义模型不受此限制,增加相关输入参数可有效保证模型计算结果的精确度;单个模型和广义模型的计算结果与实测结果吻合良好,预测能力均显著优于传统经验关系模型;对于工程性质差异显著、沉积环境复杂的不同类型土体,建议优先选用广义模型来估算其热阻系数.     

基于BP神经网络的堆肥物料抗剪强度预测模型

针对目前传统方式采集堆肥物料抗剪强度数据过程中环境恶劣、数据采集困难、试验误差大等问题,提出一种基于BP神经网络的抗剪强度预测模型。通过现场试验得到堆肥物料抗剪强度和堆体高度、温度、含水率、密度等参数共39组有效数据,以其中35组作为训练样本,其余4组用于评价模型的预测性能。结果表明,该模型预测值与实测值的平均误差为11. 35%,基于BP神经网络的抗剪强度预测模型具有较高的预测精度,为抗剪强度的预测提供了一种新方法。     

普通混凝土强度预测的双并联前向神经网络模型

为了预测混凝土强度,在分析普通混凝土的28d强度的影响基础上,建立了混凝土强度预测的双并联前向神经网络模型。介绍了双并联前向神经网络模型的计算过程厦其学习方法。通过编程用计算机对混凝土强度预测进行了仿真模拟,结果与鲍罗米公式计算蛄果比较表明预测精度高,模型可靠。通过与BP网络模型比较发现双并联前向神经网络模型具有更好的收敛效果。