基于RBF神经网络的混杂纤维混凝土强度预测

针对混杂纤维混凝土强度受多种因素影响,强度与各影响因素之间关系为复杂的非线性问题,通过人工神经网络的自适应、自学习和非线性映射,可以找到以影响因素为输入变量、以混杂纤维混凝土强度为输出变量之间的非线性关系,在文献试验实测值的基础上采用MATLAB神经网络工具箱建立了四个三层RBF和BP神经网络模型,采用所建立的RBF和BP神经网络对混杂纤维混凝土的抗拉强度和抗折强度分别进行预测,并将各自的预测值和实测值进行了对比分析。结果表明:RBF神经网络预测值与试验实测值吻合良好,较之BP神经网络有更高的强度预测能力,该方法可行且预测精度满足工程需要,为工程上研究混杂纤维混凝土强度提供了新方法。     

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.     

神经网络在高强粉煤灰混凝土强度预测及优化设计中的应用

首先介绍了神经网络应用中使用最为广泛的BP网络和RBF网络的模型及其学习算法，然后将其用于高强粉煤灰混凝土的强度预测和优化设计，并与线性回归进行了对比，结果表明神经网络方法具有较高的预测精度，在混凝土性能预测和优化设计中具有广阔的应用前景。     

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。     

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。     

混凝土强度预测的ABPM算法网络模型

传统BP算法预测混凝土强度时,收敛速度慢,易陷入局部最小,影响预测的结果。使用ABPM算法对传统BP神经网络法进行改进,提高了混凝土强度预测的精度。     

SPSS,BP神经网络及ANFIS在透水性混凝土性能预测中的应用

利用SPSS统计分析软件及建立BP和ANFIS两种神经网络模型,对透水性混凝土的性能进行预测,将3种模型的预测结果进行了比较,研究表明,BP和ANFIS神经网络模型由于综合考虑了影响混凝土强度的各种因素,能够实现非线性关系,具有较高的预测精度,在透水性混凝土性能预测中具有广阔的应用前景.     

Failure Criterion of Concrete under Triaxial Stresses Using Neural Networks

A neural network approach to model the strength of concrete under triaxial stresses is presented in this paper. A radial basis function neural network (RBFNN) and a backpropagation neural network (BPNN) are used for training and testing the experimental data in order to acquire the failure criterion of concrete strength. Unlike the traditional regression analyses where the explicit forms of the equation must be defined first, the neural network approach provides a general form of strength envelope. The study shows that the RBFNN model provides better prediction than the BPNN model. Parametric studies on both models are carried out to find the best neural network structure. Finally, a comparison study between the neural network model and two regression models is made.     

基于LS-SVM的粉煤灰混凝土强度预测模型

提出一种基于最小二乘支持向量机(LS-SVM)的粉煤灰混凝土强度智能预测模型,并给出了相应的步骤和算法。通过该模型分析了水胶比、水泥用量、粉煤灰替代率及砂率等因素对粉煤灰混凝土强度的影响。在此基础上,对不同配比所浇注的混凝土强度进行预测,有助于准确认识混凝土强度随配比参数的变化规律。与多元线性回归、神经网络及标准SVM模型比较,该模型的优点为:(1)采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型小样本泛化能力;(2)将迭代学习算法转换为求解线性方程组,使得整个模型仅有一个全局最优点,解决局部最小问题;(3)用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,有效提高建模速度。用该模型对混凝土的强度预测实例表明,其建模速度比标准SVM高近1个数量级,预测误差仅为SVM方法的20%、BP神经网络方法的10%左右。     

A comparative study on the application of various artificial neural networks to simultaneous prediction of rock fragmentation and backbreak

In blasting operation, the aim is to achieve proper fragmentation and to avoid undesirable events such as backbreak. Therefore, predicting rock fragmentation and backbreak is very important to arrive at a technically and economically successful outcome. Since many parameters affect the blasting results in a complicated mechanism, employment of robust methods such as artificial neural network may be very useful. In this regard, this paper attends to simultaneous prediction of rock fragmentation and backbreak in the blasting operation of Tehran Cement Company limestone mines in Iran. Back propagation neural network (BPNN) and radial basis function neural network (RBFNN) are adopted for the simulation. Also, regression analysis is performed between independent and dependent variables. For the BPNN modeling, a network with architecture 6-10-2 is found to be optimum whereas for the RBFNN, architecture 6-36-2 with spread factor of 0.79 provides maximum prediction aptitude. Performance comparison of the developed models is fulfilled using value account for (VAF), root mean square error (RMSE), determination coefficient (R²) and maximum relative error (MRE). As such, it is observed that the BPNN model is the most preferable model providing maximum accuracy and minimum error. Also, sensitivity analysis shows that inputs burden and stemming are the most effective parameters on the outputs fragmentation and backbreak, respectively. On the other hand, for both of the outputs, specific charge is the least effective parameter.     

基于BP网络预测盐溶液侵蚀混凝土强度

通过建立神经网络模型对盐溶液侵蚀混凝土的强度进行了计算和预测。研究表明 ,该法不仅可以综合考虑各种因素的影响 ,而且具有较高的预测精度 ,在混凝土性能预测中具有广阔的应用前景     

基子BP网络预测盐溶液侵蚀混凝土强度

通过建立神经网络模型对盐溶液侵蚀混凝土的强度进行了计算和预测。研究表明，该法不仅可以综合考虑各种因素的影响，而且具有较高的预测精度，在混凝土性能预测中具有广阔的应用前景。     

Seismic behavior of high strength concrete beams

Experimental and analytical studies on the seismic performance of high strength concrete beams in moment resisting frame structures are described. Two large-scale high strength concrete and two counterpart normal strength concrete model beams with a length-to-depth ratio of 6·0 (i.e. shear span ratio of 3·0) have been tested under cyclic shear and double bending. The beams were heavily reinforced in the longitudinal direction to study beam performance under high seismic shear demand. Transverse reinforcement was designed following the seismic design provisions of current ACI 318–95 code. Both high and normal strength concrete beams developed ductile flexural responses. High strength concrete beams exhibited increased capacity and improved hysteretic performance compared to normal strength concrete beams. A simple analytical approach based on the moment curvature characteristics of critical sections has also been developed to predict the flexural behavior of structural beams. Comparison of analytical and test results indicates that behavior of high strength concrete beams can be satisfactorily predicted. © 1998 John Wiley & Sons, Ltd.     

基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用

混凝土抗压强度与其影响因素之间存在着很强的非线性关系,精确预测混凝土抗压强度对提高工程质量和施工进度等具有重要意义。为了提高预测值的精确度,建立了二次回归预测模型,利用基于模拟退火的粒子群算法对模型系数进行了优化和求解。实例仿真表明这种经智能算法优化后的二次回归预测模型优于传统神经网络预测模型,预测精度得到了较大提高。     

纤维网增强混凝土复合材料约束混凝土应力-应变关系研究

为研究纤维网增强混凝土(TRC)加固层对混凝土柱的约束性能,对13根混凝土柱试件(包括10根TRC加固柱和3根对比柱)进行了轴心受压试验,分析了纤维网层数、短切纤维及混凝土强度对TRC加固效果的影响,基于试验结果提出了TRC约束混凝土应力-应变关系简化计算模型。研究结果表明：TRC加固可改善混凝土柱的轴压破坏形态;与未加固柱相比,TRC加固柱的承载能力和变形能力有不同程度提高,且提高幅度与纤维网层数、混凝土强度以及短切纤维掺入相关,纤维网层数越多、混凝土强度越低时,加固柱的承载力和延性提高幅度越大,最高可分别达67.3%和65.2%;TRC基体中掺入短切纤维有利于加固柱的承载力和延性提高;提出的TRC约束混凝土应力-应变关系计算模型与试验结果吻合较好,可用于描述TRC约束混凝土应力-应变关系曲线。     

基于机器语言的建筑混凝土设计

建筑混凝土的强度受多种因素的影响,其强度的预测是一个多指标综合复杂问题。基于机器算法支持向量机建立了建筑混凝土的强度设计与预测的支持向量机模型,其中模型参数通过粒子群算法进行选择和优化。将建立的模型计算结果与实测混凝土28 d抗压强度进行比较,讨论了各因素与强度值之间的关系。研究表明:预测结果与实测结果一致,可见该模型可以很好的为混凝土设计提供依据。     

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。