共查询到10条相似文献,搜索用时 31 毫秒
1.
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
2.
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
3.
4.
5.
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
6.
开展了不同配合比条件下超高性能混凝土(UHPC)的制备与抗压强度试验,并结合已有数据形成了神经网络训练样本;根据UHPC原材料组成和性能需求设计了包含神经网络输入层(7节点)、隐层(8节点)和输出层(1节点)的拓扑结构,并引入遗传算法(GA)优化了UHPC抗压强度预测网络的初始权值和阈值;采用试验样本模拟训练了不同配合比条件下的UHPC抗压强度预测GA-BP神经网络,并以此为基础建立了基于不同性能需求的配合比设计方法.对比试验数据和传统BP神经网络方法计算结果发现,GA-BP神经网络能更好地指导UHPC抗压强度预测和配合比设计. 相似文献
7.
8.
9.
《混凝土》2014,(7)
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。 相似文献
10.
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