BP神经网络在路面基层材料抗压强度预测中的应用

对于基层稳定土的抗压性能的定义,以及其无侧限的抗压强度的大小的判断,都与其内部的构成有着密切的联系。然而,对于材料的要求所存在的关系,与其所需要养护的条件以及养护的年龄期限之间所存在的关系是十分复杂的非线性。进过一些列的演算,最终得到的结果页仅仅只是测试结果,还需要与真实的结果进行对比分析,从而达到精确的答案,以此来判断神经网络是否能够对于抗压强度起到影响。     

BP网络在水泥土无侧限抗压强度中的应用

在总结前人的理论和实践成果的基础上,运用BP网络模型,结合工程实例,利用MATLAB工具,对水泥土无侧限抗压强度进行了初步的探讨,得出了一些结论,对工程实践具有一定的指导意义。     

基于BP神经网络混凝土抗压强度预测

在阐述BP人工神经网络原理的基础上,针对影响强度的主要因素,建立了多因子混凝土抗压强度3层BP网络模型,以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料含量及置放天数作为模型输入参数,混凝土抗压强度值作为模型的输出,对混凝土抗压强度进行了预测.实验结果表明:所建BP神经网络混凝土抗压强度预测模型最大...     

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。     

基于BP神经网络的再生混凝土抗压强度预测

再生混凝土抗压强度影响因素多、力学性能易劣化,为提高再生混凝土品质,必须对其强度特性进行深入研究。针对常规回归分析方法预测再生混凝土存在的问题,利用非线性映射能力良好的BP神经网络算法进行再生混凝土抗压强度预测。该预测模型以粗骨料吸水率、水灰比和水泥掺入比作为输入层,以再生混凝土28 d抗压强度作为输出层,中间隐含层节点数为10。仿真结果表明,该模型平均相对误差仅为3.04%,线性相关系数大于0.94,该方法具有简单高效的特点。     

基于BP神经网络的混凝土抗压强度预测分析

混凝土的抗压强度是衡量混凝土质量的重要指标之一,混凝土的抗压强度不仅受实验条件的影响,同时受到外加剂、水泥、水等比例的影响。传统的测定混凝土抗压强度的实验方法耗时长、材料消耗大,且经常得不到准确的结果。文章采用MATLAB软件进行BP神经网络模型训练,用训练好的模型进行混凝土抗压强度的预测工作,神经网络的输入变量为影响混凝土抗压强度的八个因素,混凝土的抗压强度值为输出层结果。对一组混凝土样本进行抗压强度预测,得到的预测值与实测值间的误差均小于3%,预测结果较为精确。     

BP神经网络在工业厂房变形预测中的应用

对于正在使用的工业厂房的安全控制,日常维护和监控起着重要的作用。结合既有的监测数据,利用数值分析软件MATLAB和BP神经网络基本原理建立实时分析模型,即以现有监测数据为训练样本,对神经网络进行训练,利用训练后的网络进行预测。以某钢厂500t废酸水处理车间监测数据为例,利用BP神经网络进行预测,预测结果和实际位移数据相吻合,结果表明了神经网络对监测数据进行处理和预测的可行性,对监测工作起到指导和预警作用。     

基于水灰比准则的水泥土无侧限抗压强度预测

现行规范对于水泥加固土无侧限抗压强度预测方法不明确,通过引用D.Abrams提出的混凝土水灰比理论,修正了水泥固化高含水率疏浚泥无侧限抗压强度预测方法,为减少室内试验量和缩短工期提供了依据。     

基于深度神经网络的围岩无侧限抗压强度预测

实时的围岩抗压强度预测能对TBM安全高效掘进有重要意义.针对现有技术难以实时获取隧道掘进机掌子面岩体参数的问题,基于青岛地铁1号线掘进过程产生的掘进参数数据,分别使用深度神经网络构建隧道围岩无侧限抗压强度实时感知模型.模型利用掘进阶段100s内总推进力、刀盘转速、刀盘扭矩、推进速度和撑靴压力等TBM运行参数数据实时预测...     

利用改进的BP神经网络预测烧结砖的抗压强度

根据改进的BP神经网络基本原理，建立了烧结砖的神经网络强度预测模型．利用试验数据训练神经网络，通过工程实例，对训练过的神经网络进行了测试，并将用神经网络方法获得的结果与用传统数学回归模型计算的结果进行了对比．结果表明，该神经网络方法所得的预测值优于传统方法．     

Unconfined compressive strength prediction of soils stabilized using artificial neural networks and support vector machines

This study aims to improve the unconfined compressive strength of soils using additives as well as by predicting the strength behavior of stabilized soils using two artificial-intelligence-based models. The soils used in this study are stabilized using various combinations of cement, lime, and rice husk ash. To predict the results of unconfined compressive strength tests conducted on soils, a comprehensive laboratory dataset comprising 137 soil specimens treated with different combinations of cement, lime, and rice husk ash is used. Two artificial-intelligence-based models including artificial neural networks and support vector machines are used comparatively to predict the strength characteristics of soils treated with cement, lime, and rice husk ash under different conditions. The suggested models predicted the unconfined compressive strength of soils accurately and can be introduced as reliable predictive models in geotechnical engineering. This study demonstrates the better performance of support vector machines in predicting the strength of the investigated soils compared with artificial neural networks. The type of kernel function used in support vector machine models contributed positively to the performance of the proposed models. Moreover, based on sensitivity analysis results, it is discovered that cement and lime contents impose more prominent effects on the unconfined compressive strength values of the investigated soils compared with the other parameters.     

碱激发体系与土聚水泥抗压强度关系的人工神经网络预测

人工神经网络技术由于自组织、自学习、自适应的能力,常被引入灰色系统模型建立、模式识别、目标分类等研究领域.本次研究运用人工神经网络技术,选取土聚水泥碱激发体系中的碱激发剂浓度(COH-)、碱硅摩尔比(M2O/SiO2)和硅摩尔比(Al2O3/SiO2)为预测指标,基于 MATLAB 神经网络工具箱,建立预测方法,对土聚水泥的 28 d抗压强度进行预测.结果表明,预测精度较高.     

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.     

人工神经网络在掺活化煤矸石粉混凝土强度预测中的应用

人工神经网络技术综合考虑了掺活化煤矸石混凝土强度的各种影响因素,可用于预测混凝土强度.选取了掺活化煤矸石粉混凝土配料中7个主要因素作为输入值,混凝土28d强度作为输出值,建立起混凝土强度预测BP网络模型,进而对掺活化煤矸石配合比强度试验数据进行分析预测,效果良好.结果表明该方法用于掺矿物掺合料混凝土强度预测方面是可行的.     

混凝土抗压强度预测

介绍了传统的混凝土抗压强度推算法，及各种在施工中积累的常用设计标号混凝土抗压强度7d龄期与28d龄期的百分比，以便更好地控制混凝土抗压强度。     

基于MATLAB的BP网络在月生活用水量预测中的应用

月生活用水量的预测对于供水企业制定月用水量生产计划具有重要的指导意义.以重庆市某建筑的实际用水量为样本,建立了传递函数为logsig、训练函数为trainlm的3-10 -1结构的BP网络模型,计算出网格的训练误差为0.0444,训练样本的平均相对误差的绝对值为1.35％,并应用该模型预测了重庆市某小区建筑2011年3...     

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。     

基于BP神经网络的橡胶粉砂浆性能的预测

与传统砂浆相比,新型砂浆具有成分复杂的特点,砂浆性能随成分变化产生的波动性很大.砂浆成分的微小改变导致新拌砂浆性能和硬化砂浆力学性能较大改变,传统砂浆配合比计算方法不适用橡胶粉砂浆.人工神经网络技术通过一组试验数据的学习,使其可以预测橡胶粉砂浆的性能,并以另三组独立的试验数据来检验网络的学习效果,此项研究提供了人工智能在砂浆配合比设计中的应用方法,并为新型砂浆外加剂掺量选择提供另一种手段.     

水泥土无侧限抗压强度室内试验研究

通过对水泥土室内配方试验结果的归纳与分析,研究了水泥土无侧限抗压强度与土的水泥掺量、龄期和含水率等影响因素的关系。试验结果表明,水泥搅拌桩能有效提高土体无侧向抗压强度,为今后水泥土搅拌桩的设计和施工提供了参考依据。