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。     

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。     

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。     

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。     

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。     

小波神经网络预测混凝土强度研究

小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络 ,它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题 ,大大简化了训练 ,具有较强的函数学习能力和推广能力及广阔的应用前景。小波神经网络用于混凝土强度预测的结果表明 ,它比传统的BP神经网络的收敛速度快 ,预测精度高     

再生混凝土强度预测的神经网络模型

BP神经网络方法由于综合考虑了再生混凝土强度的各种影响因素,能够实现非线性关系,可以用于再生混凝土强度预测.为克服传统BP网络收敛速度慢、易出现麻痹现象等不足.研究采用L-M算法来改进传统的BP神经网络,仿真结果表明,该方法简单可行,搜索速度快,预测结果可靠、精度高.     

模糊神经网络在粉煤灰混凝土强度预测中的应用

粉煤灰混凝土强度预测是一个典型的多变量,非线性系统。现在预测的方法准确性较差,难以在实际中被普遍应用。本文将模糊理论与神经网络相结合,综合利用二者的优点,进行粉煤灰混凝土强度的建模与预测。     

基于随机森林的高性能混凝土抗压强度预测

高性能混凝土抗压强度的准确预测是配合比设计优化的关键步骤之一,基于机器学习算法的预测结果容易受到输入变量的影响。提出一种经过特征筛选的抗压强度随机森林预测模型。以水胶比、水泥用量、水泥强度、砂石、粉煤灰掺量和外加剂用量作为原材料指标,通过试验收集56份数据样本。通过变量重要性度量剔除重要性较低的特征,再利用优化后的输入指标进行强度预测,并与未经过特征筛选的随机森林模型和BP神经网络模型的性能进行比较。结果表明,水泥掺量对于高性能混凝土强度的贡献最大,而外加剂的影响较小;随机森林模型的预测精度较高(R²=0.969 09),误差较小(RMSE=0.014 922);基于变量重要性度量的特征筛选对于提高预测精度具有重要意义。     

早期强度推定法在商品混凝土生产中的应用

阐述了阳煤集团宏厦建筑三公司混凝土原材料的使用现状,并通过试验,对混凝土29 h快速养护强度与混凝土28 d标准养护强度进行了对比,结果表明混凝土快速养护检测技术应用于混凝土生产中取得了很好的效果。     

采用微波加热养护法的混凝土强度早期预测

采用微波加热的方法对混凝土试件进行养护,促进混凝土的凝结硬化在短时间内即可形成一定的强度,并建立了以此方式测定的混凝土早期强度与标准养护条件下混凝土后期强度的关系,实现了在混凝土浇筑后6 h内测定混凝土强度,为混凝土强度的快速测量提供了一种有效手段。     

Early-age compressive strength prediction of concrete — application on a construction site

This paper is a reminder of the INSA-Lyon method which uses the Freiesleben Hansen and Pedersen law in order to calculate the strength of young concrete. A program is then developed which allows a provisional calculation of the compressive strength of young concrete subjected to non-isothermal curing, from the knowledge of the temperature evolution with time. This program has been validated on a construction site and compared, not only with normalised laboratory tests, but also with the results given by the application of the equivalent age method usually used in manufacturing concrete subjected to heat curing.     

混凝土强度预测的混合神经网络模型

针对由于混凝土配方的多样性,直接利用神经网络模型对其进行强度预测存在精度差和收敛差的缺点,采用多种神经网络模型相结合的方法,建立了混凝土强度预测的混合神经网络模型。模型的建立主要包括以下三个过程:(1)建立混凝土强度影响参数样本数据库;(2)利用自组织神经网络对样本数据分类;(3)以混凝土原材料和制作工艺为输入参数,混凝土最终性能为输出参数,训练双并联神经网络模型。通过实例验证了模型的可靠性。     

钢纤维自密实混凝土抗压强度估值模型

进行钢纤维自密实混凝土构件设计时通常需要用到抗压强度指标,但是目前预测钢纤维自密实混凝土抗压强度的公式很少。定义了钢纤维有效增强因子,并对试验数据回归分析,提出一个预测钢纤维自密实混凝土28 d抗压强度的模型。使用模型计算了文献中钢纤维自密实混凝土的抗压强度,并与实测数据比对,结果表明预测强度与实测强度符合的很好。     

回弹法检测混凝土强度的应用实践

结合工程实际，本文介绍了国家回弹剥强曲线在本地区使用的基本情况，为了提高检测精度，建立了回弹法检测混凝土强度地区专用测强曲线，并和国家回弹测强曲线进行了对比。     

Shear strength prediction for steel reinforced concrete deep beams

This study proposes an analytical method for determining the shear strengths of steel reinforced concrete deep beams under the failure mode of concrete crushing originally based on the softened strut-and-tie model. The proposed method is a good physical model that can correlate well with the observed failure phenomenon of steel reinforced concrete deep beams. By comparing the predictions of the proposed method with the available test results from the literature, it was found that the proposed method is capable of predicting the shear strengths for steel reinforced concrete deep beams with sufficient accuracy. The shear-carrying behavior of steel reinforced concrete deep beams is highly influenced by the ratios of flange width to gross width, the shear span-to-depth ratios, and the concrete strengths. When the ratio of flange width to gross width is low, the shear-carrying capacities of steel reinforced concrete deep beams increase with the increasing ratio. However, if the ratio of the flange width to gross width is higher than a critical value, then the failure mode of steel reinforced concrete deep beams will be converted from diagonal compression failure into bearing failure.