BP网络预测再生混凝土性能研究

利用BP神经网络模型,对再生混凝土强度及工作性能的预测方法进行了探讨。根据再生混凝土的特殊性,找出影响其强度和坍落度、保水性的主要因素,对试验中通过主观观察得到的数据进行量化,在此基础上建立预测其强度和工作性能的BP神经网络模型,针对所建模型,输入一定量的实测数据样本,对网络进行训练。为了验证训练好的网络的推广性能,用预留的一组试验数据进行仿真训练的效率和误差及仿真计算的结果表明,采用优化的BP网络模型及合适的样本参数训练出的预测系统对再生混凝土的强度及工作性能进行预测是可行的。     

BP神经网络在再生混凝土强度预测中的应用

为了提供早期预测再生粗骨料混凝土强度的有效方法,从8篇文献中收集了47组样本,借助Matlab R2015a平台,基于BP神经网络,建立了以单位体积的水、水泥、砂、碎石、再生粗骨料用量作为输入,以再生混凝土28 d棱柱体抗压强度作为输出的含单隐层的3层神经网络模型,其结构为5-21-1。对网络进行训练后的仿真结果表明,预测的最大相对误差为18.69%,预测误差小于5%的占样本总量的78.72%。预测结果表明用BP神经网络模型预测再生混凝土的强度是可行的。     

基于智能算法的河港码头混凝土碳化深度预测

由于混凝土碳化所引起的河港码头构件材料性能劣化是导致其整体结构发生耐久性失效破坏的主要原因之一,混凝土碳化深度的预测以及结构物服役寿命的评估是河港码头运行维护过程中的关键。然而,基于Fick第一定律的传统碳化深度预测方法所得结果的精度与实测样本容量的大小呈正相关,当实测样本值有限时,其预测精度难以保证。为此,针对有限样本支撑下河港码头混凝土碳化深度预测难、精度低等问题,提出了一种基于人工智能的计算方法,用以更加精确地预测河港码头混凝土的碳化深度。该智能算法包括BP神经网络模块与樽海鞘群算法(SSA)模块,SSA模块负责修正BP神经网络模块的设置参数,完成BP神经网络设置参数的自适应优化;BP神经网络模块主要负责利用SSA模块得到的设置参数对样本进行训练及测试,两者交叉融合,实现对河港码头混凝土碳化深度的精确预测。对融合BP神经网络和SSA的算法流程及实施步骤进行了详细描述,并通过试验实测数据验证了智能算法预测混凝土碳化深度结果的精度及可行性。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

基于ANN算法的冻融循环后钢筋再生混凝土黏结强度预测方法研究

钢筋再生混凝土结构因其节能和环保的优势而成为了研究热点,钢筋与再生混凝土的黏结作用是两种材料协同工作的基础,而粘结行为受到冻融循环的影响严重,因此必须对冻融循环后的黏结强度进行准确的计算。在已有试验数据的基础上,建立了用于预测冻融循环后钢筋与再生混凝土黏结强度的BP神经网络模型。选取20个试件的黏结试验数据进行研究,首先,以冻融次数为0、25、50和100的16个试件的黏结试验数据为样本对模型进行训练;其次,利用训练好的模型预测冻融次数为75次的4个试件的极限黏结强度和峰值滑移,通过预测值与试验值的对比发现文中建立的BP神经网络模型能够准确的预测冻融循环后钢筋与再生混凝土黏结强度和峰值滑移。提出的方法能够为钢筋混凝土结构的设计提供一种新的参考依据。     

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.     

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。     

SPSBS,P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。     

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.     

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。     

改进的 BP 神经网络在混凝土碳化深度预测中的应用

通过对混凝土碳化深度实测资料的分析,建立了基于 BP 神经网络原理的混凝土碳化深度预测方法.由于传统的 BP 神经网络有收敛慢,易陷入局部极小点的问题,采用改进的 BP 神经网络,通过与混凝土碳化深度的实测值、理论值的对比,证明了该方法在混凝土碳化深度预测方面的有效性并且具有令人满意的精度。     

基于LMBP神经网络的建筑能耗短期预测

为解决BP神经网络预测速度慢不适于建筑能耗短期预测的问题,采用Levenberg-Marquardt算法改进BP神经网络建立了基于LMBP神经网络的建筑能耗短期预测模型。通过某建筑物1个月的电量,对模型进行训练和测试,结果表明基于LMBP神经网络的预测模型预测速度显著提高,预测精度满足实际需要,适用于建筑能耗短期预测。     

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明：所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致...     

基于BP神经网络的方钢管粉煤灰混凝土极限承载力预测

通过创建BP神经网络模型,对方钢管粉煤灰混凝土轴心受压极限承载力进行了预测。结果表明:预测值与试验值吻合,建立的BP网络模型能够准确预测方钢管粉煤灰混凝土的极限承载力,具有较高的预测精度,为方钢管粉煤灰混凝土极限承载力的获得提供了一种新方法。     

基于BP神经网络的再生保温混凝土抗压强度预测

通过研究再生粗骨料取代率、水灰比对再生保温混凝土抗压强度的影响,建立了以再生粗骨料取代率、水灰比以及混凝土表观密度为因子的BP神经网络预测模型,旨在通过这三种因子的测量对再生保温混凝土28 d抗压强度进行预测。试验研究表明,当再生粗骨料取代率为50%时,再生保温混凝土抗压强度与混凝土拌合物表观密度近似成线性关系,抗压强度随着水灰比的增大而降低;当取代率为100%时,抗压强度与表观密度为非线性关系,抗压强度随表观密度的增大而增大,随水灰比的增加而增加。建立的三因子BP神经网络模型的预测值与实际值的误差在3%以内,可用于再生保温混凝土的抗压强度预测。     

BP神经网络在路面材料抗压强度预测中的应用

应用MATLAB提供的神经网络工具箱作为BP神经网络训练和仿真的平台,并进行语言编程,通过采用不同隐函数节点数进行对比试验,采用精度与误差都合适的节点数进行训练与预测,观察预测的精度,并分析神经网络对抗压强度结果预测的可应用性,从而得出一些有益的结论。     

BP神经网络方法在大坝基岩变形监测中的应用

结合工程实例,利用上游水位,下游水位和气温建立BP神经网络预报模型,应用Matlab神经网络工具箱,采用traingdx算法进行模型训练,对大坝基岩变形进行预测,结果表明,建立的BP神经网络预测大坝基岩变形的模拟值具有较高的精度。     

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。     

洞室围岩压力预测的研究

利用人工神经网络技术,建立了围岩压力预测的BP神经网络模型,并以数值模拟的计算结果作为实测固岩压力的控制指标,采用围岩压力的实测数据对网络进行了训练,最后以此训练好的BP神经网络对围岩压力进行了预测.通过与非线性预测对比表明,该人工神经网络模型具有较高的预测精度,为预测围岩压力提供了一种新的方法.     

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。