基于BP神经网络预测混凝土强度.pdf

科技与创新Science and Technology&Innovation382023 年 第 20 期文章编号：2095-6835（2023）20-0038-04基于 BP 神经网络预测混凝土强度邓洁松，王 芳，付壮金，费友龙，尚超洋，刘雅婷（宿州学院资源与土木工程学院，安徽 宿州 234000）摘要：为了给建筑施工单位提供早期预测混凝土强度的有效办法，基于实验室制备的50 组样本数据，借助 MatlabR2020a平台，建立了以单位体积的水泥、高炉矿渣、水、粗骨料、细骨料的用量作为输入，以立方体混凝土试件经过 28 d 养护龄期的抗压强度作为输出的含单隐藏层的 3 层 BP（Back Propagation）神经网络模型，其结构为 5-6-1。由对混凝土进行数值模拟训练后的仿真结果可知，训练后均方误差 MSE 为 7.2%，整体相关系数 R 可达 0.979。以上预测结果表明，用BP 神经网络模型预测混凝土的抗压强度理论上是可行的，并且使用此网络模型能够较为准确且快速地预测出混凝土本身的抗压强度。关键词：BP 神经网络；混凝土；预测；抗压强度中图分类号：TU528.1文献标志码：ADOI：10.15913/ki.kjycx.2023.20.010混凝土材料是由胶凝材料、水、粗细骨料等按一定比例配合拌制，经一定时间硬化而成的人造石材，是应用最广泛的建筑材料之一1。要使工程质量和工程验收达到规定标准，混凝土的性能和质量是重要的因素。实际工程中，养护 28 d 后的混凝土的强度值是评价混凝土强度的主要依据，根据 GB/T500802016普通混凝土拌合物性能试验方法标准2和 GB 550082021混凝土结构通用规范3，试验结果显示，在（202）、相对湿度大于 95%、养护龄期 28 d 的条件下，测得的抗压强度最大值为混凝土标准立方体的抗压强度，在整体抗压强度分布中，选取强度保证率为 95%的立方体试件作为混凝土强度等级。混凝土的力学性能除受到试验条件的影响外，还与粗骨料掺入量、砂粒、水泥、水、外加剂等因素有关。因此，通过这种传统试验获得混凝土的抗压强度值一般需要投入大量的人力、物力和时间，增加了施工的成本，并且难以获得较为准确的结果4。近年来，运用机器学习的方法处理工程问题受到人们越来越多的关注5-8。若能利用机器学习的方法来建立一个能替代传统方法且有效可靠的混凝土强度预测模型，则可避免以往的破坏性试验，并且能够节约项目成本，同时提高工作效率。传统的混凝土预测模型一般都需要建立混凝土强度与各种影响因素之间的联系，探究它们之间的关系，但是当遇到混凝土输入与输出变量增多、作用复杂及探究各自影响因素之间的关系时难度较大。相比之下，机器学习具有自己组织、自己学习，且能够快速准确地反映出多种影响因素之间的关系等优点。基于此，本文采用 Matlab 开发的人工神经网络工具箱，建立了 BP 神经网络的混凝土抗压强度预测模型，并对多因子条件下的混凝土抗压强度进行了预测，减少了不必要的试验时间，对改善施工质量具有重要意义。已经有很多学者尝试运用神经网络学习方法预测混凝土等一些材料的性能，均取得了较满意的结果。张娇龙等9基于 BP 神经网络建立了 UHPC（Ultra-HighPerformance Concrete，超高性能混凝土）力学性能的预测模型，并利用相关试验数据验证模型的有效性；付义祥等10利用前向神经网络进行混凝土的配合比设计预测，结果表明神经网络方法具有较高的预测精度；唐和生等11建立了一种基于人工神经网络的矩形混凝土柱屈服性能预测方法，结果表明神经网络预测结果与试验结果吻合程度远高于其他经验预测模型；万崔星等12通过找到 BP 神经网络适宜的隐藏层单元数和误差目标值，对不同材料掺量的纤维混凝土进行力学性能预测，并将预测数据和实测数据进行了对比，研究的结果显示，利用 BP 神经网络进行混杂纤维混凝土的强度预测不失为一种可行高效的方法。此外，也有学者将 BP 算法用在再生骨料混凝土、聚合物混凝土中展开相关研究13-14。基金项目宿州学院大学生创新创业项目（编号：ZCXM22-321）；国家级大学生创新创业项目（编号：201910379053）Science and Technology&Innovation科技与创新2023 年 第 20 期391BP 神经网络预测模型1.1BP 神经网络算法神经网络是利用人类的神经组织来完成人类的智能行为的一种物理信息处理系统，它有人类大脑的基本功能，是一种抽象、简化、模拟的模式，因此被称之为人工神经网络（Artificial Neural Network，ANN）。神经网络是20世纪末期以来人工智能领域兴起的研究热点，它采用类似于“黑箱”的方法，通过不断学习与记忆，计算出输入、输出变量之间存在的非线性关系，在处理问题和解决问题时，根据所获得的信息进行网络推理，得到相应的结果和结论。神经网络种类有很多，如 BP 神经网络、径向基神经网络、模糊神经网络等。BP 神经网络是一类具有重要意义的多层前馈神经网络，其特征包括了逆向传输和正向传输。在正向传输中，从输入层到输出层，通过隐藏层对信号进行一层层的处理，使得每一层的神经元状态仅对下一层次的神经元产生作用。如果没有得到输入层，需要输出的话，那么就进入逆向传输，并根据预测误差对网络权重进行调节。该方法的特别之处在于可以使 BP 神经网络预期的输出与预测结果保持一致。在使用者进行神经网络预测之前，对网络进行学习是第一步，其次是训练，从而使网络达到具有联想和预见性的效果15-16。研究证明，3 层网络可以处理绝大部分的非线性复杂问题，因此在实际中应用最多的是 3 层 BP 网络结构模型17。BP 算法有充分的理论依据、严谨的推导过程、较强的泛化能力，以及可以适应并自主学习且应用广泛等优点。同时，BP 神经网络具有收敛快和经常重复训练 N 个学习样本的优点，为了保证各输出节点的错误不超过规定的容许误差，其迭代次数 t 为数百、数千次。针对如何提高 BP学习算法的收敛速度这一问题，目前已有了多种改进的方法，常用的有变学习率法和附加冲量法，通过对其学习率和惯性冲量系数进行一些必需的动态调整，往往可以大幅度加快 BP 神经网络算法的学习速度18-20。1.2混凝土抗压强度的神经网络模型研究表明，影响混凝土强度的因素有多种，如水灰比例、骨料粒径、级配、杂质量、养护情况、环境温度、湿度、龄期及混凝土的施工方法等。基于此，本文选用单位体积的水泥、高炉矿渣、水、粗骨料、细骨料这5种材料的用量作为影响混凝土强度的因素，这些因素相互之间往往存在不确定性、离散性和随机性。依 据 混 凝 土 试 验 的 真 实 抗 压 强 度，基 于Matlab R2020a 平台，构建了一个具有单隐藏层的 3 层BP 神经网络模型，以单位体积的水泥、高炉矿渣、水、粗骨料、细骨料这 5 种材料的用量作为输入层，以 28 d为养护龄期的混凝土抗压强度作为输出层，得到了5-N-1 模型，N 是隐含层中的神经元数目，通过进行反复的训练和对比，最后选择 5-6-1 的 3 层 BP 神经网络。BP 神经网络模型图如图 1 所示。图 13 层 BP 神经网络模型2样本集的选择与网络训练2.1样本集的选择本试验采用单位体积的水泥、高炉矿渣、水、粗骨料、细骨料配制成边长 150 mm 的立方体试件作为C60 强度以下的混凝土抗压强度的标准尺寸试件，共计 50 个样本。样本数据如表 1 所示。表 1样本数据（部分）组号水泥的用量/（kgm-3）高炉矿渣的用量/（kgm-3）水的用量/（kgm-3）粗骨料的用量/（kgm-3）细骨料的用量/（kgm-3）龄期/d抗压强度/MPa1475.0237.5228.0932.0594.02830.082475.0142.5228.0932.0594.02833.023342.0190.0228.0932.0670.02840.864375.0200.0190.01 145.0660.02849.255318.8272.8185.71 012.4714.32827.946401.8290.2185.7998.2704.32832.637379.5359.4185.7941.6664.32839.448362.6147.2185.71 055.0744.32825.759389.9238.2185.71 040.6734.32821.0710337.9170.3185.71 026.6724.32832.0511375.0342.1185.7955.8674.32839.7012469.0210.7185.7977.0689.32838.7013425.0203.5185.71 076.2759.32818.2014401.8135.7185.71 076.2759.32822.6315379.5155.5185.71 076.2724.32825.73科技与创新Science and Technology&Innovation402023 年 第 20 期2.2训练集和测试集的选取本文在 50 份样本数据中，选择 10 份数据作为验证数据，其余 40 份数据为训练数据，以检验网络模型的可靠性。3基于 Matlab 的 BP 神经网络模型训练3.1训练参数设置网络主要参数的选取：学习率取 0.01，训练次数最高为 2 000 次，训练目标最小误差为 0.000 01。进行网络的多次反复训练后，将样本 110 组的数据作为检验样本，验证其网络的准确度与适用性。检验样本数据矩阵为：660.0145.0 10.1900.200375.0670.0932.0228.00.190342.0594.0932.0228.05.142475.0594.0932.0228.05.237475.0594.0932.0228.05.47380.0806.9047.0 1192.0209.4380.0670.0932.0228.076.0198.6825.5978.4192.0132.4266.0670.0932.0228.0114.0266.0594.0932.0228.095.06.198P3.2训练结果混凝土抗压强度实测与预测结果如图 2 所示。由图 2 可知，网络预测混凝土强度的输出结果与其强度的实测值基本一致。因此，此网络模型可以用于预测混凝土的抗压强度，且预测的误差能够满足此次试验的要求。图 2混凝土抗压强度实测与预测结果训练样本、验证样本、测试样本及总样本神经网络训练后的相关系数 R 如图 3 所示。由图 3（a）与图 3（b）可知，网络未出现过拟合现象；由图 3（c）可知，此网络能较好地预测未进行测试的样本数据强度；图 3（d）体现出了网络的整体性能较好。（a）训练（b）校验（c）测试（d）综合图 3数值回归拟合结果训练后均方误差 MSE 的数值为 7.2%，收敛趋势如图 4 所示。图 4均方误差 MSE 收敛趋势4基于 Spss 的数值分析Spss 是一款非常实用的软件，它可以用于统计分析、数据挖掘、预测和分析，因此，本文基于 Spss 降维分析中的因子分析法，通过主成分分析和归一化处理，研究水泥、高炉矿渣、水、粗骨料、细骨料 5 种变量对混凝土强度的权重指标，如表 2 所示。从表 2 可知，在 28 d 内，高炉渣、粗集料和细骨料对混凝土的抗压强度有较大的影响，而水泥和水的影响较小。因此，影响混凝土抗压强度的主要因素为高炉矿渣、粗骨料与细骨料。迭代次数实测值预测值训练：R=0.984 68校验：R=0.934 56测试：R=0.992 47综合：R=0.979 33最佳测试表现为 0.000 574 75Y=TY=TY=TY=TScience and Technology&Innovation科技与创新2023 年 第 20 期41表 2评价指标权重计算结果变量28 d 抗压强度的权重指标水泥0.147 204高炉矿渣0.229 826水0.146 996粗骨料0.221 877细骨料0.254 097合计1.000 0005结论本文以 BP 神经网络为基础，通过 Matlab 的网络工具箱，对样本数据进行学习，预测混凝土强度。建立了以单位体积的水泥、高炉矿渣、水、粗骨料、细骨料的用量变化反映出混凝土强度变化的神经网络模型，可以让使用者能够较好地对混凝土强度变化的规律进行预测。由于选取样本数量较少，训练后均方误差为 7.2%。运用 Spss 软件进行分析后，得到影响混凝土强度的主要因素为高炉矿渣、粗骨料与细骨料。未来需要结合更多的样本数据展开研究，以获得更好的结果，为混凝土强度的早期研究预测提供更加快速有效的方法。参考文献：1范文斌.混凝土强度影响因素及施工质量控制研究J.建筑知识，2016，36（13）：84.2中国建筑科学研究院.GB/T 500802016 普通混凝土拌合物性能试验方法标准S.北京：中国建筑工业出版社，2016.3中华人民共和国住房和城乡建设部.GB 550082021 混凝土结构通用规范S.北京：中国建筑工业出版社，2021.4张丽素，乔京生，张弛，等.不同因素对再生混凝土抗压强度的影响J.华北理工大学学报（自然科学版），2018，40（2）：61-65.5冯子泉.基于粗糙集和遗传-RBF 神经网络的钢筋混凝土施工质量诊断J.混凝土，2011（11）：123-125.6张春青.基于 BP 神经网络的 CA 砂浆性能预测分析J.公路交通科技（应用技术版），2013，9（4）：60-62.7杨晓明，吴天宇，时丹.基于人工神经网络的混凝土实时强度影响因素敏感性分析J.混凝土，2014（11）：15-18，23.8高蔚.基于深度学习的再生混凝土抗压强度预测J.混凝土，2018（11）：58-61，70.9张姣龙，柳献，朱洪波，等.基于神经网络的 UHPC 力学性能预测模型J.混凝土，2013（3）：18-22，25.10付义祥，刘杰，刘世凯.基于人工神经网络模型的 C25 混凝土配合比的预测方法J.武汉理工大学学报（交通科学与工程版），2002（4）：537-540.11唐和生，李大伟，苏瑜，等.人工神经网络预测混凝土柱屈服性能J.湖南大学学报（自然科学版），2015，42（11）：17-24.12万崔星，孙敏.基于 BP 神经网络的纤维混凝土力学性能预测模型J.科技通报，2021，37（3）：90-93，99.13陈洪根，龙蔚莹，李昕，等.基于 BP 神经网络的粉煤灰混凝土抗压强度预测研究J.建筑结构，2021，51（增刊 2）：1041-1045.14郭耀东，刘元珍，王文婧，等.基于 BP 神经网络的再生保温混凝土抗压强度预测J.混凝土，2018（10）：33-35，39.15陈博，欧阳竹.基于 BP 神经网络的冬小麦耗水预测J.农业工程学报，2010，26（4）：81-86.16邓霞，董晓华，薄会娟.基于 BP 网络的河道径流预报方法与应用J.人民长江，2010，41（2）：56-59.17宰松梅，郭冬冬，温季.人工神经网络在土壤含盐量预测中的应用J.中国农村水利水电，2010（10）：33-35.18宋翀绂，王宝树.提高前馈神经网络学习效率的学习算法探讨J.西安电子科技大学学报，1999（5）：545-548.19杨东侯，年晓红，杨胜跃.两种改进的 BP 神经网络学习算法J.长沙大学学报，2004（4）：54-57.20刘幺和，陈睿，彭伟，等.一种 BP 神经网络学习率的优化设计J.湖北工业大学学报，2007（3）：1-3.作者简介：邓洁松（2001），男，安徽安庆人，本科在读。通信作者：王芳（1989），女，安徽宿州人，硕士研究生，讲师。（编辑：丁琳）（上接第 37 页）9李健睿，李琪.大学生创新创业支持平台建设J.企业经济，2020，39（9）：95-101.作者简介：王林（1981），男，安徽铜陵人，本科，中共党员，安徽师范大学思想政治教育专业在职研究生，就职于安徽医学高等专科学校党委工作部，从事党建、大学生思想政治教育等工作。（编辑：张超）