混凝土强度预测的混合神经网络模型.pdf

1 8 8 四J I l 建筑科学研究 S i c hu a n Bui l di n g S c i e n c e 第3 6卷第6期 2 0 1 0年 1 2月 混凝土强度预测的混合神经网络模型 丁声荣 ， 霍艳华 ， 姜新佩 ( 1 南昌大学科学技术学院， 江西 南昌3 3 0 0 2 9 ； 2 河北工程大学， 河北 邯郸0 5 6 0 3 8 ) 摘要： 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。 关键 词 ： 混凝土强 度预测 ； 自组织神经 网络 ； 双并联神经 网路 中图分类号： T U 5 2 8 文献标识码： A 文章编号： 1 0 0 81 9 3 3 ( 2 0 1 0 ) 0 6 1 8 8 0 4 Th e mi x n e u t r a l n e t wo r k mo d e l f o r p r e d i c t i o n o f c o n c r e t e s t r e n g t h DI NG S h e n g r o n g ， HUO Ya n h u a ， J I ANG Xi n p e i ( 1 C o ll e g e o f S c i e n c e a n d T e c h n o l o g y， Na n c h a n g Un i v e r s i t y， Na n c h a n g 3 3 0 0 2 9， Ch i n a ； 2 H e b e i U n i v e r s i t y o f E n g i n e e ri n g ， H a n d a n 0 5 6 0 3 8 ， C h i n a ) Abs t r a c t ： I t ha s a l o w a c c u r a c y t o f o r e c ast c o nc r e t e s t r e ng t h u t i l i z i n g ne u t r a l n e t wo r k p r e d i c t i o n mo de l d i r e c t l y， i n o r de r t O o v er c o me t hi s s ho r t c o mi n g， t h e mi x n e u t r a l n e t wo r k we r e b ui l t t o f o r e c a s t t he c o n c r e t e s t r e n g t h T he pr o c e s s o f t h e s y s t e m i n c l ud e d t h r e e s t e p s： f i r s t ， e s t a bl i s h e d t h e da t a ba s e o f t h e c o n c r e t e s t r e ng t h i Ir f l u e n c e d pa r a me t e r； s e c o n d， t h e s a mp l e d a t a i s g r o u pe d a c c o r d i ng t o i t s d i s t rib u t i o n b a s e d o n s e l f - o r g a n i z a t i o n a l n e u t r al n e t wo r k mo d e l ； t h i r d， i n b ase o f u s i n g r a w ma t e ri a l o f c o n c r e t e a s mo d e l i n p u t p a r a me t e r a n d t h e c o n c r e t e s t r e n g t h a s o u t p u t p a r a me t e r ， t he do u bl e p a r a l l e l f e e d f o r wa r d n e u t r a l n e t wo r k mo d e l f o r p r e di c t i o n o f c o n c r e t e s t r e n g t h Was e s t a b l i s h e d T h e mo d e l wa s r e l i a b l e ， a n d t h e s u i t a b l e s o f t w a r e w as p r o g r am me d Ke y wo r d s ： p r e d i c t i o n o f c o n c r e t e s t r e n g t h； s e l f - o r g a n i z a t i o n al n e u t r al n e t w o r k mo d e l ； t h e d o u b l e p a r a l l e l f e e d f o r wa r d n e u t r a l n e t w o r k mo d e 1 0 引 言 在混凝土领域， 强度作为主要的性能指标之一 ， 长期 以来一直受到人们 的重视， 而评价混凝土强度 需要测试其 2 8 d强度 ， 测试周期太长 ， 不能满足施 工要求 。近 2 0年来 ， 根据混凝土配合比、 养护条 件、 外加剂、 早期强度等因素的回归分析方法进行强 度预测 ， 已进行 了深入研究。但 由于混凝土强度影 响因素众多 、 相互作用呈非线性 ， 难 以得到满意的结 果。在配合比优化设计方面 ， 普通四组分混凝土有 明确的设计公式可用 ， 但多组分混凝土的出现， 使得传统的方法已不再适用。 近年来 ， 随着 “ 人工神经网络” 研究 的兴起， 由 收稿 日期 ： 2 0 0 9 - 0 2 - 2 3 作者简 介： 丁声荣( 1 9 8 1一) ， 男 ， 江西兴 国人 ， 硕士 ， 讲师 ， 主要从事 混凝土和结构工程教学及研究 。 基金项 目： 河北省建设厅建工新产品基金 资助项 日( 2 0 0 41 1 3 ) E ma i l - x i a o ding 1 9 81 1 2 6 c o m 于其非线性处理能力强 ， 不需要明确 的函数关系式 等优点而得到广泛应用 。已有研究表明 ， 采用人 工神经网络技术进行混凝土强度预测， 具有适应性 强 、 准确有效等优点 ， 模型多采用 B P网络和 R B F网 络模型， 但 目前 B P网络存 在局部极小值及收敛速 度慢 的欠 缺 ， 针对 这个 缺点 ， 笔 者 曾做过 相应 研 究 _ 5 J ， 但建立的小样本数据 ， 本文针对一个地 区的 大样本数据情形 ， 建立混凝 土强度预测 的混合 网络 模型。首先考虑各种强度影响参数建立样本数据 库， 然后采用 自组织神经网络对样本进行聚类分析， 将分类号的样本利用双并联神经网络模型进行训 练 ， 从而建立预测模型。 1 样本库的建立 系统运行前 ， 首先建立样本库 ， 因样本数据库中 的数据较多， 为便于组织 ， 将样本数据均存储于数据 库中。数据库中的字段名用汉字表示 ， 意义明确， 字 段的排列顺序可以任意。输入参数选择影响混凝土 2 0 1 0 N o 6 丁声荣， 等： 混凝土强度预测的混合神经网络模型 l 8 9 最终指标的各因素， 这里直观地选取各材料用量 、 质 量指标及制作工艺为输人参数。其具体如下： ( 1 ) 水泥 ： 水 泥是混凝 土的主要胶凝材料 。其 品种、 强度等级 、 用量对混凝土的性能影响较大。因 此， 分别选取上述指标作为输入单元。 ( 2 ) 石子 ： 除了石子用量外 ， 石子的颗粒级配和 最大粒径、 最小粒径均对混凝土强度有重要影响 ， 根 据试验样本数据 ， 选取 5 2 0 m m， 2 04 0 i n i I l ， 1 6 3 1 5 m m的石子用量分别作为一输入单元 。 ( 3 ) 砂 ： 砂的细 度模数将影响用水量和混凝 土 坍落度 ， 因此， 选取砂 的用量、 细度模数作为输入单 兀 。 ( 4 ) 水 ： 主要考虑水的用量。 ( 5 ) 掺合料 ： 主要考 虑粉煤灰 、 矿渣， 暂不考虑 其具体质量指标 ， 分别取其用量作为一输入单元 。 ( 6 ) 外加剂： 主要考虑减水剂、 泵送剂及其性 能 指标。 ( 7 ) 制作工艺 ： 主要指混凝土的搅拌方式 ， 考虑 人工拌合和自落式搅拌机拌合。 综上所述 ， 共有 1 6个参数作为输入参数 ， 对于 某一具体问题 ， 仅选取其中一部分即可 。 输出参数包括混凝土 的各项最终性能指标 ， 因 此 ， 选择混凝土的 2 8 d强度作为网络的输出单元 。 2 自组织神经 网络聚 类分析 数据分类是一个难点 ， 这是 因为预先并不知道 将数据分成多少个类 ， 而 自组织神经 网络是一种无 导师 自学习神经网络 ， 可以较好地完成分类任务， 能 够模拟人类根据过去经验 自动适应无法预测的环境 变化。 自组织映射人工神经网络由一个输入层和一 个竞争层组成 ， 竞争层也是输 出层。输入层 的形式 与一般前向神经网络相 同， 其神经元数和学习样本 的维数相等 ， 各神经元通过权向量将接收到的信息 汇集到输出层各神经元。输 出层神经元按照一维线 阵的排列形式 ， 是最简单 的自组织映射人工神经 网 络， 其结构如图 1所示。输出层神经元以二维平面 阵形式排列的自组织映射人工神经网络 ， 是最典型 的自组织映射人工神经网络 ， 其结构如图 2所示。 图 1 一维线 阵 Fi g 1 The fig u re o f un i v ar i a t e s e l f - o r g an i z at i on al ne u t r a l ne t wo r k 图 2 Fi g 2 二维平面阵 The figur e of“ ne u t r a l ne t wo r k -o r g a ni z at i on al 在 自组织映射人工神经网络 中， 输出层神经元 与输入层神经元的连接权向量为 ， 用 W j ( =1 ， 2 ， ，m ； = 1 ， 2 ， ， ) 表示。网络的学习过程是根据 学习样本确定 的过程， 但是 ， 自组织映射人工神 经 网络的学习是一种无导师 的学 习方式。也就是 说 ， 在学习样本中只给出了输入信息 ， 没有给出期望 的输出值。因此 ， 自组织映射人工神经 网络的学 习 过程， 类似于聚类分析过程。下面 ， 以输出层神经元 为一维线阵排列形式的自组织映射人工神经网络的 学习方法为例进行说 明。 。 。 设已知学习样本 =( X 1 p ， X 2 ， ， ) ( p = 1 ， 2 ， ， P ) ， 使用公式 ： = 鲁 】_ = = ( + + + 2 ， ， P) 分别对样本数据 。 ( p =1 ， 2 ， ， P) 进行归一 化处理 。然后 ， 根据样本数据可能具有的分类情况 ， 选择合适的输 出层神经元数 目m ， 并开始 网络的学 习， 过程为 ： ( 1 ) 设 t =0 ， 在 区间 0 ， 1 给 W i ( 0 ) 随机地赋 值 ， 并使用公式： = I 对 i ( 0 ) 进行归一化处理 ； ( 2 ) 取 p=1 ； ( 3 ) 将样本 X =( ， ， ， X ) 输入 网络的 输入层 ， 并使用公式 ： 厂 一 d i = ( j 一 W u ) ( i = 1 ， 2 ， ， m ) 计算 。与 中各个 分量 W i =( W ， ， ) 的欧氏距离 d i ； ( 4 ) 选择最小的 d i 相应的输 出层神经元为获胜 神经元 ， 并将获胜神经元的序号记为 i ， 定义获胜 神经元 的输出为 1 ， 其余神经元 的输出为 0 ， 并使用 1 9 0 四川建 筑科学研究 第 3 6卷 公式 ： W i 。 j ( t )+7 7 ( t ) ( 1 p W i ) _ _ + i j 对获胜神经元 的连接权 向量 进行修 正计 算， 非获胜神经元 的连接权保持不变。当获胜神经 元的连接权向量 修正 以后 ， 要对其进行归一化 处理； ( 5 ) 如果 PP， 取 P+1 一p ， 转 向( 3 ) 继续进 行 计算， 否则转向( 6 ) ； ( 6 ) 取 t +1 - - + t ， 按照设定 的方式改变 叼( t ) ， 如 果 7 7 ( t )= 0 ， 结束学习过程 ， 否则 转向( 2 ) 继续进行 学习 。 在以上学习过程中， 公式 中的 卵 ( t ) 是随 t 而改 变的 0 ， 1 之间的数 ， 也称为学习率 ， ( t ) 随 t 变化 的规律有多种形式 ， 要求 t =0时， 7 7 =1 ， 当 t 等于指 定的计算轮次 t 时 ， 7 7 =0 。叼 ( t ) 可按线性变化规 律改变： )_l一 当学习结束以后 ， 就可以使用 自组织映射人工 神经网络对学习样本进行分类 ， 自组织映射人工神 经网络 的输出层神经元数 目， 就是数据的分类数 目。 当把某一个样本输入到神经 网络的输入层以后 ， 要 计算该样本与输 出层各神经元连接权 的欧氏距离 ， 并取其中距离最小者作为获胜神经元， 则该样本归 人获胜神经元所代表的类别。对所有样本均进行上 述计算 以后 ， 就完成了对样本的聚类分析过程。 3 混 凝 土强 度预 测 的双 并 联前 向神 经网络模型 双并联前 向人工神经网络和多层前向神经网络 一 样 ， 也是 由输入层 、 隐含层 和输出层组成， 与多层 前向神经网络( ML F N N) 相比， 它增加了输人层和输 出层神经元 的直接联系。图 3是一个 3层 D P F N N 的拓扑结构示意图。 图 3 3层 D P F N N的拓扑结构 示意 Fi g 3 The t o po l o g y fig ur e o f t o pi c al DPFNN 如图 3所示， 在 3层 D P F N N中， 输人神经元为 m个 ， 隐含层有 R个 ， 输出层则有 z 个 ， 输人层除 了 按一般前向网络的传递途径 ， 即通过隐含层传递到 输出层外 ， 还直接传递到输出层。 双并联前向神经网络是设网络 中输入层 的输入 分别是 ， ， ， ， 则隐含层各神经元的输入分别 为： n ， i= i i +0 。 ( i=1 ， 2 ， ， n ) 式中j 为隐含层神经元 i 与输入层神经元 的连 接权 ； 为隐含层神经元 i 的阈值。选择 s i g mo i d函 数作为隐层神经元 的激发 函数， 则隐层神经元的输 出为 ： O i=_厂 ( ( i=l ， 2 ， ， m) 取输出层神经元的阈值为 O， 另取线性函数为 输出层神经元的激发函数 ， 则可得到整个 网络的输 出为 ： in n Y k=V k io +U kj- ( =1 ， 2 ， ， f ) 式中 表示输出层神经元 与隐层神经元 i 的连 接权 ； U k j 表示输出层神经元 k与输入层神经元 的 连接权。 对于样本数据分组后的每一组数据 ， 均需调用 双并联神经网络算 法进行神经 网络模型的建立 ， 由 于样本数据分组的不确定性 ( 分组 可能多， 也可能 少 ) ， 所以建立的模型信息的存储采用链表形式 ， 这 样可以适合于任何分组。模型建立后 ， 可对样本数 据进行试拟合 ， 用于评估误差的大小。 预测模型建立后 ， 可以读取实际的混凝土配合 比数据， 然后对每一组数据进行分组 。实际数据分 到哪一组 ， 就用这一组的预测模型进行混凝土强度 的计算。 4 实例验证 给予上述原理 ， 编制 了使用系统 ， 本系统主要针 对邯郸地区混凝土强度进行预测。由于篇幅有限 ， 本文以鼓峰水泥的 3 6组样本数据为例 ( 数据来源 邯郸市建筑工程质量检测 中心) ， 经过系统 自动分 析分组 ， 样本被分成 3组 ， 取第 3组的 1 0个测试样 本的训练结果列表 ， 见表 1 。最终训练相对误差为 0 01 4 8 。 自组织映射人 工神经 网络首先进行参数初始 化 ， 如图 4所示 。初始化后 ， 将样本数据读人内存 ， 进行分类计算 ， 数据的分类信息存储于一个能表示 分类位置的数组中， 供将来使用。然后 ， 用双并联神 经网络模型对样本数据进行试拟合 ， 用于评估误差 的大小 ， 如 图 5所 示 2 0 1 0 N o 6 丁声荣 ， 等 ： 混凝 土强度预测的混合神经 网络模型 l 9 l 魄 攀 瓷 装食 念。 萎 鹫 | | i ： 疆 篱鸶 警 牡 l 薯蕾蕾 誊 一一 曩 蒋莓 芎 毽撬 锰 昧稳绻 生 ，9 符： 卜 、 3 | =长 蛩 、 _。| | ； ( “ 移 I 一 雌 精 |m x 耐毽 | 黼 镶 差 _ 誊 输 出 镱 裤 睦 嚣 魏 毂 瀚8 ； 结 象 数 据 |_ l 誊曩 |怒强往0 E骞 2 ：鼓峰 0 lI l： l I哪I 唾 2 6 9 8 9 5 6 7 0 0 l 0 4 3 3 | |甄 彀强： l _ I h -1 6 3 1 5 x t 矗 I 。= 2 6 5 5 00 0 0 2 6 5 5 01 0 1 0 0 0 01 0l 薯 毫 | 薯 叠薯 薯 猕 聃强 o ：无外加剂 i 簪 誊 2 5 9 3 00 0 0 2 5 9 3 5 72 l 0 0 0 57 2l |t t 毒薯 $ 蛰 涌 瞢- 毫 0 ：无 4 - - 。 - t 矗曩。 2 4 0 62 4 58 0 0 0 2 4 5 8 l 鼗曝 潲蔫 3 0 0 崔 2 4 0 6 0 0 0 0 4 2 7 5 O 0 00 0 27 5 O1 6 6 4 0 0 0 1 6 6 4 图4 自 组织映射人工神经网 络的 参数初始化 i 。 o o o o o 2 6 3 0 0 8 4 9。 o o 0 8 9 F g 4 T h p 锄 e r a H 廿 o n o f 。 l f 。 0 g a n j z a t io “ a 图5 拟合结果示 意 ne ut r al ne t w。r k Fi g 5 The s 蚰 l l l a t i O n r e s mt 表 1 混凝土强度预测结果 Ta bl e 1 The r e s u l t f o r pr e di c t i o n o f c onc r e t e s t r e ng t h 水 用 量 曩 水 泥 用 量 砂 子 用 量 石 子 用 量 坍 落 度 系 统 计 算 强 度 相 差 1 9 6 3 2 5 4 0 0 61 2 1 2 42 4 5 2 4 8 2 4 8 0 5 4 0 0 21 7 9 1 9 5 3 2 5 3 9 8 6 3 0 1 2 2 2 4 0 2 6 6 3 2 6 6 2 1 4 0 0 3 2 2 1 9 7 3 2 5 4 0 2 6 2 0 1 2 31 3 5 2 7 O 6 2 7 O 6 1 4 0 0 0 5 5 1 9 8 3 2 5 4 0 4 5 9 1 1 2 5 7 4 0 2 8 9 0 2 8 8 9 4 3 0 01 9 3 1 9 5 4 2 5 3 9 8 6 3 1 1 2 2 6 4 0 2 8 9 O 2 8 8 9 9 0 0 0 0 3 3 1 9 9 4 2 5 4 42 5 8 8 1 2 5 0 3 5 2 9 7 0 2 9 6 9 5 6 0 0 1 4 8 1 9 6 3 2 5 4 3 6 5 9 3 1 2 6 0 3 0 3 0 5 0 3 0 4 9 2 6 0 02 4 0 2 04 3 2 5 4 5 3 58 3 1 2 3 9 3 5 3 0 9 2 3 O 91 3 3 0 02 1 4 1 9 8 3 2 5 4 5 0 5 8 6 1 2 4 6 4 0 3 3 O 0 32 9 9 8 8 0 0 0 3 5 2 0 9 3 2 5 4 8 6 5 5 6 1 2 3 9 4 0 3 5 8 0 3 5 7 9 9 3 0 0 01 9 由表 1 可以看出 ， 系统计算结果与试验结果有 良好的吻合效果 ， 具有足够的精度 ， 可以应用于工程 实 际 中。 5 结 语 本文的创新点在于针对直接采用神经网络进行 混凝土强度预测存在精度低 、 收敛速度忙的缺点 ， 建 立 了混凝土强度预测的混合神经网络模型。该模型 首先根据强度各影响因素 ， 建立大样本库， 且样本数 据均来源于实际工程 ， 然后 ， 采用 自组织神经网络模 型对样本数据进行 自聚类分析， 最后 ， 采用双并联神 经网络模型对分好类 的各组样本数据 进行训练拟 合 ， 验证模型的误差大小 ， 训练好 的系统可用于混凝 土强度的预测。该系统已成功应用在邯郸市建筑工 程质量检测中心 ， 系统 目前正在推广。 参 考 文 献 ： I 杨志远 普通混凝土强度预测 的 8 P神经 网络模型 J 长安大 学学报 ， 2 0 0 3， 2 3 ( 3) ： 5 0 - 5 2 2 C J G J 5 5 2 0 0 0普通混凝土配合 比设计规程 S 3 杨朝晖 ， 刘浩吾 ， 陆金池 混凝 土强度 预测与设 计的神经 网络 方法 J 水力发 电学报 ， 1 9 9 7 ( 1 ) ： 3 3 - 4 0 4 韩敏 ， 等 神经 网络在混凝土强度研究 中的应 用 J 建筑材 料学报 ， 2 0 0 1 ， 4( 2 ) ： 1 9 2 1 9 5 5 姜新佩 ， 邓子辰 ， 丁声荣 ， 等 普通混凝土强度预测 的双并联 前 向神经网络模型 J 建 筑施工 ， 2 0 0 6， 2 8 ( 4 )： 3 04- 3 0 5 6 赵林明， 等 多层前向人工神经网络 M 郑州： 黄河水利出版 社 ， 1 9 9 8