1、BP人工神经网络在混凝土耐久性设计上的应用闻宝联1张红卫2 刘占永2王春阳1（1.天津市市政工程研究院，天津，300074；2.天津市市政建设发展有限公司，天津，300072）摘要：混凝土耐久性设计一直被学术界与工程界的研究热点，而传统的实验方法必然要耗费大量的时间，一种仿生模型人工神经网络则能很好地解决这个难题。文中尝试用BP人工神经网络对多种配比的混凝土进行耐久性仿真计算，结果表明此模型的可靠度很高，可以用于混凝土耐久性的虚拟化设计。关键词：人工神经网络；混凝土；耐久性；设计 中图分类号：TU973.31 文献标识码：A 文章编号：THE APPLICATION OF BP ANNs IN
2、 CONCRETE DURABILITY DESIGNWEN Bao Lian, ZHANG hong wei, LIU Zhan Yong,WANG chun yang（1. Tian jin municipal engineering research institute, Tianjin, 300074; 2.Tian jin municipal engineering construction& development CO.,LTD , Tianjin, 300072 ）Abstract: Design of Concrete durability is always researc
3、h hot spot in academic circles, the tradition test consume large amount of time surely. One kind of bionic model, ANNs(artificial neural networks), can solve this difficult problem very well, by means of BP ANNs, durability parameter of several concrete is simulated, result indicates that BP ANNs mo
4、del is reliable enough to virtualized concretes design.Keywords: artificial neural networks; concrete; durability; design1 引言 混凝土结构的耐久性设计与预测是目前学术界和工程界关注的热点。而最基本的，高性能混凝土配合比的设计是耐久性研究的基础，混凝土配合比的设计目标也从按单一强度指标设计转变为按工作性、强度和耐久性的多目标设计。常规的做法主要是通过试配，在不同的龄期进行相关指标的检测，而这必然耗费大量的时间、人力、物力及财力，有效的预测模型无疑能缩减不必要的实验，大幅度提
5、高工作效率。图1 基于BP算法的神经元网络结构近年来，随着计算机和生命科学的进步，人工神经网络理论和模型得到了迅速发展，在工程界得到了广泛应用Chen, Youming;et al，, A neural-network-based experimental technique for determining z-transfer function coefficients of a building envelope， Building and Environment, 2000, 35：181-189Bulsari, A，; Some Analytical Solutions to the
6、General Approximation Problem for Feed forward Neural Networks, Neural Networks,1993（6）: 991-996，为混凝土耐久性设计提供了有力的支持。2 ANNs简介人工神经网络（ Artificial Neural Networks， 简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model） ，是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现
7、某个方面的功能。目前人工神经网络模型有几十种，其中基于BP算法的多层神经网络模型（简称BP网络）是应用较多的模型之一。BP算法由两部分组成：信息的正向传递与误差的反向传播在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值，逐次向输入层传播进行计算，再经过正向传播过程，这两个传播过程反复运用，使误差信号满足实际需要此过程见图1。以二层BP网络为例，设输入为P，输入神经元有r个，隐含层内有S1个神经元，激活函
8、数为f1，输出层内有S2个神经元，对应的激活函数为f2，输出为A，目标矢量为T。隐含层第i个神经元的输出为： （1）其中：Pj第j个输入神经元；w1ij第j个输入神经元，第i个隐层神经元之间的权值 ；b1i第i个隐层神经元的阙值。输出层第k个神经元的输出为： （2）其中：w2ki第k个输出神经元，第i个隐层神经元之间的权值；b2k第k个输出神经元的阙值。定义误差函数为： （3）为使BP网络更快的收敛，可以采用附加动量法、自适应学习率法对基本BP算法的改进，能有效缩短训练时间，使误差达到全局最小，详细算法可参考有关文献。3 混凝土耐久性评价3.1混凝土原料选取水泥选用天津振兴水泥厂生产的P.O4
9、2.5级普通硅酸盐水泥；矿粉为唐山钢铁公司唐龙矿粉选用天津建筑科学研究院生产的YNB高效减水剂、中国建科院SY引气剂粗骨料为蓟县产5mm25mm碎石；蓟县产中砂，细度模数为2.7，；拌和用水为天津市政工程研究院自来水。3.2 混凝土的配比结合某沿海桥梁工程，表1给出了系列混凝土的配合比设计，并分别测量了标养7d，标养7d后在室内自然养护28d以及标养28d的混凝土强度和混凝土电通量，见表2表1 混凝土配合比设计序号W/C砂率减水剂/引气量每m3材料用量塌落度/mm水泥/矿粉/水/砂/石/10.450.388.00280120180714116712020.320.3712.5035015016
10、0681115912030.450.388.00.06280120180714116714040.450.388.00.06200200180714116715050.320.3712.50.06350150160681115912060.360.389.00.06315135170707115316070.450.386.00.05280120180714116717080.450.386.00.032801201807141167160表2 混凝土不同养护条件下强度及电通量序号混凝土强度/MPa混凝土电通量/C标7标28标7自28标7标28标7自28139.451.051.52407990
11、1889254.467.369.815297391059329.239.032.4231210471844421.435.131.6270911951831540.644.045.418046501235646.756.957.213517691052715.824.626.1242312422791834.041.139.2168694615343.3混凝土配合比取水胶比、水泥用量、矿粉用量、含气量和单方用水量为输入参量，分别以三种环境下混凝土的抗压强度、电通量值为输出变量，设置1个隐层，实验数据10组，将后3组作为训练样本，前7组作为检验样本，训练中取最小训练速率为0.1，冲量系数取0.6
12、，容许误差为0.0001，最大迭代次数为1000次，训练函数用带动量项和自适应学习率的traindx()，学习函数用learndm()函数，传递函数用sigmoid()函数，经对比采用5-9-1网络进行仿真计算，表3分别给出模型的仿真计算结果。表3 BP人工网络预测的混凝土性能参数与误差序号网络计算强度与误差网络计算计算电通量与误差标7/MPa误差/%标28/MPa误差/%标7自28/MPa误差/%标7/C误差/%标28/C误差/%标7自28/C误差/%139.4 0.11 51.0 0.06 51.5 0.05 2409.1 0.09 990.8 0.08 1871.0 0.95 254.3
13、 0.14 66.8 0.69 69.7 0.08 1528.3 0.05 750.1 1.49 1060.2 0.11 327.8 4.35 36.7 5.9 33.3 2.63 2253.9 2.51 1093.5 4.44 1769.8 4.03 421.1 1.18 35.3 0.50 30.9 2.06 2672.2 1.36 1181.1 1.16 1844.7 0.75 540.6 0.05 44.0 0.08 45.4 0.00 1802.4 0.09 659.6 1.48 1234.6 0.03 647.6 1.95 57.9 1.79 56.7 0.84 1421.5 5.
14、22 752.1 2.20 1107.9 5.32 720.3 28.62 29.5 19.79 28.3 8.52 2522.3 4.10 1179.8 5.01 1860.2 6.79 833.3 2.18 40.7 1.03 38.9 0.86 1672.5 0.80 948.0 0.21 1536.0 0.13 从计算的结果上看，除去个别配合比，如第7组，网络具有很高的仿真精度，误差基本都在5%以内。而第7组配合比，分析认为在试件的制作过程的某个环节上出现了操作上的失误，因为第3、7、8组配合比除了含气量不同（第3组6%第7组5%，第8组3%），其余完全一致。强度应该按第8组第7组第3
15、组，而实际上第7组强度反而比第3组低，从表3可以看出，第7组的各项仿真指标误差都很大。这也从侧面说明，人工神经网络具有很高的“智能”，可以有效识别出不符合规律的“坏点”，而不会“迁就”，这也是人工神经网络在各行业被广泛应用的主要原因之一。4 结论本文尝试将人工神经网络应用于混凝土耐久性设计，建立了不同环境下混凝土强度、抗氯离子渗透性随水胶比、水泥用量、矿粉掺量、用水量等变化的人工神经网络模型，很好地预测了混凝土性能指标随各种因素的变化。需要指出的是，模型是根据较少的样本训练出的，但所建立的神经网络模型是动态的，随着实测数据的不断积累，可以不断加强网络的学习能力，即它可以在新取得的样本基础上进行自学习，形成更完善、更完整的评估预测系统，使网络的输出值更加接近实测值，从而进一步提高预测的精度和模型的应用范围，并应用于混凝土耐久性虚拟设计，节约大量的时间和财力。第一作者简介：闻宝联（1968 - ），男，高级工程师，工学博士，研究方向为混凝土耐久性。通讯地址：天津市河西区平山道39号，300074Email:wenbaolian联系电话：13752384681参考文献：
