利用神经网络进行不同配合比设计、优化方法的比较.docx

《利用神经网络进行不同配合比设计、优化方法的比较.docx》由会员分享，可在线阅读，更多相关《利用神经网络进行不同配合比设计、优化方法的比较.docx（9页珍藏版）》请在第一文库网上搜索。

1、基于此，利用神经网络进行不同配合比设计、优化方法的比较是简便且可行的。1.1. 试验研究1.1. 1.试验设计为了建立神经网络模型，设计了一-组正交试验作为训练组，4组试验作为验证组。 正交试验考虑4个因素，4个水平，详见表Io表1正交试!险因素、水平水胶比（WZB）硅灰（SF/C）砂胶比（S/B）钢纤维（V%）0.160.20.800.180.31.010.200.41.220.220.51.43基于表1,查询正交表，设计正交试验（训练组）见表2。表2正交试验（训练组）配合比参数编号水胶比（W/B）硅灰（SF/C）砂胶比（S/B）钢纤维（V%）10.160.20.8020.160.31.01

2、30.160.41.2240.160.51.4350.180.21.0360.180.30.8270.180.41.4180.180.51.2090.200.21.21100.200.31.40110.200.40.83120.200.51.02130.220.21.42140.220.31.23150.220.41.00160.220.50.81另外选取4组配合比试验作为验证组，这4组配合比不属于正交试验中的配合比，详见 表3。表3验证组配合比参数编号水胶比(W/B)硅灰(SF/C)砂胶比(S/B)钢纤维(V%)A0.180.31.2IB0.200.41.02C0.220.51.43D0.1

3、80.41.401.2. 2.配合比计算采用假定密度法进行配合比计算，根据经验假定RPC的容重为2500 kgm计算结果 见表4o表4试验配合比材料用量(单位：kgm3)编号水泥硅灰砂水减水剂钢纤维11051.7210.31009.7201.926.302854.9256.51111.4177.821.4783704.1281.61182.9157.717.61564586.3293.11231.2140.714.72345858.0171.61029.6185.321.52346901.9270.6938.0211.022.51567665.9266.41305.2167.816.67886

4、95.4347.71251.7187.817.409833.7166.71200.6200.120.87810734.2220.31336.3190.918.4011802.1320.8898.4224.620.123412705.0352.51057.4211.517.615613739.7147.91242.6195.318.515614714.6214.41114.8204.417.923415798.0319.21117.1245.819.9016792.8396.4951.4261.619.878A776.5233.01211.4181.719.478B754.9302.01056.

5、9211.418.9156C572.9286.51203.2189.114.3234D687.4275.01347.3173.217.20注：1.其中减水剂的质量为水泥的质量2.5%；2.钢纤维的密度以7800 kg?计算。1.3. 3.试验方法试验步骤：1）先将称好的水泥、硅灰、砂倒入搅拌机中干拌4 min。2）将称好的减水剂溶于水中，倒入搅拌机，搅拌4 min。3）将钢纤维慢慢倒入搅拌机中（防止结团），再搅拌4 min。4）测其容重，然后倒入IoommX IOOmmXIoomm三联模中，放到振动台上振实。24h后拆模养护，测其强度。养护方法：1）自然养护：自然养护24h拆模+标准养护，测2

6、8d抗压强度。2）蒸压养护：自然养护24h拆模+蒸压养护8h,测7d抗压强度。试验方法：强度测量方法详见GB/T 50081-2002普通混凝土力学性能试验方法标准。1.4. 4.试验结果试验结果见表5o表5试验结果组容重(kg)自然养护28d抗压强度fn （MPa）蒸压养护7d抗压强度fa （MPa）坍落度（mm）1213080.5103.229022365121.8161.723532378143.6191.74042464139.1167.005230097.6124.727062267111.0139.628072322100.5122.81608216792.3112.9245921

7、0481.197.926510205369.981.4260112369120.0171.6250122280111.2129.024013208971.785.526014208971.592.827015204770.083.329016216792.6116.2280A219892.6116.6200B2273103.2132.5240C220096.0120.0210D221390.4115.22001.1 5.实际钢纤维掺量的调整根据实际测得的容重，对钢纤维的实际体积掺量进行调整，计算结果见表6。表6钢纤维实际掺量计算组别设计掺量 (V%)实际容重 (kgm3)实际体积 (m3)实际

8、掺量 (V%)1021301.173708920.002123651.0570824520.953223781.0513036161.904324621.0154346062.955323001.0869565222.766222671.1027790031.817123221.0766580530.938021671.1536686660.009121041.1882129280.8410020531.2177301510.0011323691.0552975942.8412222801.0964912281.8213220891.1967448541.6714320891.19674485

9、42.5115020471.2212994630.0016121671.1536686660.87A121981.1373976340.88B222731.0998680161.82C322001.1363636362.64D022131.1296882060.001. 2.神经网络建立与验证1. 2. 1.神经网络建立基于试验数据，建立用于性能预测的神经网络模型。其中输入层有4个神经元，分别是 水胶比（W/B）、硅灰掺量（用硅灰占水泥质量比，SF/C表示）、砂胶比（S/B）、钢纤维 掺量（体积掺量，V%）,输出层有2个神经元，分别是自然养护28d抗压强度（MPa）, 蒸压养护7d抗压强度（M

10、Pa）。隐含层10个神经元，模型见图U图1神经网络模型图隐含层的传递函数为：tansig() = 2/(l + exp(-2)-l,输出层的传递函数为线性函 数，对神经网络进行训练。在训练之前，首先对输入输出数据进行归一化处理。数据归一化 处理把所有输入、输出数据按照一定的方法转化为0,1或-1,1之间的数(本文中是转换成 -1,1之间的数)，其目的是取消各维数据之间的数量级差别，避免因为输入、输出数据数 量级差别较大而造成网络预测误差较大(如本文中第3组输入数据为0.16、0.4、1.2、2, 输出数据是191.7,数量级相差较大)。编写代码如下：P=0,16 0.16 0.16 0.16

11、0.18 0.18 0.18 0.18 0.2 0.2 0.2 0.2 0.22 0.22 0.22 0.22;0.2 03 0.4 0.5 0.2 0.3 0.4 0.5 0.2 0.3 0.4 0.5 0.2 0.3 0.4 0.5;0.8 I 1.2 1.4 1 0.8 1.4 1.2 1.2 1.4 0.8 I 1.4 1.2 1 0.8;0 0.95 1.90 2.95 2.76 1.81 0.93 0 0.84 0 2.84 1.82 1.67 2.51 0 0.87%训练组输入数据P 1 ,ps 1 =mapminmax(P)%数据归一化，使矩阵Pl的每一行的最低和最高值映射到默

12、认区间处理方式存 为PSIT=f80.5 121.8 143.6 139.1 97.6 111.0 100.5 92.3 81.1 69.9 120.0 111.2 71.7 71.5 70.0 92.6; 103.2 161.7 191.7 167.0 124.7 139.6 122.8 112.9 97.9 81.4 171.6 129.0 85.5 92.8 83.3 116.2%训练组输出数据(T1 ,ps2=mapminmax(T)%数据归一化，使矩阵Tl的每一行的最低和最高值映射到默认区间-1,1,处理方式存 为ps2net=newff(minmax(P 1),10,2, tansig,purelin,)net.trainparam.epochs= 1000net.trainparam.goal=0.000000000000001%神经网络建立与参数设置net=train(net,P 1,T1)%对神经网络进行训练P_test=ro.l 8 0.2 0.22 0.18;0.3 0.4 0.5 0.4; 1.2 1 1.4 1.4;0.88 1.82 2.64 0%测试组输入数据P_test 1 =mapminmax（,apply,P-test,ps 1）%应