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。     

基于神经网络的温凝土强度预测

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.     

神经网络法在混凝土强度研究中的应用

讨论了如何应用人工神经网络（ANN）的方法预测混凝土抗压强度,详细论述了采用BP算法建立混凝土抗压强度神经网络模型的过程,以及在活化剂作用下高掺量粉煤灰混凝土的强度效应,仿真结果表明,通过学习,BP网络可成功地建立非线性的强度模型,预测强度可达到较高精度。     

基于BP神经网络混凝土抗压强度预测

在阐述BP人工神经网络原理的基础上,针对影响强度的主要因素,建立了多因子混凝土抗压强度3层BP网络模型,以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料含量及置放天数作为模型输入参数,混凝土抗压强度值作为模型的输出,对混凝土抗压强度进行了预测.实验结果表明:所建BP神经网络混凝土抗压强度预测模型最大...     

基于BP神经网络的绿色混凝土抗压强度预测模型

与普通混凝土相比,绿色混凝土具有成分复杂的特点,为了在多因素作用下更为准确地预测绿色混凝土的抗压强度,在分析三层BP神经网络原理的基础上,选择影响绿色混凝土抗压强度的7个指标,以66个抗压强度试验为示例,建立了三层BP神经网络抗压强度预测模型.验证样本的训练结果表明,该模型能够较准确地快速预测绿色混凝土的抗压强度,并通过对各指标的权重计算,确定了影响绿色混凝土抗压强度的主要因素.     

基于BP网络的碳纤维混凝土强度研究

介绍了应用均匀设计理论设计碳纤维混凝土配方的方法,通过所得到的试验数据,运用人工神经网络(ANN)的方法预测碳纤维混凝土抗压强度和劈裂抗拉强度;阐述了采用BP算法建立碳纤维混凝土抗压强度神经网络模型的过程,仿真结果表明,BP网络可成功地建立非线性的强度模型,预测强度可达到较高精度。     

三种神经网络在混凝土强度预测中的应用

通过建立改进的BP和RBF两种神经网络模型，对混凝土的强度进行预测，将预测值与常规BP神经网络模型预测结果进行了比较，研究表明，改进的BP和RBF的神经网络模型能够充分考虑影响混凝土强度的各种因素，在强度预测中具有广泛的应用前景。     

基于BP和GA-BP神经网络的混凝土抗压强度预测研究

由于影响混凝土抗压强度的因素众多，且抗压强度与各影响因素之间的关系是一种复杂的非线性问题，采用了机器学习的方法较好地对混凝土抗压强度做出预测，研究采用BP和GA-BP两种神经网络分别对混凝土28 d抗压强度进行预测并进行分析，其中输入层的参数为水泥、炉渣、粉煤灰、水、减水剂、粗骨料和细骨料的用量。结果表明：与BP神经网络式相比，GA-BP神经网络预测值与实测值更为吻合，平均误差率减少了43%，有更好的预测能力。同时研究采用灰色关联算法对输入层进行敏感性分析，表明粗骨料用量的改变对28 d混凝土抗压强度的影响最大，并且在输入层删除敏感性较低的参数后，神经网络的预测效果有进一步提高。研究还通过GA-BP神经网络寻最优值对当混凝土强度达到最大值时，输入层各影响因素的数值进行了预测，为混凝土的抗压强度预测和配合比设计提供了分析方法且该神经网络对试验有较好的导向作用。     

高强混凝土强度预测的支持向量机模型及应用

高强混凝土的强度受多种因素的影响,其强度的预测是一个动态性的系统工程。采用支持向量机理论,建立了高强混凝土的强度预测的支持向量机预测模型。并将该模型计算结果与实测混凝土28 d抗压强度、BP网络计算的强度、RBF径向基函数神经网络计算的强度、线性回归模型计算的强度、非线性回归模型计算的强度进行比较。研究表明:预测结果与实测结果吻合较好,较线性回归和神经网络预测精度高,为高强混凝土的强度预测提供了一条新途径。     

普通混凝土强度预测的双并联前向神经网络模型

为了预测混凝土强度，在分析普通混凝土的28d强度的影响基础上，建立了混凝土强度预测的双并联前向神经网络模型。介绍了双并联前向神经网络模型的计算过程厦其学习方法。通过编程用计算机对混凝土强度预测进行了仿真模拟，结果与鲍罗米公式计算蛄果比较表明预测精度高，模型可靠。通过与BP网络模型比较发现双并联前向神经网络模型具有更好的收敛效果。     

人工神经网络在掺活化煤矸石粉混凝土强度预测中的应用

人工神经网络技术综合考虑了掺活化煤矸石混凝土强度的各种影响因素,可用于预测混凝土强度.选取了掺活化煤矸石粉混凝土配料中7个主要因素作为输入值,混凝土28d强度作为输出值,建立起混凝土强度预测BP网络模型,进而对掺活化煤矸石配合比强度试验数据进行分析预测,效果良好.结果表明该方法用于掺矿物掺合料混凝土强度预测方面是可行的.     

Failure Criterion of Concrete under Triaxial Stresses Using Neural Networks

A neural network approach to model the strength of concrete under triaxial stresses is presented in this paper. A radial basis function neural network (RBFNN) and a backpropagation neural network (BPNN) are used for training and testing the experimental data in order to acquire the failure criterion of concrete strength. Unlike the traditional regression analyses where the explicit forms of the equation must be defined first, the neural network approach provides a general form of strength envelope. The study shows that the RBFNN model provides better prediction than the BPNN model. Parametric studies on both models are carried out to find the best neural network structure. Finally, a comparison study between the neural network model and two regression models is made.     

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.     

Deep neural network with high‐order neuron for the prediction of foamed concrete strength

The article presents a deep neural network model for the prediction of the compressive strength of foamed concrete. A new, high‐order neuron was developed for the deep neural network model to improve the performance of the model. Moreover, the cross‐entropy cost function and rectified linear unit activation function were employed to enhance the performance of the model. The present model was then applied to predict the compressive strength of foamed concrete through a given data set, and the obtained results were compared with other machine learning methods including conventional artificial neural network (C‐ANN) and second‐order artificial neural network (SO‐ANN). To further validate the proposed model, a new data set from the laboratory and a given data set of high‐performance concrete were used to obtain a higher degree of confidence in the prediction. It is shown that the proposed model obtained a better prediction, compared to other methods. In contrast to C‐ANN and SO‐ANN, the proposed model can genuinely improve its performance when training a deep neural network model with multiple hidden layers. A sensitivity analysis was conducted to investigate the effects of the input variables on the compressive strength. The results indicated that the compressive strength of foamed concrete is greatly affected by density, followed by the water‐to‐cement and sand‐to‐cement ratios. By providing a reliable prediction tool, the proposed model can aid researchers and engineers in mixture design optimization of foamed concrete.     

双掺粉煤灰和矿渣混凝土强度的BP网络预测模型

双掺粉煤灰和矿渣混凝土的强度发展机理复杂,不能用传统的水灰比线性函数来预测,利用BP神经网络模型来预测其3、28和56d的抗压强度.结果表明:BP神经网络具有较强的非线性映射能力,预测结果比较理想,可以指导实际工程;早龄期的混凝土强度预测值与实测值之间的误差较大,随着粉煤灰和矿渣的二次水化反应逐渐充分,强度发展趋于规律化,预测误差相应变小.     

模糊神经网络在粉煤灰混凝土强度预测中的应用

粉煤灰混凝土强度预测是一个典型的多变量，非线性系统。现在预测的方法准确性较差，难以在实际中被普遍应用。本文将模糊理论与神经网络相结合，综合利用二者的优点，进行粉煤灰混凝土强度的建模与预测。     

基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用

混凝土抗压强度与其影响因素之间存在着很强的非线性关系,精确预测混凝土抗压强度对提高工程质量和施工进度等具有重要意义。为了提高预测值的精确度,建立了二次回归预测模型,利用基于模拟退火的粒子群算法对模型系数进行了优化和求解。实例仿真表明这种经智能算法优化后的二次回归预测模型优于传统神经网络预测模型,预测精度得到了较大提高。     

再生骨料透水混凝土关键性能统计及预测分析

对再生骨料透水混凝土(RAPC)4项关键性能指标(抗压强度、劈拉强度、孔隙率及透水系数)进行了统计分析,发现这4项性能指标均基本服从正态分布规律;同时建立了RAPC宏观性能的统计规律与内在联系.在此基础上,基于人工神经网络方法,运用Python软件建立了基于BP神经网络的RAPC性能预测模型,并对上述关键性能指标进行了相互预测分析.结果表明:4项性能指标的模型预测值平均相对误差均在10%以内,预测精度较高,表明RAPC的透水性能与强度性能之间具有内在的反向关联关系,并具备可预测性.     

大体积混凝土温升神经网络预测

针对大体积混凝土温度场的非稳态特性,提出了一种基于BP人工神经网络的温升预测模型,介绍了BP神经网络预测方法在工程中的应用,预测结果表明,该模型收敛速度快,预测精度较高,从而实现了对大体积混凝土温升的准确预测。