一种基于BP神经网络的混凝土流变性能预测方法技术

本发明专利技术提供了一种基于BP神经网络的混凝土流变性能预测方法，该方法步骤如下：根据混凝土流变性能的影响因素，选取混凝土含气量、粗骨料针片状含量、砂率、粗骨料的集配、砂的细度模数、胶凝材料用量、水灰比、水泥浆的稠度、外加剂掺量，九个参量作为BP神经网络的输入，将对应混凝土的(VDH)90值作为BP神经网络的输出，其中(VDH)90值，其中是V指90秒内流出倒置流出桶的混凝土的体积数、D是指90秒内流出倒置流出桶的混凝土坍塌直径，H是指90秒内流出倒置流出桶的混凝土泛起高度。通过本发明专利技术，可大幅度节省生产与实验成本，提高混凝土施工质量，具有广泛的社会效益与经济效益。具有广泛的社会效益与经济效益。

【技术实现步骤摘要】
一种基于BP神经网络的混凝土流变性能预测方法


[0001]本专利技术涉及一种基于BP神经网络的混凝土流变性能预测方法。

技术介绍

[0002]当前，在预拌混凝土生产领域，从原材料的品质控制到生产过程控制乃至混凝土施工质量质量控制过程，仍然以低效、粗放的生产管理手段为主，这导致原材料的极大浪费、生产成本的无效投入、产品质量不稳定、环保问题日益突出等一系列经济社会问题。
[0003]混凝土流变参数(主要指屈服应力和塑性粘度)是描述混凝土拌和物流动性能的基本物理参数，对新拌制完成的流态混凝土拌合物(简称新拌混凝土)，流变参数反映了新拌混凝土的可施工性能，其数值变化受新拌混凝土组分的影响显著。
[0004]粗骨料是新拌混凝土最主要成分，某一确定的配比下，其级配、颗粒尺寸、粒形形状、表面纹理和实体堆积状态等是影响新拌混凝土流变性的关键因素。现有能够反映粗骨料形状和堆积状态的方法，通常依据混凝土某设计配合比，获取粗骨料空隙率、球度、圆度、针片状粗骨料比例等宏观几何指标参数，并以此用于新拌混凝土工作性定性分析与调控。其中，作为反映目标对象分布特征的一种先进的研究方法，分形理论已经被应用到混凝土等材料性能分析中，但一般研究方法主要是通过单一分形来分析目标对象的分布规律，单一分形的分形维数是从整体角度反映粗骨料的堆积疏密程度分布与形态的复杂性，无法体现出各细分区域实际组分堆积结构特点。随着人们对分形理论的深入研究，多重分形的方法被引入材料性能分析领域，多重分形通过概率密度函数进行测算，着重强调了局部区域的异质性，但缺乏对整体特征的把握。对于流态混凝土拌合物而言，由于粗骨料之间、粗骨料与砂浆体之间相互作用关系极为复杂，采用单一分形维或者采用分形谱刻画离散状态混凝土骨料分布并不能有效获取运动状态下骨料多重特征在砂浆体之间的性能统计分析，无法准确描述新拌混凝土内部粗骨料作用的全面性态、分布以及实际组分堆积结构关系，因而很难反映粗骨料参数对拌合物流变性影响，制约了混凝土流变性的科学量化调控技术应用。
[0005]此外，现有方法中有通过图像分析的方法对混凝土性能进行评价，但这些方法要么通过单一图像进行性能分析，要么通过对混凝土成型后进行切片再处理分析，这样获取性能特征显然不够合理和完备的。对于新拌混凝土，由于粗骨料和砂浆是三维分布，单一图片存在着较大的随机性，往往不能准确表征混凝土的特征，而且切片分析结果也不能准确反映处于流质状态的新拌混凝土性能。
[0006]高性能混凝土为目前混凝土工程应用上主流产品，而高性能混凝土泵送流变性能极为关键，近年来主要通过研究水泥浆体的流变学特性来评价混凝土的工作性能，但是由于混凝土原材料批次性能变化很大，因此影响混凝土流变性因素多，通过简单测量水泥浆体流变性能来预测混凝土流变性能，其结果相去甚远，迫切需要一种方法来预测混凝土流变性能。

技术实现思路

[0007]有鉴于现有技术的上述缺陷，本专利技术的目的在于提供一种基于BP神经网络的混凝土流变性能预测方法，能全面准确反映混凝土原材料技术参数在混凝土流变性中的关键控制作用，解决现有基于粗骨料部分宏观几何参数和水泥浆体流变性对混凝土流变性仅能定性评价或无法细致准确量化评价与调控的缺点，结合BP神经网络数据模型，科学准确对混凝土流变性能进行预测。
[0008]技术方案：一种基于BP神经网络的混凝土流变性能预测方法，该方法步骤如下：
[0009]第一步：根据混凝土流变性能的影响因素，选取混凝土含气量、粗骨料针片状含量、砂率、粗骨料的集配、砂的细度模数、胶凝材料用量、水灰比、水泥浆的稠度、外加剂掺量，九个参量作为BP神经网络的输入，将对应混凝土的(VDH)90值作为BP神经网络的输出，其中，V是指90秒内流出倒置流出桶的混凝土的体积数、D是指90秒内流出倒置流出桶的混凝土坍塌直径，H是指90秒内流出倒置流出桶的混凝土泛起高度；
[0010]第二步：以a个实际样本的混凝土(VDH)90值流变性能测试数据和混凝土含气量、粗骨料针片状含量、砂率、粗骨料的集配、砂的细度模数、胶凝材料用量、水灰比、水泥浆的稠度、外加剂掺量这九个参量的测试数据为基础，收集样本相关输入、输出参量，将收集到的数据作为BP神经网络的训练样本集，确定BP神经网络的输入层及输出层的节点数、隐含层层数、隐含层节点数、传递函数、训练函数、权值和阈值参数；
[0011]第三步：用训练样本集训练BP神经网络，构建出用于预测混凝土流变性能的BP神经网络；
[0012]第四步：进行仿真测试，将待测的混凝土样品的九个参量作为BP神经网络的输入，将BP神经网络输出的对应混凝土的(VDH)90值作为混凝土流变性能的预测结果。
[0013]方法的第二步中确定BP神经网络的方法如下：定义BP神经网络的输入层的节点个数为n，输出层节点个数为m，已知BP神经网络的输入和输出层的节点数分别为输入变量和输出变量的维数，定义隐含层节点数为q，输入层和隐含层间的权值为θ
ji
，j＝1，2，
…
，q；i＝1，2，
…
，n，输入层和隐含层间的阈值为b
j
，j＝1，2，
…
，q，隐含层和输出层的权值为w
kj
，k＝1，2，
…
，m；j＝1，2，
…
，q，隐含层和输出层的阈值为Z
k
，k＝1，2，
…
，m，隐含层的传递函数为f1(
·
)，输出层的传递函数为f2(
·
)，该BP神经网络的隐含层数定为一层。
[0014]方法的第三步中构建出用于预测混凝土流变性能的BP神经网络模型的方法包括：将输入变量经由BP神经网络的输入层输入，再经由隐含层和输出层的计算，输出得到预测结果，将预测结果作为实际输出，定义期望输出，并将实际输出与期望输出的差值逆向传播到输入层和隐含层，BP神经网络按照使误差函数最小的方向调整权值和阈值，训练网络。
[0015]所述第三步中，隐含层节点的输出为：
[0016][0017]式中S为隐含层节点的输出；X为本专利技术的输入变量集合；j、i、n为预设值。
[0018]所述第三步中，输出层节点的输出为：
[0019][0020]式中Y为输出层节点的输出；k、j为预设值。
[0021]当实际输出与期望输出不一致时，输出误差E为：
[0022][0023]式中t为输出层的期望输出值，t＝t1，t2，
····
，t
m
；a为实际样本数；m、k为预设值。
[0024]为了使误差E趋于最小以达到要求，BP神经网络训练的过程为按误差函数的负梯度方向修改权系数，即：
[0025][0026][0027][0028][0029]式(4)和式(5)中，j＝1，2，
…
，q；i＝1，2，
…
，n；式(6)和式(7)中，j＝1，2，
…
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的混凝土流变性能预测方法，其特征在于，包括：第一步：根据混凝土流变性能的影响因素，选取混凝土含气量、粗骨料针片状含量、砂率、粗骨料的集配、砂的细度模数、胶凝材料用量、水灰比、水泥浆的稠度、外加剂掺量，九个参量作为BP神经网络的输入，将对应混凝土的(VDH)90值作为BP神经网络的输出，其中，V是指90秒内流出倒置流出桶的混凝土的体积数、D是指90秒内流出倒置流出桶的混凝土坍塌直径，H是指90秒内流出倒置流出桶的混凝土泛起高度；第二步：以a个实际样本的混凝土(VDH)90值流变性能测试数据和混凝土含气量、粗骨料针片状含量、砂率、粗骨料的集配、砂的细度模数、胶凝材料用量、水灰比、水泥浆的稠度、外加剂掺量这九个参量的测试数据为基础，收集样本相关输入、输出参量，将收集到的数据作为BP神经网络的训练样本集，确定BP神经网络的输入层及输出层的节点数、隐含层层数、隐含层节点数、传递函数、训练函数、权值和阈值参数；第三步：用训练样本集训练BP神经网络，构建出用于预测混凝土流变性能的BP神经网络；第四步：进行仿真测试，将待测的混凝土样品的九个参量作为BP神经网络的输入，将BP神经网络输出的对应混凝土的(VDH)90值作为混凝土流变性能的预测结果。2.根据权利要求1所述的基于BP神经网络的混凝土流变性能预测方法，其特征在于，第二步中确定BP神经网络的方法如下：定义BP神经网络的输入层的节点个数为n，输出层节点个数为m，已知BP神经网络的输入和输出层的节点数分别为输入变量和输出变量的维数，定义隐含层节点数为q，输入层和隐含层间的权值为θ
ji
，j＝1，2，
…
，q；i＝1，2，
…
，n，输入层和隐含层间的阈值为b
j
，j＝1，2，
…
，q，隐含层和输出层的权值为w
kj
，k＝1，2，
…
，m；j＝1，2，
…
，q，隐含层和输出层的阈值为Z
k
，k...

【专利技术属性】
技术研发人员：陈嘉奇，周念，吴小敏，
申请(专利权)人：广东省科学院江门产业技术研究院有限公司，
类型：发明
国别省市：