基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于MEA
‑
BP模型的混凝土抗压强度预测方法


[0001]本专利技术涉及一种混凝土
，具体涉及一种基于
MEA
‑
BP
模型的混凝土抗压强度预测方法
。

技术介绍

[0002]混凝土作为现代建筑建材的重要材料是以水泥为主要凝胶材料，与骨料
、
水，必要时可掺入化学外加剂
(
减水剂
、
膨胀剂等
)
和矿物掺合料
(
粉煤灰
、
矿渣粉等
)
，按适当的比例配合，经过均匀搅拌
、
振实及养护硬化形成的人造石材
。
在实际工程中，不同的结构对混凝土不同龄期的强度都有明确的要求，有效的预测模型无疑能缩减不必要的实验，大幅度提高工作效率
。
而传统的预测模型一般都是包括数学规则和表达式，虽能在一定程度上反映上述复杂特性，但是这种传统的构造方法存在较多缺陷
。
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，已经在许多领域内都取得了应用
。

技术实现思路

[0003]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种预测耗时短，预测精度高的混凝土抗压强度预测方法
。
[0004]为了解决上述技术问题，本专利技术采用了的技术方案：
[0005]一种基于
MEA
‑
BPr/>模型的混凝土抗压强度预测方法，包括以下步骤：
[0006](1)
获取多份混凝土原材料的水胶比
、
砂率
、
浆骨比的参数，以及胶凝材料强度
28d
胶砂抗压强度参数和混凝土
28d
实测抗压强度参数作为样本数据；
[0007](2)
对样本数据进行归一化处理；
[0008](3)
构建
BP
神经网络模型，将归一化处理后的样本数据输入至
BP
神经网络模型中；
[0009](4)
采用
MEA
算法对
BP
神经网络模型进行优化，建立基于
MEA
‑
BP
模型的混凝土抗压强度预测模型；
[0010](5)
将待测混凝土原材料的水胶比
、
砂率
、
浆骨比的参数，以及胶凝材料强度
28d
胶砂抗压强度参数输入至基于
MEA
‑
BP
模型的混凝土抗压强度预测模型中，得到混凝土
28d
抗压强度预测值
。
[0011]作为优化，在
MEA
算法对
BP
神经网络模型的优化过程中，
MEA
算法参数设置包括种群大小
popsize
＝
(50
～
500)
，优胜子种群
bestsize
＝
(4
～
10)
，临时子群体个数
tempsize
＝
(4
～
10)
，子群体大小
SG
＝
popsize/(bestsize+tempsize)
，输入层神经元个数
S1
＝
size(p_train,1)
，隐含层神经元个数
S2
＝
(1
～
15)
，输出层神经元个数
S3
＝
size(t_train,1)
，种群进化迭代次数
iter
＝
(10
～
20)
；
BP
神经网络模型训练的激活函数设置为
tansig
，适应度函数设置为
trainlm
，学习速率为
0.01
～1，网络隐含层节点数为1～
15
，网络最大训练误差为0～
0.1
，训练最大迭代次数为
100
～
1500。
[0012]作为优化，将所述样本数据分为训练样本数据和测试样本数据，训练样本数据和测试样本数据的比例为
(60
～
90)∶(10
～
40)。
[0013]相比现有技术，本专利技术具有以下优点：
、
[0014](1)
结合智能预测方法，以混凝土配合比的原材料信息进行混凝土强度的预测，能够及时预测得到原材料变化对混凝土强度变化的影响，进而可使原材料的使用能更准确
、
更节约，从而减少对资源的浪费以及对环境的破坏，进一步提高经济与社会效益，实现可持续发展；
[0015](2)
基于思维进化算法
(Mind evolutionary algorithm
‑
MEA)
优化混凝土抗压强度的预测方法，其结合自然界的生存规则，将一些生物自然进化现象与计算机科学原理结合起来，相对于传统
BP
神经网络模型具有更好预测效果，预测精度更高，能应用于工程中混凝土质量的预判
。
附图说明
[0016]图1为本专利技术的流程图；
[0017]图2为本专利技术中初始划分出的优胜子种群趋同过程图；
[0018]图3为本专利技术中初始划分出的临时子种群趋同过程图；
[0019]图4为本专利技术中迭代结束后的优胜子种群趋同过程图；
[0020]图5为本专利技术中迭代结束后的临时子种群趋同过程图
。
具体实施方式
[0021]为使本专利技术实施例的目的
、
技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述
。
显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例
。
通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计
。
因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0022]如图1所示，本具体实施方式中的基于
MEA
‑
BP
模型的混凝土抗压强度预测方法，包括以下步骤：
[0023](1)
获取多份混凝土原材料的水胶比
、
砂率
、
浆骨比的参数，以及胶凝材本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
MEA
‑
BP
模型的混凝土抗压强度预测方法，其特征在于：包括以下步骤：（1）获取多份混凝土原材料的水胶比
、
砂率
、
浆骨比的参数，以及胶凝材料强度
28d
胶砂抗压强度参数和混凝土
28d
实测抗压强度参数作为样本数据；（2）对样本数据进行归一化处理；（3）构建
BP
神经网络模型，将归一化处理后的样本数据输入至
BP
神经网络模型中；（4）采用
MEA
算法对
BP
神经网络模型进行优化，建立基于
MEA
‑
BP
模型的混凝土抗压强度预测模型；（5）将待测混凝土原材料的水胶比
、
砂率
、
浆骨比的参数，以及胶凝材料强度
28d
胶砂抗压强度参数输入至基于
MEA
‑
BP
模型的混凝土抗压强度预测模型中，得到混凝土
28d
抗压强度预测值
。2.
根据权利要求1所述的基于
MEA
‑
BP
模型的混凝土抗压强度预测方法，其特征在于：在
MEA
算法对
BP
神经网络模型的优化过程中，
MEA
算法参数设置包括种群大小
popsize=
（
50
～
50...

【专利技术属性】
技术研发人员：罗晖，石波，冯永成，段煜，叶思宏，蒋顺利，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：