【技术实现步骤摘要】
本专利技术涉及建筑材料，具体涉及建筑工程用再生微粉工程水泥基复合材料，特别涉及基于神经网络的建筑用材料强度评估方法及系统。
技术介绍
1、再生微粉工程水泥基复合材料是一种环保且高性能的建筑材料。这种材料主要由硅酸盐水泥作为基体，同时加入了再生微粉作为掺合料。再生微粉通常来源于建筑垃圾，如废旧混凝土、烧结粘土砖等，经过粉磨处理后得到的具有水化活性的粉体。这些再生微粉的加入不仅提高了资源的利用率，还赋予了水泥基复合材料更好的性能。
2、在高海拔或寒冷地区，建筑材料往往会经历频繁的冻融循环。冻融循环会导致材料内部的水分子在结冰和融化过程中产生体积变化，从而对材料的微观结构造成损伤。这种损伤会累积并导致质量损失和动弹模量的降低。
3、频繁的冻融循环和温度应力会导致材料表面的剥落和内部的微裂缝扩展，从而造成质量损失。这种损失会逐渐累积，最终影响材料的耐久性和使用寿命。动弹模量是衡量材料抵抗弹性变形能力的重要指标。由于冻融循环和温度应力的影响，材料的动弹模量可能会发生变化。
4、为此，本专利技术提出基于神经网络的建筑用材料强度评估方法及系统。
技术实现思路
1、有鉴于此，本专利技术实施例希望提供基于神经网络的建筑用材料强度评估方法及系统，以解决或缓解现有技术中存在的技术问题，即如何评估再生微粉工程水泥基复合材料在不同寒冷条件下的材料力学性能(质量损失和动弹模量)的变化，为建筑施工提供预估性指导信息，并对此至少提供一种有益的选择；本专利技术的技术方案是这样实现
2、第一方面，基于神经网络的建筑用材料强度评估方法：
3、(一)概述：
4、本专利技术旨在解决上述技术问题，bp神经网络本身具有强大的非线性映射能力，适合处理复杂的非线性问题。而再生微粉工程水泥基复合材料的力学性能受到多种因素的影响，呈现出复杂的非线性关系。本专利技术的思路是结合pso-bp算法和ga-bp算法对bp神经网络进行优化，pso-bp算法通过粒子群优化算法来优化bp神经网络的初始权值和阈值，从而加快网络的收敛速度并提高预测精度。ga-bp算法则利用遗传算法的全局搜索能力来优化bp神经网络的参数，有助于避免陷入局部最优解。这两种算法都能显著提升bp神经网络的性能。
5、(二)技术方案：
6、为实现上述目的，需执行如下的步骤s1～s5。
7、2.1步骤s1，数据准备：
8、收集不同温度、再生微粉量和养护时间下的水泥基复合材料的质量损失和动弹模量数据，构成数据集d。这些数据将用于训练和优化神经网络。
9、2.1.1步骤s100，构建数据集d为：
10、d＝[{q1,d1,t1},{q2,d2,t2},...,{qn,dn,tn}]；
11、其中，{qi,di,ti}是第i个样本，q、d和t分别是质量损失数据、动弹模量数据和温度数据，n是样本数量。
12、2.1.2步骤s101，对数据集d进行归一化或标准化处理：
13、以消除量纲和数量级的影响，提高神经网络的训练效率：
14、1)归一化：将数据缩放到[0,1]范围(或[-1,1]范围，视具体方法而定)内。对于数据集中的某一特征x：
15、
16、其中：x'是归一化后的值，x是原始数据值，xmin是该特征在数据集中的最小值，xmax是该特征在数据集中的最大值。
17、2)标准化：将数据转换为均值为0，标准差为1的分布：
18、
19、其中：x”是标准化后的值，x是原始数据值，μ是该特征的均值，σ是该特征的标准差。
20、2.2步骤s2，构建bp神经网络模型：
21、神经网络的输入层、隐藏层和输出层。输入层读取数据集d；输出层对应质量损失q和动弹模量d两个参数。随机初始化神经网络的权重和偏置值。
22、2.2.1步骤s200，确定网络结构：
23、bp神经网络由输入层、隐藏层和输出层组成。输入层接收数据集d中的特征，即不同温度、再生微粉量和养护时间。输出层输出两个参数：质量损失q和动弹模量d。网络结构可以用以下方式表示：
24、1)输入层：设有n个输入节点，对应于数据集d中的3个特征(温度、再生微粉量、养护时间)。
25、2)隐藏层：一层或多层，每层有若干个节点。隐藏层的节点数是一个超参数。
26、3)输出层：有2个节点，分别对应质量损失q和动弹模量d。
27、2.2.2步骤s201，初始化网络参数：
28、在bp神经网络中，需要初始化的参数主要是权重(weights)和偏置(biases)。
29、1)权重：连接不同层节点之间的参数，用于传递和转换信息。
30、从一个均值为0，标准差较小(如0.01或0.1)的正态分布中随机抽样作为初始权重。这样可以打破对称性，帮助网络更好地学习：
31、wij～n(0,σ2)；
32、其中，wij表示从节点i到节点j的连接权重，n(0,σ2)表示均值为0、方差为σ2的正态分布。
33、2)偏置：每个节点都有一个偏置参数，用于调整节点的输出。
34、偏置的初始化设置为0或者一个小的正值/负值；
35、2.3步骤s3，利用pso-bp算法优化bp神经网络：
36、通过初始化粒子群评估适应度并更新粒子，根据迭代选择出pso-bp优化模型；
37、2.3.1步骤s300，初始化粒子群：
38、设定粒子群的大小为n，每个粒子的位置表示神经网络的一组权重和偏置值。粒子的位置向量和速度向量表示为：
39、(1)位置向量：
40、xi＝(xi1,xi2,...,xid)；
41、其中d是搜索空间的维度，即神经网络中所有权重和偏置的总数。
42、(2)速度向量：
43、vi＝(vi1,vi2,...,vid)；
44、每个粒子还有一个个体最佳位置pbest和全局最佳位置gbest。
45、2.3.2步骤s301，评估适应度：
46、对于每个粒子，根据其位置(即权重和偏置值)构建神经网络，并计算网络在训练集上的性能。性能评价指标是均方误差(mse)：
47、
48、其中，m是训练样本的数量，ym是真实值，是神经网络的预测值。
49、2.3.3步骤s302，更新粒子：
50、根据粒子的适应度和个体/群体的历史最佳位置来更新每个粒子的速度和位置：
51、vid(t+1)＝
52、w·vod(t)+c1·r1·(pbestid(t)-xid(t))+c2·r2·(gbestd(t)-xid(t))；
53、xid(t+1)＝xid(t)+vid(t+1)；
54、本文档来自技高网...
【技术保护点】
1.基于神经网络的建筑用材料强度评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的材料强度评估方法，其特征在于：在所述S1中，构建数据集D为：
3.根据权利要求1所述的材料强度评估方法，其特征在于：在所述S2中，
4.根据权利要求3所述的材料强度评估方法，其特征在于：在所述S2中，
5.根据权利要求1所述的材料强度评估方法，其特征在于：在所述S3中：
6.根据权利要求5所述的材料强度评估方法，其特征在于：在所述S3中，还包括：
7.根据权利要求1所述的材料强度评估方法，其特征在于：在所述S4中，包括：
8.根据权利要求7所述的材料强度评估方法，其特征在于：在所述S4中，重复计算适应度、选择和交叉变异的步骤，直到达到预设的进化代数；
9.根据权利要求1、5或7所述的材料强度评估方法，其特征在于：预测方法为：
10.基于神经网络的建筑用材料强度评估系统，其特征在于：所述系统包括处理器、与所述处理器连接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行
...【技术特征摘要】
1.基于神经网络的建筑用材料强度评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的材料强度评估方法，其特征在于：在所述s1中，构建数据集d为：
3.根据权利要求1所述的材料强度评估方法，其特征在于：在所述s2中，
4.根据权利要求3所述的材料强度评估方法，其特征在于：在所述s2中，
5.根据权利要求1所述的材料强度评估方法，其特征在于：在所述s3中：
6.根据权利要求5所述的材料强度评估方法，其特征在于：在所述s3中，还包括：
7.根据权利要求...
【专利技术属性】
技术研发人员：余玫芳，曾泳云，
申请(专利权)人：广州科技职业技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。