资源描述：
《基于bp神经网络混凝土抗压强度预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、14低温建筑技术2011年第4期(总第154期)基于BP神经网络混凝土抗压强度预测123皮文山,周红标,胡金平(1.淮阴工学院总务基建处,江苏淮安223003;2.淮阴工学院电子与电气工程学院,江苏淮安223003;3.兰州理工大学电信学院,兰州730050)【摘要】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。
2、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误差绝对值都小于20%,平均误差为7.33%,模型具有较高预测精度。【关键词】混凝土;抗压强度;BP神经网络;预测【中图分类号】TU528.1【文献标识码】A【文章编号】1001-6864(2011)04-0014-03PREDICTIONOFCONCRETECOMPRESSIVESTRENGTHBASEDONBPNEURALNETWORK123PIWen-shan,ZHOUHong-biao,HUJin-ping(1.HuaiyinInstituteofTech.,Ji
3、angsuHuai'an223003,China;2.FacultyofElectronicandElectricalEngineering,HuaiyinInstituteofTech.,JiangsuHuai'an223003,China;3.CollegeofElectricalandInformationEngineering,LanzhouUniv.ofTech.,Lanzhou730050,China)Abstract:Aimedatthemainfactsofconcretecompressivestrength
4、,amulti-factor3-layerBPnet-workmodelwassetupusingBPartificialneuralnetworkforthepredictionofconcretecompressivestrength,withcement,blastfurnaceslag,flyash,water,superplasticizer,coarseaggregate,fineaggregateandageasthemodelinputparameters,andconcretecompressivestren
5、gthasthemodeloutputparame-ter.TheresultsshowthatthemaximumpredictederrorofBPneuralnetworkmodelislessthan20%,theaverageerroris5.99%,andtheconcretecompressivestrengthartificialneuralnetworkmodelhashigherpredictionaccuracy.Keywords:concrete;compressivestrength;BPneural
6、network;prediction近几年迅速发展的人工神经网络(ArtificialNeuralNet-神经网络预测前首先要训练网络,通过训练网络使网络具[5,6]work,ANN)是解决非线性问题的有效手段之一,其具有容有联想记忆和预测能力。有人证明用一个三层网络即错、联想、推测、记忆、自适应、自学习和处理复杂多模式的可模拟任意复杂的非线性问题,因而在实际研究当中采用[3]最多的也就是三层BP网络结构模型[7]。功能。神经网络预测运用较多的是BP算法,利用BP可[8]以不用了解混凝土复杂的硬化过程,直接可通过训练样本BP神
7、经网络的训练过程包括以下几个步骤:建立混凝土抗压强度预测模型,并以该模型对测试样本进步骤1:网络初始化。根据系统输入输出序列(X,Y)确行预测,得到了测试样本的抗压强度值,这为混凝土在建筑定网络输入层节点数n、隐含层节点数l,输出层节点数m,工程领域中的应用提供了理论依据[4]。初始化输入层、隐含层和输出层神经元之间的连接权值ωij,1BP神经网络原理及算法ωjk,初始化隐含层阈值a,输出层阈值b,给定学习速率和神BP神经网络是一种多层前馈神经网络,该网络的主要经元激励函数。特点是信号前向传播,误差反向传播。在前向传递中,输入
8、步骤2:隐含层输出计算。根据输入向量X,输入层和隐信号从输入层经隐含层逐层处理,直至输出层。每一层的含层间连接权值ωij及隐含层阈值a,计算隐含层输出H。神经元状态只影响下一层神经元状态。如果输入层得不到nHj=f(∑ωijxi-aj)j=1,2,…,l(1)期望输出,则转入
