资源描述：
《基于神经网络的体外预应力筋极限应力的预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、2007年12月云南电大学报Dec.2007第9卷第4期JournalofYunnanRTVUniversityVol.9,No.4基于神经网络的体外预应力筋极限应力的预测杨坚赵志曼潘杰唐琼(昆明理工大学建筑工程学院,云南昆明650224)摘要:鉴于影响体外预应力筋极限应力的因素较多,采用BP和RBF两种人工神经网络模拟方法进行体外预应力筋极限应力进行预测。通过和试验数据比较分析,预测结果与试验结果的相对误差均在10%以内,满足工程需要,因此,采用神经网络预测体外预应力筋极限应力是可行的。关键词:体外预应力筋;极限应力;BP、RBF
2、神经网络;预测中图分类号:TU3文献标识码:A文章编号:1009-4814(2007)04-0083-05一、引言应力、成型工艺和转向块数目等。其中,预应力度反体外预应力筋的极限应力是体外预应力结构极映了预应力混凝土构件被施加的预应力的程度,它包限承载力的决定因素之一,各国学者均十分重视这一含了预应力筋与非预应力筋的面积与强度、混凝土问题的研究,在实验的基础上提出了不少经验公式或强度等因素,是影响应力增量最显著的参数;梁的跨半理论半经验公式。但由于体外预应力筋极限应力高比反映了梁的柔度,与梁的变形曲率有关,且随着的影响因素相当多,实验条件
3、差异性较大,因此这些高跨比的增大,极限应力增量有所降低;外荷载形式公式的精确程度有限,适用范围普遍较小。采用人工代表梁的弯距分布形式,它主要影响梁的变形曲线。神经网络模拟的方法可以较好地解决这一问题。人神经网络的输入参数一般是将影响这个工艺的主要工神经所具有的非线性特性、大量的并行分布式结构因素(指标)提取出来作为整个神经网络的输入参数,以及学习和归纳能力使其在诸如建模、时间序列分而将需要得到的因素(指标)作为神经网络的输出参析、模式识别、信号处理以及控制等方面得到了广泛数。因此,我们取误差反向传播(BP)神经网络及径的应用。尤其面对缺少物理或统计理
4、解、观察数据中向基函数(RBF)神经网络的输入参数依次为:体外预存在统计变化、数据由非线性机制产生等棘手问题,应力筋数、体内预应力数、预应力度、有效预应力、高神经网络能够提供较为有效的解决方法。本文分别跨比、转向块数。神经网络的输出参数为体外预应力采用BP神经网络和RBF神经网络对体外预应力筋筋极限应力。极限应力进行建模及预测。三、基于BP神经网络的建模及预测二、体外预应力筋极限应力建模数据采集BP网络是一种单向传播的、具有三层或三层以同济大学曾对体外预应力混凝土梁的受力性能上的神经网络,包括输入层,中间层(隐层)和输出层。开展实验研究,此处搜集了鄢
5、芳华和邓向辉所做实验上下层之间实现全连接,而每层神经元之间无连接。12的数据用于建模和预测。鄢芳华的实验梁共14当一对学习样本提供给网络后,神经元的激活值从输根,以我国公路桥梁中常用的三车道标准箱形截面梁入层经各中间层向输出层传播,在输出层的各神经元为原形按1:10缩尺设计;邓向辉的试验矩形截面简获得网络的输入响应。接下来,按照减少目标输出与支梁4根的数据。整理、简化后的具体实验数据见表实际误差的方向,从输出层经过各中间层逐层修正各一。连接权值,最后回到输入层,这种算法称为!误差逆体外预应力筋极限应力的大小主要影响因素有:传播算法∀,即BP算法。
6、随着这种误差逆的传播修高跨比、体外/体内预应力配筋比、预应力度、有效预正不断进行,网络对输入模式响应的正确率也不断上收稿时间:2007-10-15作者简介:杨坚(1980-),男,江西临川人,昆明理工大学建筑工程学院硕士研究生。#83#(表一)整理、简化后的实验数据B-2,MB-1,MB-2,MB-3,MB-4,MA-1)作为训练样本数据。采用4组(A-1,A-2,MA-1,MA-2)输入参数输出参数做为模型的测试数据。试体外预转件体体预有效预高应力筋向编外内应应力跨块极限应号筋筋力(Mpa)比数力数数度目(
7、Mpa)A-1800.675117928/42001502A-2800.68124528/42001651B-1800.5672628/42021200B-2800.713126728/42021509MB-012400.8510381/2021578MB-021680.851005.41/20216662.神经网络输入变量的归一化处理。MB-0312120.858681/2021700获取样本数据向量后,由于其中各个指标互不相MB-048160.8510881/2021517同,原始样本中各向量的数量级差别很大,为了计算MA-016100.8511
8、091/1621626方便及防止部分神经元达到过饱和状态,在研究中对MA-021060.8510871/16
