基于BP神经网络混凝土抗压强度预测.pdf

《基于BP神经网络混凝土抗压强度预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-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皮文山，周红标，胡金平(1．淮阴工学院总务基建处．江苏淮安22300~；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。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

2、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—03PREDICTIoN0lFCoNCRETECoM口E．RESSⅣESTIuENGTHBASEDoNBPNEURALNE．I'1WoRKPIWen．shan，ZHOUHong—biao，HUJin．ping3(1．HuaiyinInstituteofTech．，JiangsuHuai’an223003，China；2．FacultyofElectronica

3、ndElectricalEngineering，HuaiyinInstituteofTech．，JiangsuHuai’all223003，China；3．CollegeofElectricalandInformationEngineering，LanzhouUniv．ofTech．，Lanzhou730050，China)Abstract：Aimedatthemainfactsofconcretecompressivestrength，amulti—factor3-layerBPnet—workmodelwassetupusingBPartificialneuralnet

4、workforthepredictionofconcretecompressivestrength，withcement，blastfurnaceslag，flyash，water，superplasticizer，coarseaggregate，fineaggregateandageasthemodelinputparameters，andconcretecompressivestrengthasthemodeloutputparame-ter．TheresultsshowthatthemaximumpredictederrorofBPneuralnetworkmodel

5、islessthan20％，theaverageerroris5．99％，andtheconcretecompressivestrengthartificialneuralnetworkmodelhashigherpredictionaccuracy．Keywords：concrete；compressivestrength；BPneuralnetwork；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r

6、s,6]。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功能j。神经网络预测运用较多的是BP算法，利用BP可最多的也就是三层BP网络结构模型】。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神经网络的训练过程包括以下几个步骤J：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(，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f，输出层节点数m，工程领域中的应用提供了理论依据。初始化输入层、隐含层和输

7、出层神经元之间的连接权值to，1BP神经网络原理及算法∞，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，输人步骤2：隐含层输出计算。根据输入向量，输入层和隐信号从输入层经隐含层逐层处理，直至输出层。每一层的含层问连接权值∞及隐含层阈值o，计算隐含层输出。神经元状态只影响下一层神经元状态。如果输入层得不到^=∑一)J=1，2，⋯，z(1)期望输出，则转入反向传播，根据预测误差调整网络权值和‘l阈值，从而使