人工神经网络在混凝土耐久性预测上的应用

　　摘要：混凝土耐久性设计一直被学术界与工程界的研究热点，而传统的实验方法必然要耗费大量的时间，一种仿生模型—人工神经网络则能很好地解决这个难题。文中尝试用BP人工神经网络对多种配比的混凝土进行耐久性仿真计算，结果表明此模型的可靠度很高，可以用于混凝土耐久性的虚拟化设计。

　　关键词：人工神经网络;混凝土;耐久性;设计

　　1引言

　　高性能混凝土配合比的设计是耐久性研究的基础，混凝土配合比的设计目标也从按单一强度指标设计转变为按工作性、强度和耐久性的多目标设计。常规的做法主要是通过试配，在不同的龄期进行相关指标的检测，而这必然耗费大量的时间、人力、物力及财力，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。

　　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，在工程界得到了广泛应用[][]，为混凝土耐久性设计提供了有力的支持。

　　2ANNs简介

　　人工神经网络(ArtificialNeuralNetworks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(ConnectionistModel)，是对人脑或自然神经网络(NaturalNeuralNetwork)若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。目前人工神经网络模型有几十种，其中基于BP算法的多层神经网络模型(简称BP网络)是应用较多的模型之一。

　　BP算法由两部分组成：信息的正向传递与误差的反向传播.在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值，逐次向输入层传播进行计算，再经过正向传播过程，这两个传播过程反复运用，使误差信号满足实际需要.此过程见图1。以二层BP网络为例，设输入为P，输入神经元有r个，隐含层内有S1个神经元，激活函数为f1，输出层内有S2个神经元，对应的激活函数为f2，输出为A，目标矢量为T。隐含层第i个神经元的输出为：

　　其中：Pj—第j个输入神经元;

　　w1ij—第j个输入神经元，第i个隐层神经元之间的权值;

　　b1i—第i个隐层神经元的阙值。

　　输出层第k个神经元的输出为：

　　其中：w2ki—第k个输出神经元，第i个隐层神经元之间的权值;

　　b2k—第k个输出神经元的阙值。

　　定义误差函数为：

　　为使BP网络更快的收敛，可以采用附加动量法、自适应学习率法对基本BP算法的改进，能有效缩短训练时间，使误差达到全局最小，详细算法可参考有关文献。

　　3混凝土耐久性评价

　　3.1混凝土原料选取

　　水泥选用冀东水泥厂生产的P.O42.5级普通硅酸盐水泥;

　　矿粉为唐山钢铁公司唐龙矿粉

　　选用天津建筑科学研究院生产的YNB高效减水剂、中国建科院SY引气剂

　　粗骨料为蓟县产5mm～25mm碎石;

　　蓟县产中砂，细度模数为2.7;

　　拌和用水为天津市政工程研究院自来水。

　　3.2混凝土的配比

　　结合天津滨海新区的桥梁建设，进行了混凝土配合比的设计工作，考虑到现场实际情况，做了标养28d，标养7d后自养21d两种工况，进行系列试验，以综合评测指标。

　　表1给出了系列混凝土的配合比设计，并分别测量了标养7d，标养7d后在室内自然养护21d以及标养28d的混凝土强度和氯离子扩散系数，见表2。

　　3.3混凝土性能预测

　　在发展预测模型中，取水泥用量、粉煤灰掺量、矿粉掺量、水灰比、砂率、引气量、减水剂用量7个变量为输入参量，分别以强度和氯离子扩单系数为输出变量，设置1个隐层，16组配比数据，将其中14组作为训练样本。