论文部分内容阅读
摘要：模袋混凝土通常要求具有较大的流动性、强度和耐久性。为了生产出满足这些需求的高质量模袋混凝土，一般都是在规范规定的范围内，专家的经验发挥着至关重要的作用。为了降低配合比设计中人为因素的影响和提高工作效率，本文通过实测数据，首先用主成分分析法分析了影响流动性和强度大小的主要因素，然后采用的神经网络就能很好的预估模袋混凝土的流动性和强度。
关键词：工作性能 强度 主成分分析 BP神经网络
1.引言
模袋混凝土在北方防渗衬砌渠道工程中已得到广泛应用，由于模袋混凝土施工要求混凝土具有较高的流动性，所以外加剂已经成为模袋混凝土不可缺少的组分部分，为了降低工程成本，会在模袋混凝土中加入适量的粉煤灰和矿渣，造成模袋混凝土的组分多，评价因子也多，特别是强度需要28天的养护时间，如果检测强度不满足要求，则进行改进就太晚了。因此，本文通过20组实测数据，用主成分分析法分析了影响流动性和强度大小的主要因素，用BP神经网络对模袋混凝土的流动性和抗压强度进行预测，以期为模袋混凝土配比的优化设计提供参考。
2.试验
2.1原材料试验
水泥依据《通用硅酸盐水泥》GB175的相应要求，检测其含碱量、矿物组成、细度和水化热等技术指标，均符合设计要求。粗、细骨料依据《水工混凝土施工规范》SL677-2014的相应要求，检测其表观密度、含泥量、有机物含量等指标，也均符合设计要求。其中各种原材料的表观密度见表1。
2.2试验方案设计
试验方案采用正交试验实验方案中的组合法进行设计，保持粉煤灰掺量20%不变，选定水泥用量、水灰比、减水剂掺量3个因素都为4个水平，砂率、细集料用量2个因素都为5个水平，具体各因素的水平取值见表1。
3.试验结果分析
3.1用主成分分析法分析影响模袋混凝土的流动性和抗压强度的主要因素
在统计中，主成分回归（PCR）是一种基于主成分分析（PCA）的回归分析技术。更具体地说，PCR用于估计标准线性回归模型中的未知回归系数。本文将主成分个数设置为5，最终结果见表3.
3.2神经网络预测模袋混凝土的流动性和抗压强度
反向传播（Back propagation，缩写为BP）是一种用于人工神经网络的方法，用于计算在计算网络中使用的权重需要用到的梯度。反向传播是“误差反向传播”的简写，因为误差是在输出时计算的，并且从输出层往后分布于网络的各个层。它通常被用来训练深层神经网络。
反向传播是将delta规则推广到多层前馈网络，通过使用链规则迭代计算每个层的梯度来实现。反向传播是一种更通用的技术称作自动微分的特例。在学习的中，反向传播通常被梯度下降优化算法所使用，通过计算损失函数的梯度来更新神经元权重，以最小化损失函数。本文用Matlab软件对BP神经网络进行训练，主要步骤：（1）划分训练集和测试集;（2）数据归一化;（3）BP神经网络创建、训练及仿真测试;（4）数据反归一化;（5）性能评价。具体结果见表4。
4.结论
（1）从表2可以看出外加剂的掺量对模袋混凝土的工作性能和强度有至关重要的影响。
（2）本文采用BP神经网络，在模袋混凝土配合比参数（单位水泥含量、水灰比、砂率、单位粗骨料含量、外加剂）的基础上预估了模袋混凝土的塌落度、扩展度、含气量和抗压强度。研究结果表明，强度、扩展度、塌落度和含气量预测估算结果与试验结果的最大相对误差分别为9%、20%、2%、20%。所以基于BP神经网络的模袋混凝土抗压强度、塌落度的預测是有效的。
关键词：工作性能 强度 主成分分析 BP神经网络
1.引言
模袋混凝土在北方防渗衬砌渠道工程中已得到广泛应用，由于模袋混凝土施工要求混凝土具有较高的流动性，所以外加剂已经成为模袋混凝土不可缺少的组分部分，为了降低工程成本，会在模袋混凝土中加入适量的粉煤灰和矿渣，造成模袋混凝土的组分多，评价因子也多，特别是强度需要28天的养护时间，如果检测强度不满足要求，则进行改进就太晚了。因此，本文通过20组实测数据，用主成分分析法分析了影响流动性和强度大小的主要因素，用BP神经网络对模袋混凝土的流动性和抗压强度进行预测，以期为模袋混凝土配比的优化设计提供参考。
2.试验
2.1原材料试验
水泥依据《通用硅酸盐水泥》GB175的相应要求，检测其含碱量、矿物组成、细度和水化热等技术指标，均符合设计要求。粗、细骨料依据《水工混凝土施工规范》SL677-2014的相应要求，检测其表观密度、含泥量、有机物含量等指标，也均符合设计要求。其中各种原材料的表观密度见表1。
2.2试验方案设计
试验方案采用正交试验实验方案中的组合法进行设计，保持粉煤灰掺量20%不变，选定水泥用量、水灰比、减水剂掺量3个因素都为4个水平，砂率、细集料用量2个因素都为5个水平，具体各因素的水平取值见表1。
3.试验结果分析
3.1用主成分分析法分析影响模袋混凝土的流动性和抗压强度的主要因素
在统计中，主成分回归（PCR）是一种基于主成分分析（PCA）的回归分析技术。更具体地说，PCR用于估计标准线性回归模型中的未知回归系数。本文将主成分个数设置为5，最终结果见表3.
3.2神经网络预测模袋混凝土的流动性和抗压强度
反向传播（Back propagation，缩写为BP）是一种用于人工神经网络的方法，用于计算在计算网络中使用的权重需要用到的梯度。反向传播是“误差反向传播”的简写，因为误差是在输出时计算的，并且从输出层往后分布于网络的各个层。它通常被用来训练深层神经网络。
反向传播是将delta规则推广到多层前馈网络，通过使用链规则迭代计算每个层的梯度来实现。反向传播是一种更通用的技术称作自动微分的特例。在学习的中，反向传播通常被梯度下降优化算法所使用，通过计算损失函数的梯度来更新神经元权重，以最小化损失函数。本文用Matlab软件对BP神经网络进行训练，主要步骤：（1）划分训练集和测试集;（2）数据归一化;（3）BP神经网络创建、训练及仿真测试;（4）数据反归一化;（5）性能评价。具体结果见表4。
4.结论
（1）从表2可以看出外加剂的掺量对模袋混凝土的工作性能和强度有至关重要的影响。
（2）本文采用BP神经网络，在模袋混凝土配合比参数（单位水泥含量、水灰比、砂率、单位粗骨料含量、外加剂）的基础上预估了模袋混凝土的塌落度、扩展度、含气量和抗压强度。研究结果表明，强度、扩展度、塌落度和含气量预测估算结果与试验结果的最大相对误差分别为9%、20%、2%、20%。所以基于BP神经网络的模袋混凝土抗压强度、塌落度的預测是有效的。