一种快速确定自密实混凝土配合比的神经网络方法与流程

本发明涉及混凝土材料领域，特别涉及一种快速确定自密实混凝土配合比的神经网络方法。

背景技术：

目前，材料设计是指按照指定的材料性能设计最佳的制备和加工方法，其核心是确定成分、工艺及性能间的关系。就当前材料科学的发展而言，常常是仅有成分、工艺和性能之间的相关数据，而其间内在规律尚不很清楚。虽然国内外就自密实混凝土的研究已经进行了不少工作，组成自密实混凝土的原材料多而复杂，影响因素众多，很难用传统的统计或线性回归分析的方法来描述各组分与待测指标之间的关系；迄今为止，在实际工程中配制自密实混凝土时，都要事先进行大量的试验工作，耗费人力、物力。

新拌自密实混凝土要有比较低的屈服值以保证它的流动性，同时具有适宜的粘度以防止离析和泌水，此外在运输、浇注、养护过程中还应该保持匀质性以保证良好的结构性能和长期的耐久性。因此配制自密实混凝土的关键是确保新拌混凝土的变形性能和稳定性之间的平衡。自密实混凝土由于组分复杂，同时缺乏各组分的配比与工程性能之间的理论关系，自密实混凝土的流变与力学性能通常采用回归分析方法和统计模型来描述。对于自密实混凝土的研究，人们首先想到的是用回归的方法从已有实验数据中拟合出材料性能与参数之间的经验公式，但由于影响自密实混凝土性能的因素众多，而且相互制约，使得各因素之间存在非线性关系，而至于怎样的非线性关系又无从得知。

神经网络作为一种模拟人脑神经系统的结构与功能特征的数学处理方法，具有自学习能力，不需要任何先验函数的假设，即可以从实验数据中自动总结规律，并可以用总结出的规律来预测未知。近年来，人工神经网络被引入材料领域，并成为材料设计的一种有效的手段；因此，将人工神经网络应用于自密实混凝土配比设计是亟待解决的问题。

技术实现要素：

本发明就是为了解决如何应用神经网络进行自密实混凝土配比设计的问题，提出一种快速确定自密实混凝土配合比的神经网络方法，先建立神经网络预测模型，利用已有实验数据对进行训练，得到训练好的神经网络模型，实现配合比的设计。

为实现上述发明目的，本发明采取以下技术方案：

一种快速确定自密实混凝土配合比的神经网络方法，包括以下步骤：

s1、建立自密实混凝土配合比的神经网络预测模型；

s2、收集样本对神经网络预测模型进行学习训练，得到训练好的神经网络模型；

s3、利用训练好的神经网络模型对初步拟定的配合比进行预测，对达到预期结果的配合比进行实验验证，对未达到预期结果的配合比，调整后继续利用神经网络模型进行预测，直到达到预期为止。

优选地，步骤s1中，采用实际输出与期望输出之差对网络的各层连接权由后向前逐层进行校正的神经网络预测模型；选择神经网络的层数与各层的神经元数值。

优选地，所述神经网络的层数为3层；所述神经网络的层与层之间采用s型函数连接。

优选地，所述神经网络的输出层为一个处理单元，第一隐层神经元数为10，第二隐层神经元数为5；所述神经网络的输入层包括10个元素向量。

优选地，步骤s2中，所述神经网络的输入值可分别按其输入值进行波动，并进行搭配。

优选地，步骤s2中，所述学习训练包括以下步骤：

a1、连接权及阈值初始化；

a2、输入学习样本对数量，将学习样本对提供给神经网络；

a3、计算中间层各单元的输入、输出；

a4、计算输出层各单元的输入、输出；

a5、计算输出层各单元的校正误差；

a6、计算中间层各单元的校正误差；

a7、调整中间层到输出层之间的连接权及输出层各单元的输出阈值；

a8、调整输入层到中间层之间的连接权及中间层各单元的输出阈值；

a9、更新学习输入模式；

a10、判断全部学习样本对是否训练完成，如是，转a14；如否，进入下一步；

a11、更新学习样本数值，转a2；

a12、更新学习次数；

a13、判断误差是否小于阈值，如是，转a2；如不是，转a15；

a14、判断学习次数是否大于设定值，如不是，转a2；如是，进入下一步；

a15、学习训练结束。

优选地，步骤s3中,包括以下步骤：

b1、将初步拟定的配合比，提供给训练好的神经网络模型；

b2、运行训练好的神经网络模型，得出预测结果；

b3、判断预测结果是否达到预期值，如是，进入下一步；如否，转b6；

b4、初步确定配合比，进行配合比试验验证；

b5、判断试验结果是否与预测一致，如否，进入下一步；如是，转b7；

b6、调整配合比，转b1；

b7、确定配合比；将本次实验数据加入数据库，增加数据库样本数量；

b8、结束。

优选地，对样本中的各参数项，对各参数值进行波动并进行搭配处理，以增大样本量。

优选地，所述波动量由所述参数值的数量级决定。

与现有技术相比，本发明的有益效果为：

本发明通过建立神经网络预测模型，利用数据对进行训练，得到训练好的神经网络模型，能够实现对自密实混凝土性能的预测，进而能够进行配合比的设计，减少试验次数、降低能耗、提高工作效率。

附图说明

图1是本发明的一个具体实施例的神经网络预测模型示意图；

图2是本发明的一个具体实施例的神经网络学习训练流程图；

图3是本发明的一个具体实施例的神经网络方法流程图。

具体实施方式

本发明的一种快速确定自密实混凝土配合比的神经网络方法，包括以下步骤：

s1、建立自密实混凝土配合比的神经网络预测模型；

s2、收集样本对神经网络预测模型进行学习训练，得到训练好的神经网络模型；

s3、利用训练好的神经网络模型对初步拟定的配合比进行预测，对达到预期结果的配合比进行实验验证，对未达到预期结果的配合比，调整后继续利用神经网络模型进行预测，直到达到预期为止。

在本发明的一个具体实施例中，神经网络预测模型的学习过程，如图2所示，包括以下步骤：

a1、连接权及阈值初始化；

a2、输入学习样本对数量，将学习样本对提供给神经网络；

a3、计算中间层各单元的输入、输出；

a4、计算输出层各单元的输入、输出；

a5、计算输出层各单元的校正误差；

a6、计算中间层各单元的校正误差；

a7、调整中间层到输出层之间的连接权及输出层各单元的输出阈值；

a8、调整输入层到中间层之间的连接权及中间层各单元的输出阈值；

a9、更新学习输入模式；

a10、判断全部学习样本对是否训练完成，如是，转a14；如否，进入下一步；

a11、更新学习样本数值，转a2；

a12、更新学习次数；

a13、判断误差是否小于阈值，如是，转a2；如不是，转a15；

a14、判断学习次数是否大于设定值，如不是，转a2；如是，进入下一步；

a15、学习训练结束。

在本发明的一个具体实施例中，本发明的一种快速确定自密实混凝土配合比的神经网络方法，如图3所示，包括以下步骤：

b1、开始；

b2、神经网络模型初始化；

b3、将已有实验数据库样本对提供给神经网络预测模型，进行学习训练，得到训练好的神经网络模型；

b4、将初步拟定的配合比，提供给训练好的神经网络模型；

b5、运行训练好的神经网络模型，得出预测结果；

b6、判断预测结果是否达到预期值，如是，进入下一步；如否，转b9；

b7、初步确定配合比，进行配合比试验验证；

b8、判断试验结果是否与预测一致，如否，进入下一步；如是，转b10；

b9、调整配合比，转b4；

b10、确定配合比；将本次实验数据加入数据库，增加数据库样本数量；

b11、结束。

在本发明的一个具体实施例中，运用数学工具软件matlab中的神经网络工具箱来实现自密实混凝土神经网络模型的建立，神经网络选定输入层由一个包含10个元素的向量组成，输出层为一个处理单元，第一隐层神经元数为10，第二隐层神经元数为5的三层bp网络为神经网络预测模型，网络层数一般不把输入层计算在内，输入向量的每个元素代表混凝土的一种组分，如水泥、水、硅粉、粉煤灰、石灰石粉、矿渣、砂、石、高效减水剂以及增粘剂。由于可查阅到的文献中的实验数据不一定同时包括多个考核指标，如坍落度、扩展度和抗压强度，故网络的输出只设一个计算单元，代表一种考核指标。由此建立的自密实混凝土的人工神经网络模型如附图1所示。

为了增加样本量，对样本中的各参数项，分别按其参数值进行波动，并进行搭配。具体地，对神经网络的各输入参数值分别按±δi波动，并进行搭配，其中，i＝1,2,…,n，其中n为输入变量数，δi的值可按每一个输入值的数量级确定。这样每个实际输入样本可以产生2ⁿ个虚拟样本，从而加大样本空间的范围，改善预测效果。

以上内容是结合具体的/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施例做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。