混凝土抗渗性能预测的广义回归神经网络模型及应用.pdf

2 0 1 1 年 第 2 期 (总 第 2 5 6 期 ) Nu mb e r 2 i n 2 0 1 1 ( T o t a l No 2 5 6 ) 混 凝 土 Co n c r e t e 理论研究 THEORET1 CAL RES EARCH d o i ： 1 0 3 9 6 9 j i s s n 1 0 0 2 3 5 5 0 2 0 1 1 0 2 0 1 4 混凝士抗渗性能预测的广义回归神经网络模型及应用 赵万里 ( 长春工程学 院 土木学院 ，吉林 长春 1 3 0 0 1 2 ) 摘要： 混凝土抗渗性能影 响其结构 的耐久性 ， 通过正交试验数据 ， 采用广 义回归神经 分析方 法 ， 研究 混凝土的氯离子扩散 系数与混凝 土配合比6 个参数之间的非线性映射关系， 建立了混凝土抗渗性能评估的广义回归网络模型， 该研究成果可以减少混凝土试配次数， 节约 大量 的人力 、 物力和时间， 为高性能混凝土的研究发展奠定 了基础。 结果表明此模 型的可靠度很高 ， 可以用于混凝 土渗透性的设计及评估 。 为混凝土抗渗性能的预测提供 了一条新 的途径。 关键词 ： 正交试验 ；氯离子扩散 系数 ；广义 回归 神经网络 ；抗渗性能 中图分类号 ： T u 5 2 8 O 1 文献标志码 ： A 文章编号 ： 1 0 0 2 3 5 5 0 ( 2 0 1 1 ) 0 2 0 0 4 6 0 3 Gen er a l r e gr e s s i on ne ur al ne t wor k mo del f o r pr edi c t i ng i mper me ab i l i t y o f c onc r e t e ZF o W 一 l i ( C i v il E n g i n e e ri n g C o l l e g e ， C h a n g c h u n I n s t i t u t e o f T e c h n o l o g y， C h a n g c h u n 1 3 0 0 1 2 ， C h i n a ) Ab s t r a ct： C o n c r e t e p e r me a b i l i t y h a v e a d i r e c t i mp a c t o n i t s d u r a b i l i ty， a n d t h e t r a d i t i o n t e s t c o n s u me l a r g e a mo u n t o f t i me s u r e l y A c c o r d i n g o r - t ho g o n a l t e s t da t a， t h e r e l a t i o n s h i p b e twe e n t h e c h l o rid e d i ffu s i o n c o e ffi c i e n t a n d s i x p a r a m e t e r s o n t h e i mp e r m e a b l e pe r f o rm a n c e Wa S p r e s e n t e d Ba s e d o n g e n e r a l r e g r e s s i o n n e u r a l n e tw o r k n o n l i n e ar a n a l y s i s me t h o d， a i n t e l l i g e n t i n f o r ma t i o n a n a l y s i s o f n o n l i n e a r g e n e r a l r e gr e s s i o n n e ur a l n e tw o r k me t h o d， a ll a r t i fi c i a l i n t e l l i g e n c e i n f o r ma t i o n mo d e l f o r p r e d i c t i n g i mp e r me a b i l i ty o f c o n c r e t e wa s e s t a b l i s h e d Re s u l t i n d i c a t e s t h a t p r o j e c t i o n p u r s u i t r e gre s s i o n mo d e l i s r e l i a b l e e n o u g h t o c o n c r e t e S v i r t u a l d e s i g n I t p r o v i d e s a n e w wa y t o p r e d i c t i mp e rm e a b i l ity o f c o n c r e t e Ke y wo r d s ： o r t h o g o n a l t e s t ； c h l o r i d e i o n d i ffu s i o n c o e ffic i e n t ； g e n e r a l r e g r e s s i o n n e ura l n e t wo r k ； i mp e rm e a b i l i ty 0 引言 研究混凝土抗渗性可以科学有效的评价混凝土结构的耐 久性。 合理确定混凝土配合比意义重大 】 。 影响混凝土的抗渗 能力的影响因素有诸如水胶 比、 水泥强度 、 矿物掺合料的用量 以及石子类型等。 目前一般主要通过试配， 在相应的龄期进行相 关指标 的检测 ， 不断进行调整和试配来获得所需的混凝土性能 ， 这样耗费了大量人力、 物力和财力 。 近年来， 随着科学技术和 计算机的应用发展 ， 人工神经网络理论得到了飞速发展 ， 在 自 然科学各个学科都得到了广泛应用 1 - ， 如混凝土配合比的设 计、 钢筋腐蚀量的预测、 强度的预测 、 坍落度的预测、 混凝土外 掺料的掺量问题等， 为混凝土抗渗能力的研究提供了有力的支 持。 但是传统 B P神经网络在计算时容易陷入局部最小， 且很难 得到稳定的结果 ， 模型参数确定困难。 广义回归神经网络 G R N N ( g e n e r a l i z e d r e g r e s s i o n n e u r a l n e t wo r k ) 是一种局部 逼近网络 ， 模 型的建立具有明确的理论基础 ， G R NN不同于传统的神经网 络， 它仅需要一个简单的平滑参数， 不必进行循环的训练过程， 在训练过程中不调整神经元之间的连接权值， 网络稳健 ， 计算 速率快。 优点是学习速度快， 网络最后收敛于样本量集聚最多的 优化 回归面 ， 一旦 学习样本 确定 ， 则相应 的网络结 构和神经元 之间的连接权值也随之确定， 网络训练过程实际上只是确定平 滑参数的过程， 并且在样本数据较稀少时 ， 效果也很好 ， 网络可 以处理不稳定的数据。 人为调节的参数少 ， 只有一个阈值， 网络 收稿 日期 ：2 0 1 0 - 0 9 2 8 4 6 的学习全部依赖数据样本。 这个特点决定了网络得以最大限度 地避免人为主观假定对预测结果的影响。 本 研究将广义 回归神经 网络 理论引入到混 凝土抗渗性 研 究 中， 以探讨一种混凝土渗透性研究的新方法 。 分析各个因素对 混凝土抗渗性的影响。 采用本研究利用 GR N N在逼近能力分类 能力和学习速度方面具有较强的优势， 该网络最后收敛于样本 量积聚最多的优化回归面并且在数据缺乏时效果也较好网络 可以处理不稳定的数据， 因此采用 G R N N建立了混凝土抗渗性 预测模型且 利用历史统计数 据对混凝 土抗 渗性进行 预测 提出 的方法， 节约大量的人力、 物力和时间， 为高性能混凝土的研究 发展奠定基础 。 1 GRNN 的 网络 结构 1 1 GRNN 理 论基 础 广义回归神经网络的理论基础是非线性回归分析 ， 非独立 变量 Y相对于独立变量 的回归分析实际上计算具有最大概 率值的Y 。 设随机变量 和随机变量 Y的联合概率密度函数为 ，Y ) ， 已知 的观测值： = E( y x ) = J) ， ) d y r f X ， ) d y p 即为在输入为 的条件下， l ， 的预测输出【 J2 】 。应用 P a r z e n 学兔兔 w w w .x u e t u t u .c o m 非参数估计， 可由样本数据集 1 ， 估计密度函数厂 ( ， y ) 。 f (X ,y = 耋 唧 卜 H一 1) (2 ) 式 中： ， y 变量 和 Y的样本观测值 ； n 样本容量 ； P 随机变量 的维数 ； 高斯函数的宽度 系数 ， 在此称为光 滑因子。 用 广 ( ，y ) f f c x ，) ， ) 代人式( 1 ) ， 并交换部分积分与加和 顺序 ： 、耋 f ( x 、_ 一 i ! 一一 为 n 唧 卜 1 f * ( Y Y ) 1 ， f J p 一 i 厂 d v 由于 J 。 e d z = 0 ， 对两个积分进行可得网 络的输 ( ) ( ) = ( X X， ) ( ) 2 0 - J 耋 唧 ( 4 ) 估计值 ( ) 为所有样本观测值 y 的加权平均， 每个观测 值 l ， 的权 重因子为相应 的样本 与 之间 E u c l i d 距离平方 的 指数 。 当光滑 因子 非常大的时候 ， ( ) 近似于所有样本 因变 量 的均值。 相反 ， 当光滑因子 趋于 0的时候 ， y ( ) 和训练样本 非 常接 近 ， 当需要 预测 的点被训 练样本集 中时 ， 公式求 的 困 变量 的预测值 会和样本 中对应 的因变量 非常接近 ， 而且 一旦碰 到样本 中未能包 含进去 的点 ， 有 可能预测效 果会非常 差 ， 这种 现象说明网络的泛化能力差。 当 r ， 取值适中， 求预测值 ( ) 时， 所有训练样本的因变量都被考虑进去了， 与预测点距离近的样 本点对应的因变量被加大 了更大的权。 1 2 GRNN 的 网 络 结 构 G R N N 在结构上与 R B F网络 较为相似。 它 由四层构成 ， 如 图 1 所示， 它们分别为输入层( i n p u t l a y e r ) 、 模式层( p a t t e m l a y e r ) 、 加和层 ( s u mma t i o n l a y e r ) 和输 出层 ( o u t p u t l a y e r ) 。 对应网络输 入 = 。 ， ， ， Tt1 ， 输 i f J 为 Y = b， ， Y ： ， ， y l11 。 ( 1 ) 输入层 。 输入 层神经元 的数 目等 于学习样本 中输人 向 量的维数 ， 各神经 元是简单 的分布单 元 ， 直 接将输入 变量传递 给模式层 。 ( 2 ) 模式层 。 模式层神经元数 目等于学习样本 的数 目 n ， 各 神经元对应不同的样本， 模式层神经元传递函数为： P i= e x p f 一 _( X - X i ) T ( X - X i) 1( l ， 2 ， ， n ) ( 5 ) 【 J 神经元 i 的输出为输入向量预期对应的样本 之间E u c l i d 距离平方的指数平方 D = ( x - x ) ( ) 的指数形式。 式 中 为 网络输入 向量 ， 为第 i 个神经元对应的学习样本。 ( 3 ) 求和层。 求和层中使用两种类型的神经元进行求和。 一 类 的计算公式 为 ： n 唧 ( 6 ) 它对所有模式层神经元的输 出进行求和 ， 其模式层 和各 神 经元的连接权值为 1 。 传递甬数为： s D = 另 一 类 计 算 公 式 砉 y e x p 一 ( 7) X i) 它 对 所 有模 式层 的神经元进行加权求和 ， 模 式层中第 i 个神经元与夤 个分 子求和神经元之间的连接权值为第 i 个输出样本 y 中的 个 元素 ， 传递函数为 ： s 旷 ( 产l 2一 ， k ) ( 8 ) = 】 ( 4 ) 输出层 。 输 出层 中的神经元数 日等于学习样本 中输出向 量 的维数 k ， 各神经元将求和层的输出相除 神经 元的输 对应 估计结果 ( ) 的第 个元素， 即： y l = ( i =1 ， 2， ， k) ( 9) D 输 入层 模 式层 求 和层 输 出层 图 1 广义回归网络结构图 2 混凝 土抗 渗性 能预测 的广 义回 归神 经 网络 模 型 应 用 2 1指 标 确 定 从影响混凝土抗渗性的若干因素中， 选取小石子掺量 、 砂 率 s 、 水胶比 w 、 粉煤灰与胶凝材料用量比 、 矿渣与胶凝材 料用量比 、 骨料平均浆体厚度AP T 6个因素， 每个因素 3个水 平 ， 减水剂与胶凝材料用量比 定为 2 ， 采用正交表 L 1 8 ( 3 6 ) 进 行正交试验 。同时 ， 为 r利用人T 神经网络对混凝 土性 能进 行预测， 验证性能模型的准确性， 另外进行 5 组测试组混凝土配 合比试验。 耐久性测试氯离子扩散系数采用清华大学教授路新瀛 教授提 的 NE L法9 1 ， 正交试验及测试组试验数据详 见表 1 、 2 ， 试验数据采用陈雄毅等的研究成果l 】O l 。 2 2 模 型的训 练及 应 用 混凝 土的 2 8 d氯离 子扩散 系数 与小石 子掺量 、 砂率 S 、 水胶 比 w 、 粉煤灰与胶凝材料用量 比 、 矿 渣与胶凝材料用量 比 、 骨料平均浆体厚度 AP T之 间的关系是非 线性 的 ， 采用具 有 良好 的非线性映射能 力及鲁棒性 GR NN可 以较好 的反应混 凝土抗渗性 与参 数之 间的非线性关 系， 预测混凝 土的耐 久性 。 根据 1 8 个测试样本基于 G R N N非线性理论建立混凝土抗 渗性能预测模型 ， 模型的主要参数为： 隐含层中心的各个节点 的权重系数见表 3 ， 隐含层一输出层各个节点的权重系数见表4 。 用训练好的 G R N N 模型， 以另外 5个测试样本进行测试 。 为 检 验该 模型的合理性及可靠性 ， 用建好的模型对训练样 本进行 回判检验 ， 回判结果及误 差列入表 1 ， 从 表 l 可 以看 ， 该模 型 回判检验误差小 ， 精 度高 ， 表明模型是合理可靠 的。 用训 练好的模型对另外 5个测 试样本进行 预测 ， 预测结 果 见表 2 ， 为进行比较， 将 B P神经网络的结果也列入其中， 可见， 本研究建立的模型预测精度高， 一定程度上精确度较 B P神经网 络精度高。 为混凝土渗透性研究提供了一条新的途径。 47 学兔兔 w w w .x u e t u t u .c o m 表 1 正 交组配合比试验结果 输出0 1 9 6 8 8 i 1 0 9 0 8 1 3 4 4 0 9 4 0 4 4 8 1 1 1 8 8 5 3 9 0 2 8 1 7 4 8 9 1 3 6 1 3 4 4 9 8 1 6 2 4 8 9 1 4 6 3 0 4 7 4 0 1 4 5 5 4 5 2 1 8 0 9 8 4 6 1 2 3 3结 论 将广义回归神经网络理论引人到混凝土抗渗性研究中， 以 探讨一种混凝土渗透性研究的新方法。 分析各个因素对混凝土 抗渗性的影响。 利用 GR NN在逼近能力分类能力和学习速度方 面具有较强的优势， 该网络最后收敛于样本量积聚最多的优化 回归面并且在数据缺乏时效果也较好网络可以处理不稳定的 数据， 用 GR NN建立了混凝土抗渗I生预测模型， 且利用历史统计 4 8 数据对混凝土抗渗陛进行预测， 研究显示， 采用 G R N N方法预测 混凝土性能可以提高预测准确度节约大量的人力 、 物力和时间， 为高性能混凝土强度及耐久性的研究提供一条新的途径， 完善了 混凝土渗透性预测理论及体系。 参考文献 ： 1 】1 J G J 5 5 2 0 o 0 ， 普通混凝土配合比设计规程 s 】 下转第 1 2 7页 学兔兔 w w w .x u e t u t u .c o m 图 8 西侧面离析 区域位置示意 图 9 拱 圈顶面取芯验证 表 1 检测数 据验证 表 图 1 O 下拱面离析 区域等值线图( 等值线单位 ： c m) 图 1 1 下拱面离析区域三维图( 离析深度单位 ： c m) 4 加 固处理措施 针对存在的问题 ， 综合施工难度和成本考虑， 经方案比较 ， 建议施工单位剔除离析部位混凝土 ， 在离析区外包钢板 ， 并用 锚栓与原有钢筋网片焊接 ， 最后用灌注型黏钢胶或 自流平灌浆 料充填。 此方案实施后， 该 T 二 程已正常运行近 2 年， 结构状态良好。 5 结论 与建议 ( 1 ) 地质 雷达作为一种新 型混凝土 无损检测设 备 ， 检测 速 度快 、 精度高， 不失为一种较好的混凝土质量检测手段 ， 但在应 用中应根据缺陷种类 和深度 ， 选择合适频率的天线。 ( 2 ) 混凝土在施工过程中， 对于从高处倾倒混凝土入仓施 上接 第 4 8页 2 吴明威 ， 付兆岗 ， 李铁 翔 ， 等 机制砂 中石粉含量对 混凝土性 能影响 的试验研究 J 】 _铁道建筑技术 ， 2 o o o ( 4 ) ： 4 6 4 9 3 】3 蔡基伟 ， 李北星， 周明凯 ， 等 石粉对中低强度机制砂混凝土性能的 影l l J 武汉理工大学学报， 2 0 0 6 ( 4 ) ： 2 7 3 0 4 杨玉辉， 周明凯， 赵华耕C 8 0 机制砂泵送混凝土的配制及其影响因 素J 】 武汉理工大学学报， 2 0 0 5 ( 8 ) ： 2 7 3 0 5 陈海斌， 牛荻涛， 浦聿修 应用人工神经网络技术评估混凝土中的钢 筋锈蚀量【 J J _工业建筑 ， 1 9 9 9 ， 2 9 ( 2 ) ： 5 1 - 5 6 【 6 季韬 ， 林挺伟 ， 林旭健 基于人工神经网络的混凝土 抗压 强度预 测方 法 fJ 1 建筑材料学报 ， 2 0 0 5 ， 8 ( 6 ) ： 6 7 6 6 8 1 7 王海超， 何世钦 人工神经网络技术在高强混凝土中的应用【 J J 建筑 材料学报 ， 2 0 0 4， 3 ( 7 ) ： 9 4 1 0 1 工时 ， 应采用溜管 、 溜槽或 串筒输送。 ( 3 ) 在钢筋较密 的结构 中 ， 混凝土振捣 时应 严格管理 ， 做到 不漏振、 不过振， 确保混凝土施工质量。 参考文献 ： 【 1 王旭东X 3 M探地雷达在城市地下管线探查中的应用 J l- 上海地质 2 0 0 6 ， 9 8 ( 2 ) ： 5 - 8 【 2 J12 戴 前伟 ， 吕绍林 ， 肖彬 地 质雷 达的 应用 条件 探讨 【 J j _ 物 探与化 探 2 0 0 0 ， 2 4 ( 2 ) ： 1 5 7 1 5 9 作者简介： 何鲜峰( 1 9 7 4 一 ) ， 男 ， 博士， 高级工程师。 单位地址 ： 郑州 ll币 河路 4 5号 黄河水利科学研 究院( 4 5 0 0 0 3 ) 联 系电话 ： 1 3 6 7 4 9 3 0 8 2 0 【 8 I - C h e n g Y e h An aly s i s o f s t r e n g t h o f c o n c r e t e u s i n g d e s i g n o f e x p e r i m e n t s a n d n e u r a l n e t w o r k s J J o u r n a l o f Ma t e r i als i n C i v i l E n g i n e e r i n g ， 2 0 0 6 ： 5 9 7 -6 04 【 9 路新瀛， 李翠玲混凝土渗透性的电学评价【 J J 混凝土与水泥制品 ， 1 9 9 9 ( 5 ) ： 1 2 1 4 1 0 】 陈雄毅， 徐毅慧， 侯东君 基于人工神经网络的混凝土抗渗性能预 测 福建 建筑 ， 2 0 1 0， 1 4 6 ( 8 ) ： 9 6 9 8 1 1 S P E C HT D F A g e n e r a l r e g r e s s i o n n e u r a l n e t w o r k ， I E E E T r a n s 【 J J N e u r a l N e t w o r k s ， 1 9 9 1 ， 2 ( 6 ) ： 5 6 8 5 7 6 作者简介： 赵万里( 1 9 7 5 一 ) ， 男， 硕士， 讲师， 主要研究方向： 建筑结构。 单位地址： 长春市红旗街 2 4 9 4 号 长春工程学院土木学院( 1 3 0 0 1 2 ) 联系电话 ： 1 3 3 8 4 4 9 0 2 6 0 l 2 7 学兔兔 w w w .x u e t u t u .c o m