摘 要：采用BP神經(jīng)網(wǎng)絡(luò)方法，建立了混凝土收縮變形與混凝土水灰比、抗壓強(qiáng)度、試件體積表面積比及環(huán)境相對濕度之間的非線性映射關(guān)系，所建立的神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)對混凝土收縮變形的有效預(yù)測，具有較高的精度。
　　關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);混凝土收縮;預(yù)測
　　中圖分類號(hào)：TU 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)：2095-2104(2012)01-0020-02
　　Concrete Shrinkage Prediction based on Artificial Neural Network
　　XU Xiang-dong
　　(Department of Building Engineering, Tongji University, Shanghai 200092, China)
　　Abstract: The concrete shrinkage prediction model was built based on BP network considering the water cement ratio, the compressive strength, the volume surface area ratio and relative humidity of environment as the input factors. The prediction model can be used to predict the concrete shrinkage.
　　Key words: BP neural network, concrete shrinkage, prediction
　　混凝土的收縮可導(dǎo)致混凝土結(jié)構(gòu)的開裂，引發(fā)混凝土結(jié)構(gòu)的一系列危害[1];因此國內(nèi)外學(xué)者對收縮變形的預(yù)測展開了廣泛的研究。傳統(tǒng)的收縮預(yù)測模型，因相關(guān)學(xué)者對收縮機(jī)理的認(rèn)識(shí)不同而差異較大。近年來，人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)方法以其優(yōu)越的自學(xué)習(xí)、非線性擬合、預(yù)測等性能，受到了各領(lǐng)域廣泛的關(guān)注;在混凝土領(lǐng)域，韓敏等[2]采用神經(jīng)網(wǎng)絡(luò)方法建立了混凝土強(qiáng)度預(yù)測模型，預(yù)測達(dá)到較高精度，為神經(jīng)網(wǎng)絡(luò)在混凝土方面的應(yīng)用提供了參考。
　　本文采用BP神經(jīng)網(wǎng)絡(luò)建立混凝土收縮變形的預(yù)測模型，并通過預(yù)測結(jié)果與期望結(jié)果的比較說明神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于混凝土的可行性。
　　1. 混凝土收縮樣本數(shù)據(jù)庫建立
　　采用RILEM B3 (1995)模型[3]的計(jì)算結(jié)果建立混凝土收縮變形的數(shù)據(jù)庫。根據(jù)RILEM B3(1995)收縮預(yù)測模型計(jì)算所得的混凝土收縮變形結(jié)果見表1。
　　表1 不同因素下混凝土120d的收縮變形

測試 編號(hào)	試驗(yàn)因素/輸入				收縮變形	預(yù)測值	相對 誤差
	v/s	w/c	fcu/Mpa	h
1	2.80	0.45	30	80%	408.6	383.8	-6.07%
2	3.00	0.42	45	60%	460.7	438.3	-4.86%
3	3.20	0.48	50	75%	405.8	381.5	-5.99%
4	3.50	0.52	55	80%	385.2	367.8	-4.52%

　　另在各影響因素的考慮范圍內(nèi)，任取四組按照RILEM B3(1995)收縮預(yù)測模型計(jì)算收縮變形作為測試數(shù)據(jù)，以評(píng)價(jià)網(wǎng)絡(luò)的預(yù)測性能。測試數(shù)據(jù)見表2。
　　表2不同因素下混凝土120d的收縮變形(測試數(shù)據(jù))

試驗(yàn)號(hào)	試驗(yàn)因素				收縮變形(um/m)	網(wǎng)絡(luò)輸出
	v/s	w/c	fcu/Mpa	h
1	2.00	0.40	30	80%	494.1	491.7
2	2.50	0.50	40	65%	575.8	578.1
3	3.00	0.50	30	35%	308.6	312.3
4	3.50	0.40	40	50%	261.0	261.9
5	2.00	0.45	40	35%	396.4	396.7
6	2.50	0.35	30	50%	590.0	590.0
7	3.00	0.35	40	80%	502.4	500.5
8	3.50	0.45	30	65%	357.1	361.4
9	2.00	0.35	50	65%	825.4	825.0
10	2.50	0.45	60	80%	442.9	443.0
11	3.00	0.45	50	50%	352.2	354.1
12	3.50	0.35	60	35%	289.3	289.4
13	2.00	0.50	60	50%	614.4	614.2
14	2.50	0.40	50	35%	267.3	267.7
15	3.00	0.40	60	65%	347.6	347.6
16	3.50	0.50	50	80%	366.1	366.3

　　2. BP神經(jīng)網(wǎng)絡(luò)模型建立及預(yù)測
　　利用BP神經(jīng)網(wǎng)絡(luò)建立混凝土收縮的預(yù)測模型并進(jìn)行預(yù)測。輸入層神經(jīng)元數(shù)為4，輸出層神經(jīng)元數(shù)為1;采用單隱層網(wǎng)絡(luò)，多次訓(xùn)練后確定隱層神經(jīng)元數(shù)為5，所建立的BP拓?fù)浣Y(jié)構(gòu)如圖1所示。
　　網(wǎng)絡(luò)訓(xùn)練前對數(shù)據(jù)進(jìn)行歸一化處理，訓(xùn)練取Levenberg-Marquadt算法，以提高收斂速度。采用初期終止方法提高網(wǎng)絡(luò)的泛化性能，取訓(xùn)練樣本庫75%數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)(training data)，其余25%為驗(yàn)證數(shù)據(jù)(validation data)，監(jiān)督網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)輸出誤差變化圖見圖2。
　　網(wǎng)絡(luò)的測試結(jié)果及相對誤差見表2最后兩列。測試數(shù)據(jù)中網(wǎng)絡(luò)的最大相對誤差為-6.07%，可見采用BP網(wǎng)絡(luò)預(yù)測混凝土收縮變形可基本滿足工程需要。
　　3. 結(jié)論
　　采用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型可實(shí)現(xiàn)混凝土收縮的預(yù)測;對于影響因素復(fù)雜的混凝土領(lǐng)域，基于積累的試驗(yàn)資料，可運(yùn)用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行相關(guān)研究。
　　參考文獻(xiàn)
　　[1] 黃國興, 惠榮炎. 混凝土的收縮[M]. 北京:中國鐵道出版社,1990.
　　[2] 韓敏, 席劍輝等. 神經(jīng)網(wǎng)絡(luò)法在混凝土強(qiáng)度研究中的應(yīng)用[J]. 建筑材料學(xué)報(bào), 2001, 4(2): 192-195.
　　[3] Bazant Z P, Baweja S. Creep and shrinkage prediction model for analysis and design o f concrete structures: Model B3[J]. Materials and Structures,1995, 28 ( 6) : 357- 365.