CN102033989A - 基于bp神经网络的氯离子固化量预测方法 - Google Patents
基于bp神经网络的氯离子固化量预测方法 Download PDFInfo
- Publication number
- CN102033989A CN102033989A CN 201010565196 CN201010565196A CN102033989A CN 102033989 A CN102033989 A CN 102033989A CN 201010565196 CN201010565196 CN 201010565196 CN 201010565196 A CN201010565196 A CN 201010565196A CN 102033989 A CN102033989 A CN 102033989A
- Authority
- CN
- China
- Prior art keywords
- neural network
- curing amount
- cement
- chlorion
- chlorion curing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
水泥基材料对氯离子固化量预测方法,具体是基于BP神经网络的氯离子固化量预测方法。包含以下步骤:(1)确定影响氯离子固化量的各种因素指标的值和测定的氯离子固化量的值作为检测数据;(2)建立BP神经网络;(3)对BP神经网络进行训练和测试;(4)利用通过测试的BP神经网络模型对氯离子固化量进行预测。本发明预测方法,解决了准确、快速地预测水泥基材料固化氯离子量的问题。利用本发明,只需要进行有限次试验,就可以建立有关氯离子固化量预测模型,通过计算机仿真试验,科学预测,从而大大减少探索性试验的数量,显著减少物料、人力、能源的消耗,进一步提高预测质量。
Description
(一)技术领域
本发明涉及水泥基材料对氯离子固化量预测方法,具体是基于BP神经网络的氯离子固化量预测方法。
(二)背景技术
水泥基材料对氯离子的固化是一个十分复杂的问题,影响因素很多,有材料本身的影响,有环境的影响,也有施工质量的影响等等,同时这些影响因素又常常具有许多不确定性,这样就很难给出一种确定的表达式来描述。常用的建立数学模型的方法大致分为两类:一类是从固化机理出发建立理论数学模型;另一类是从实验出发,分析各因素对氯离子固化结果的影响,用数学回归的方法来建立使用的数学模型。对于第一类的模型,由于建立数学模型的出发点不同,模型的使用条件和使用程度也各不相同;对于第二类模型,由于氯离子固化所涉及的因素较多,作用机理也较为复杂,很难用一个简单的式子来表示,拟合的结果往往与实际的结果相差很大。
人工神经网络与以上两种方法相比,具有较大的优越性。它可以逼近任意非线性函数,当常规方法无法解决或效果不佳时,尤其是当对问题的机理等规律不甚了解,或不能用数学模型表示的系统,神经网络往往是最有力的工具。另一方面,神经网络对处理大量原始数据而不能用规则或公式描述的问题,表现出极大的灵活性和自适应性。因此基于BP神经网络的氯离子固化量预测方法能准确、快速地预测水泥基材料固化氯离子量,从而节约大量的人力、物力。
(三)发明内容
本发明之目的在于克服现目前用建立数学模型的方法来确定水泥基材料对氯离子的固化表达式存在的缺陷,提供一种能够解决传统预测模型所具有的问题,准确、快速地预测水泥基材料固化氯离子量,即基于BP神经网络的氯离子固化量预测方法。
为了实现上述的目的,本发明依据了下述的技术方案。一种基于BP神经网络的氯离子固化量预测方法,包含以下步骤:(1)确定影响氯离子固化量的各种因素指标的值和测定的氯离子固化量的值作为检测数据;(2)建立BP神经网络;(3)对BP神经网络进行训练和测试;(4)利用通过测试的BP神经网络模型对氯离子固化量进行预测。
所述的影响氯离子固化量的各种因素是指:水泥中的C3S含量、水泥中的C2S含量、水泥中的C3A含量、水泥中的C4AF含量、水泥中的碱含量、混合材或掺合料掺量、Cl-浓度、SO4 2-浓度、OH-浓度和温度。
所述的步骤(1)中还包括影响氯离子固化量各种因素指标的值归一化到-1到+1之间的归一化过程。
所述的神经网络包括一个输入层、一个隐含层和一个输出层。
所述的输入层有10个神经元,隐含层有18个神经元,输出层有1个神经元。
所述的隐含层神经元的传递函数采用双曲正切S型函数,输出层神经元的传递函数采用线型函数。
所述的对神经网络进行训练和测试是,将样本数据分为两部分,前80%用来训练网络,称为训练样本,后20%用来测试网络,称为测试样本,对神经网络进行有限次的反复训练,当预测值与实测数据间误差达到0.001时,停止训练,开始预测。
所述的对神经网络的训练是采用误差反向传播算法即BP算法进行训练。
在步骤(3)中,当神经网络对各组测试样本的预测误差均低于规定水平时即通过测试,然后进行步骤(4)的预测工作。
在步骤(4)中,利用通过测试的神经网络进行预测时,先将监测数据归一化到-1到+1之间,再进行神经网络模型的输入,网络运算后的结果即为氯离子固化量的预测值。
本发明的基于BP神经网络的氯离子固化量预测方法,解决了准确、快速地预测水泥基材料固化氯离子量的问题。利用本发明,只需要进行有限次试验,就可以建立有关氯离子固化量预测模型,通过计算机仿真试验,科学预测,从而大大减少探索性试验的数量,显著减少物料、人力、能源的消耗,进一步提高预测质量。
(四)附图说明
图1:BP神经网络结构图。
图2:BP算法训练流程图。
图3:训练误差曲线图。
(五)具体实施方式
下面结合实施例对本发明的基于BP神经网络的氯离子固化量预测方法做出详细说明。
本发明的基于BP神经网络的氯离子固化量预测方法,包括以下步骤:(1)确定影响氯离子固化量的各种因素指标的值和测定的氯离子固化量的值作为检测数据。
本发明的实施例中确定影响氯离子固化量的各种因素指标的值是,通过水泥成分化学分析结果测定出不同氧化物含量,通过氧化物含量计算出水泥中的C3S含量、水泥中的C2S含量、水泥中的C3A含量、水泥中的C4AF含量和水泥中的碱含量,计算式如下:
C3S%=4.071CaO-7.600SiO2-6.718Al2O3-1.430Fe2O3-2.850SO3
C2S%=2.867SiO2-0.7544C3S
C3A%=2.650Al2O3-1.692Fe2O3
C4AF%=3.043Fe2O3
碱含量%=Na2O+0.64K2O
混合材或掺合料掺量是拌制水泥基材料时的掺入量以百分比计。
Cl-浓度、SO4 2-浓度、OH-浓度,为水泥基材料在侵蚀环境中的Cl-浓度、SO4 2-浓度、OH-浓度,各种离子的浓度以化学滴定法确定,温度为水泥基材料在侵蚀环境中的温度以水银温度计确定。
本发明的实施例中测定的氯离子固化量的值是,通过稀硝酸溶液把水泥基材料完全溶解,采用佛尔哈德法滴定出总氯离子含量;通过水溶液浸泡水泥基材料使水泥基材料中的自由氯离子进入水溶液,采用佛尔哈德法滴定出自由氯离子浓度;总氯离子含量减去自由氯离子含量就是氯离子的固化量。
(2)建立BP神经网络。
所述的神经网络有一个输入层、一个隐含层和一个输出层组成。其中,输入层有10个神经元,分别对应水泥中的C3S含量、水泥中的C2S含量、水泥中的C3A含量、水泥中的C4AF含量、水泥中的碱含量、混合材或掺合料掺量、Cl-浓度、SO4 2-浓度、OH-浓度、温度10个指标;隐含层神经元数目比较难确定,但对模型的精确度和准确度的影响却很大,通过设置一个较小初始值,并反复计算,然后通过比较不同隐含层节点数下的网络的输出结果,最终确定隐含层神经元数为18;网络输出层为目标值氯离子固化量,故只有1个神经元。所述的隐含层神经元的传递函数采用双曲正切S型函数,输出层神经元的传递函数采用线型函数。
双曲正切S型函数表达式:
线型函数:线型传输函数的输出等于输入,a=x,表达式为:a=purelin(x)
(3)利用matlab编程对BP神经网络进行训练和测试。
所述的对BP神经网络进行训练和测试是,将每次试验时水泥中的C3S含量、水泥中的C2S含量、水泥中的C3A含量、水泥中的C4AF含量、水泥中的碱含量、混合材或掺合料掺量、Cl-浓度、SO4 2-浓度、OH-浓度、温度以及氯离子固化量的值记为一组数据,并将所有组试验得出数据分为两部分,前80%称为训练样本,后20%称为测试样本。
用训练样本来训练网络,当输入某一组数据时,即给出水泥中的C3S含量、水泥中的C2S含量、水泥中的C3A含量、水泥中的C4AF含量、水泥中的碱含量、混合材或掺合料掺量、Cl-浓度、SO4 2-浓度、OH-浓度、温度以及氯离子固化量这样一组训练样本数据时,隐含层神经元个数取18,经过网络自动运算,输出层会有一个输出值(预测的氯离子固化量),比较输出值与期望值(实际氯离子固化量)之间的误差,若误差小于指定精度,则学习结束。否则,将误差信号沿原来连接路径反向传播,并逐步调整各层的连接权值和阈值,然后进入下一组学习,直到所有训练样本学习完毕,完成一次循环,此时总预测误差如在指定范围内,输出此时的最佳权值和阈值。否则,进入下一次循环,直到总预测误差在指定范围内,训练结束。在训练过程中,训练组越多,网络的学习越充分,网络经验值越大,预测精度越高。对网络反复训练,当误差达到0.001时,停止训练,开始测试。
用测试样本来测试网络。当网络训练结束后,利用另外的20%的数据来检验网络,看模型是否符合要求。利用神经网络预测另外20%的数据所对应的氯离子固化量的值,对照模型预测值与实际测量值之间的误差,当神经网络在各组测试数据的预测误差均低于规定水平时即通过测试,可以用于预测工作。此时,预测模型目标值与输出值相对误差最大为6.42%,这说明利用此方法预测水泥基材料固化氯离子量是可行的,基本能够满足实际工程的误差要求,通过测试。
在进行训练时,当神经网络在各组测试数据的预测误差均低于规定水平时即通过测试,可以用于预测工作。
(4)利用通过测试的BP神经网络模型对氯离子固化量进行预测。
利用通过测试的BP神经网络进行氯离子固化量预测,先将输入数据归一化到-1到+1之间,再输入到通过测试的神经网络中,经过网络运算后的输出值就是氯离子固化量的预测值。
以上结果说明,所建立的神经网络对训练组和测试组都有很好的预测效果,因而具有较强的推广能力。本实施例表明,本发明能够准确、快速地预测水泥基材料固化氯离子量,且预测方法有较强的推广能力,具有广阔的应用前景。
Claims (10)
1.一种基于BP神经网络的氯离子固化量预测方法,其特征在于包含以下步骤:(1)确定影响氯离子固化量的各种因素指标的值和测定的氯离子固化量的值作为检测数据;(2)建立BP神经网络;(3)对BP神经网络进行训练和测试;(4)利用通过测试的BP神经网络模型对氯离子固化量进行预测。
2.根据权利要求1所述的一种基于BP神经网络的氯离子固化量预测方法,其特征在于影响氯离子固化量的各种因素是指:水泥中的C3S含量、水泥中的C2S含量、水泥中的C3A含量、水泥中的C4AF含量、水泥中的碱含量、混合材或掺合料掺量、Cl-浓度、SO4 2-浓度、OH-浓度和温度。
3.根据权利要求1或2所述的一种基于BP神经网络的氯离子固化量预测方法,其特征在于所述的步骤(1)还包括影响氯离子固化量各种因素指标的值归一化到-1到+1之间的归一化过程。
4.根据权利要求1所述的一种基于BP神经网络的氯离子固化量预测方法,其特征在于所述的神经网络包含一个输入层,一个隐含层和一个输出层。
5.根据权利要求4所述的一种基于BP神经网络的氯离子固化量预测方法,其特征在于所述的输入层有10个神经元,隐含层有18个神经元,输出层有1个神经元。
6.根据权利要求5所述的基于BP神经网络的氯离子固化量预测方法,其特征在于所述的隐含层神经元的传递函数采用双曲正切S型函数,输出层神经元的传递函数采用线型函数。
7.根据权利要求1所述的基于BP神经网络的氯离子固化量预测方法,其特征在于所述的对神经网络进行训练和测试是:将样本数据分为两部分,前80%用来训练网络,称为训练样本,后20%用来测试网络,称为测试样本,对BP神经网络进行有限次的反复训练,当预测值与实测数据间误差达到0.001时,停止训练,开始预测。
8.根据权利要求1或7所述的基于BP神经网络的氯离子固化量预测方法,其特征在于所述的对神经网络的训练是采用误差反向传播算法即BP算法进行训练。
9.根据权利要求1或7所述的基于BP神经网络的氯离子固化量预测方法,其特征在于在步骤(3)中,当神经网络对各组测试样本的预测误差均低于规定水平时即通过测试,然后进行步骤(4)的预测工作。
10.根据权利要求1或7所述的基于BP神经网络的氯离子固化量预测方法,其特征在于在步骤(4)中,利用通过测试的神经网络进行预测时,先将监测数据归一化到-1到+1之间,再进行神经网络模型的输入,网络运算后的结果即为氯离子固化量的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010565196 CN102033989A (zh) | 2010-11-30 | 2010-11-30 | 基于bp神经网络的氯离子固化量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010565196 CN102033989A (zh) | 2010-11-30 | 2010-11-30 | 基于bp神经网络的氯离子固化量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102033989A true CN102033989A (zh) | 2011-04-27 |
Family
ID=43886875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010565196 Pending CN102033989A (zh) | 2010-11-30 | 2010-11-30 | 基于bp神经网络的氯离子固化量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102033989A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102616927A (zh) * | 2012-03-28 | 2012-08-01 | 中国科学技术大学 | 一种污水处理的工艺参数的调整方法及装置 |
CN106842922A (zh) * | 2017-01-14 | 2017-06-13 | 合肥工业大学 | 一种数控加工误差优化方法 |
CN110706760A (zh) * | 2019-10-22 | 2020-01-17 | 广东博智林机器人有限公司 | 流质体材料参数优化方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1118855A2 (en) * | 2000-01-18 | 2001-07-25 | Praxair Technology, Inc. | Method for predicting flammability limits of complex mixtures |
-
2010
- 2010-11-30 CN CN 201010565196 patent/CN102033989A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1118855A2 (en) * | 2000-01-18 | 2001-07-25 | Praxair Technology, Inc. | Method for predicting flammability limits of complex mixtures |
Non-Patent Citations (1)
Title |
---|
《河南理工大学硕士论文》 20051231 黄丹 水泥基材料的氯离子渗透与固化性能研究 1,43~92 1-10 , 2 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102616927A (zh) * | 2012-03-28 | 2012-08-01 | 中国科学技术大学 | 一种污水处理的工艺参数的调整方法及装置 |
CN102616927B (zh) * | 2012-03-28 | 2014-07-09 | 中国科学技术大学 | 一种污水处理的工艺参数的调整方法及装置 |
CN106842922A (zh) * | 2017-01-14 | 2017-06-13 | 合肥工业大学 | 一种数控加工误差优化方法 |
CN110706760A (zh) * | 2019-10-22 | 2020-01-17 | 广东博智林机器人有限公司 | 流质体材料参数优化方法及系统 |
CN110706760B (zh) * | 2019-10-22 | 2022-06-03 | 广东博智林机器人有限公司 | 流质体材料参数优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101158674B (zh) | 基于BP神经网络的水体中叶绿素a浓度预测方法 | |
US11346831B2 (en) | Intelligent detection method for biochemical oxygen demand based on a self-organizing recurrent RBF neural network | |
CN101315557B (zh) | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 | |
Chen et al. | An approach for predicting the compressive strength of cement-based materials exposed to sulfate attack | |
CN108549770B (zh) | 基于qga-mmrvm的堆石坝材料参数自适应反演方法 | |
CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
CN104239659A (zh) | 一种bp神经网络的碳钢腐蚀速率预测方法 | |
Liu et al. | Cross-validation for the uncertain Chapman-Richards growth model with imprecise observations | |
CN101775434A (zh) | 基于bp神经网络的饮用水管网细菌总数快速预测方法 | |
CN113205233B (zh) | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 | |
CN102880908B (zh) | 一种基于bp神经网络的再制造零件环境损耗的计算方法 | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN112580257B (zh) | 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 | |
Felix et al. | Analysis of training parameters in the ANN learning process to mapping the concrete carbonation depth | |
CN102033989A (zh) | 基于bp神经网络的氯离子固化量预测方法 | |
CN113236228A (zh) | 一种单井产量快速预测方法及系统 | |
Ma et al. | A new hybrid approach model for predicting burst pressure of corroded pipelines of gas and oil | |
CN104111887A (zh) | 基于Logistic模型的软件故障预测系统及方法 | |
CN101799369A (zh) | 一种动力设备故障监测预报中的灰色建模方法 | |
Sun et al. | A soft-sensing model for predicting cement-specific surface area based on inception-residual-quasi-recurrent neural networks | |
CN113377651A (zh) | 一种基于强化学习的类集成测试序列生成方法 | |
CN113435718A (zh) | 玻璃的生成方法、装置、电子设备及存储介质 | |
Nong | Construction and Simulation of Financial Risk Prediction Model Based on LSTM | |
CN110442933A (zh) | 基于自适应增强回归的钢筋混凝土柱塑性铰长度计算方法 | |
Pinto et al. | A general deep hybrid model for bioreactor systems: combining first Principles equations with deep neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110427 |