CN105243193B - 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 - Google Patents
一种确定徐变试验棱柱体试件抗压强度折算系数的方法 Download PDFInfo
- Publication number
- CN105243193B CN105243193B CN201510589710.7A CN201510589710A CN105243193B CN 105243193 B CN105243193 B CN 105243193B CN 201510589710 A CN201510589710 A CN 201510589710A CN 105243193 B CN105243193 B CN 105243193B
- Authority
- CN
- China
- Prior art keywords
- concrete
- test specimen
- layer
- compression strength
- neuron
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 139
- 230000006835 compression Effects 0.000 title claims abstract description 59
- 238000007906 compression Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 24
- 239000010881 fly ash Substances 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000004568 cement Substances 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000015271 coagulation Effects 0.000 claims description 2
- 238000005345 coagulation Methods 0.000 claims description 2
- 239000010883 coal ash Substances 0.000 claims description 2
- 239000000843 powder Substances 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000002427 irreversible effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
一种确定徐变试验棱柱体试件抗压强度折算系数的方法，该方法包括以下步骤：1）确定影响抗压强度值的各主要因素；2）组建神经网络学习样本；3）建立预测混凝土棱柱体试件抗压强度隐式网络模型；4）获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型，5）将徐变试验棱柱体试件的影响抗压强度值的各主要因素的信息输入较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型中，即可得到该混凝土徐变棱柱体试件的抗压强度折算系数。本发明提供的一种确定徐变试验棱柱体试件抗压强度折算系数的方法，能更准确地预测掺粉煤灰混凝土和不掺粉煤灰混凝土的棱柱体徐变试件抗压强度折算系数，满足高应力比下混凝土徐变试验需要。
Description
技术领域
本发明涉及一种确定徐变试验棱柱体试件抗压强度折算系数的方法。
背景技术
混凝土是一种徐变体材料，即在常应力作用下，随着时间的延长，应变将不断增加。混凝土徐变不仅与持荷时间有关，而且与加载龄期等有关，加载越早，徐变越大。混凝土徐变对大体积混凝土温度应力影响显著，因此，在进行大体积混凝土温控防裂时，需要开展混凝土徐变试验，获得混凝土的徐变度。
当采用混凝土棱柱体试件进行压缩徐变试验时，通常需要由15cm立方体试件抗压强度折算获得棱柱体抗压强度值，然后根据实验应力比计算出徐变实验加载荷载。获得棱柱体试件抗压强度折算系数主要方法是根据规范规定和常用的抗压强度折算系数预测公式。常用的混凝土抗压强度折算系数预测表达式见表1。在《水工混凝土实验规程》中规定0.3应力比下徐变实验时圆柱体混凝土试件(和)抗压强度折算系数为0.7-0.8，无棱柱体徐变试件抗压强度折算系数相关规定，基于欧洲混凝土委员会(CEB)推荐的立方体、圆柱体、棱柱体试件的抗压强度折算系数表，认为圆柱体试件与棱柱体试件的抗压强度较接近，所以在试验中仍多采用此折算系数范围获得棱柱体抗压强度进行徐变试验。但这两种方法都有其局限性，不能满足试验实际需要。
分别制作尺寸为150mm×150mm×150mm、150mm×150mm×250mm、150mm×150mm×300mm、150mm×150mm×450mm、150mm×150mm×550mm、水灰比为0.5，砂率为0.3，粉煤灰掺量为0.35的C30二级配混凝土试件，标准养护7d后进行抗压强度试验，并用以上表达式进行计算，将计算结果与试验结果进行对比分析，见表2。由表2可知，现有的抗压强度预测公式和规范规定获得的折算系数误差均较大，这是因为混凝土强度是一个与龄期、水灰比、骨料粒径、砂率、粉煤灰掺量等相关的复杂多因素问题，显式表达式不能建立所有影响因素与抗压强度之间的联系。
其中规范规定的混凝土棱柱体徐变试件的折算系数0.7-0.8取值的误差对于0.3应力比下的徐变试验可以接受，对高应力比徐变试验的适用性则有待检验。因为当仅进行混凝土弹性徐变试验(如0.3应力比)时，由于混凝土处于弹性徐变状态，所以该折算系数引起的误差可以接受。然而近年来，开展高应力比(如0.5及以上应力比)下的混凝土徐变试验研究日益受到工程界重视。由于高应力比下棱柱体试件会进入弹塑性徐变阶段，不可逆徐变不可忽略，如果混凝土棱柱体试件(150mm×150mm×450mm和150mm×150mm×600mm)抗压强度，相对15cm立方体试件抗压强度折算系数仍取为0.7-0.8，该折算系数引起的误差，可能会导致得到错误的弹塑性徐变值。
表1混凝土抗压强度折算系数预测表达式
表2试验结果与计算结果对比分析
发明内容
本发明所要解决的技术问题是提供一种确定徐变试验棱柱体试件抗压强度折算系数的方法，可以解决现有方法获得的徐变试验棱柱体试件抗压强度折算系数有误差的问题，不仅能克服了现有规范笼统的折算系数，且能更准确地预测掺粉煤灰混凝土和不掺粉煤灰混凝土的棱柱体徐变试件抗压强度折算系数，也能满足高应力比下混凝土徐变试验需要。
为解决上述技术问题，本发明所采用的技术方案是：一种确定徐变试验棱柱体试件抗压强度折算系数的方法，该方法包括以下步骤：
1)研究混凝土棱柱体试件抗压强度试验资料，确定影响抗压强度值的各主要因素；
2)收集混凝土棱柱体试件抗压强度试验资料，获得步骤1)确定的各主要因素的信息构成输入集合，将其对应的抗压强度比值构成输出集合，组建神经网络学习样本；
3)建立预测混凝土棱柱体试件抗压强度隐式网络模型；
4)利用步骤2)组建的学习样本，通过步骤3)建立的隐式网络模型，进行隐式神经网络模型训练，获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型，
5)将徐变试验棱柱体试件的影响抗压强度值的各主要因素的信息输入步骤4)获得的较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型中，
即可得到该混凝土徐变棱柱体试件的抗压强度折算系数。
步骤1)中，确定的影响抗压强度值的各主要因素为：混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量。
收集混凝土棱柱体试件抗压强度试验资料，以混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量作为输入集合，以棱柱体抗压强度与标准试件抗压强度的比值为输出集合，组建神经网络学习样本。
步骤3)建立的隐式网络模型由输入层、模式层、求和层及输出层组成，包括以下步骤：
3-1)建立输入层：设立输入层神经元X1-X8分别将混凝土棱柱体试件的8个特征值混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量作为输入层，输入层神经元的数目等于学习样本中输入向量的维数，各神经元将输入变量传递给模式层。
3-2)建立模式层：模式层神经元数目等于学习样本的数目n，且各神经元对应不同的学习样本，模式层神经元的传递函数为：
式中，X为网络输入变量，Xi为第i个神经元对应的学习样本，σ为光滑因子。
3-3)建立求和层：求和层中采用两种类型神经元求和，一类是对各模式层神经元的输出进行算术求和，模式层与各神经元的连接权值为1，传递函数为另一类是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个求和神经元的连接权值为第i个输出样本Yi中的第j个元素，传递函数为k为输出向量维数。
3-4)建立输出层：
输出层中神经元数目等于学习样本输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应结果为
步骤4)中，获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型的步骤为：
4-1)利用交叉验证函数将表3的学习样本划分为测试样本和训练样本，随机选取其中3/4的学习样本作为训练样本，1/4的学习样本作为检验样本，利用MATLAB的神经网络工具箱中的PREMNMX函数对样本进行归一化处理；
4-2)以选取的样本进行网络训练，以误差最小作为控制条件，不断循环搜索获得已归一化处理后的最优的训练样本；
4-3)以交叉试验获得的最佳输入、输出、平滑因子利用NEWGRNN函数创建最优GRNN神经网络；
即获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型。
本发明提供的一种确定徐变试验棱柱体试件抗压强度折算系数的方法，可以解决现有方法获得的徐变试验棱柱体试件抗压强度折算系数有误差的问题，不仅能克服了现有规范笼统的折算系数，且能更准确预测掺粉煤灰混凝土和不掺粉煤灰混凝土的棱柱体徐变试件抗压强度折算系数，同时满足高应力比下混凝土徐变试验需要。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明步骤3)所建立的隐式网络模型的示意图；
图2为本发明实施例中网络模型拟合预测效果图。
具体实施方式
实施例一
一种确定徐变试验棱柱体试件抗压强度折算系数的方法，该方法包括以下步骤：
1)研究混凝土棱柱体试件抗压强度试验资料，确定影响抗压强度值的各主要因素；
2)收集混凝土棱柱体试件抗压强度试验资料，获得步骤1)确定的各主要因素的信息构成输入集合，将其对应的抗压强度比值构成输出集合，组建神经网络学习样本；
3)建立预测混凝土棱柱体试件抗压强度隐式网络模型；
4)利用步骤2)组建的学习样本，通过步骤3)建立的隐式网络模型，进行隐式神经网络模型训练，获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型中，
5)将徐变试验棱柱体试件的影响抗压强度值的各主要因素的信息输入步骤4)获得的较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型中，即可得到该混凝土徐变棱柱体试件的抗压强度折算系数。
步骤1)中，确定的影响抗压强度值的各主要因素为：混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量。
收集混凝土棱柱体试件抗压强度试验资料，以混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量作为输入集合，以棱柱体抗压强度与标准试件抗压强度的比值为输出集合，组建神经网络学习样本。
标准试件为水灰比、龄期等特征值均与棱柱体试件相同的立方体试件.
收集到的学习样本如表3所示：
表3学习样本
步骤3)中，由于广义回归神经网络模型的极强的非线性映射能力和快速的学习速度等优越性，控制参数也较简单，只需控制平滑因子即可，因此，采用广义回归神经网络模型构建混凝土抗压强度尺寸效应的隐式网络模型结构
步骤3)建立的隐式网络模型由输入层、模式层、求和层及输出层组成，如图1所示，包括以下步骤：
3-1)建立输入层：设立输入层神经元X1-X8分别将混凝土棱柱体试件的8个特征值混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量作为输入层，输入层神经元的数目等于学习样本中输入向量的维数，各神经元将输入变量传递给模式层。
3-2)建立模式层：模式层神经元数目等于学习样本的数目n，且各神经元对应不同的学习样本，模式层神经元的传递函数为：
式中，X为网络输入变量，Xi为第i个神经元对应的学习样本，σ为光滑因子。
3-3)建立求和层：求和层中采用两种类型神经元求和，一类是对各模式层神经元的输出进行算术求和，模式层与各神经元的连接权值为1，传递函数为另一类是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个求和神经元的连接权值为第i个输出样本Yi中的第j个元素，传递函数为
3-4)建立输出层：
输出层中神经元数目等于学习样本输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应结果为
步骤4)中，获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型的步骤为：
4-1)依据广义回归神经网络结构原理，利用交叉验证函数将表3的学习样本划分为测试样本和训练样本，随机选取其中3/4的学习样本作为训练样本，1/4的学习样本作为检验样本，利用MATLAB的神经网络工具箱中的PREMNMX函数对样本进行归一化处理；
即基于公式y＝(1-(-1))(x-xmin)/(xmax-xmin)-1将样本每列元素归一化到[-1,1]区间内，式中xmax、xmin分别是样本每列因素的最大值和最小值，x为每列的各个元素，y为元素归一化后的值；
4-2)以选取的样本进行网络训练，以误差最小作为控制条件，不断循环搜索获得已归一化处理后的最优的训练样本，如表4所示，最优平滑因子即程序中的spread值为0.4；
表4神经网络最佳输入输出值
4-3)以交叉试验获得的最佳输入、输出、平滑因子利用NEWGRNN函数创建最优GRNN神经网络，此时网络预测的平均误差率最小，误差均方差仅为0.081，
即获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型。
利用实施例一建立的较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型对表3的学习样本进行仿真，检验建立的网络模型对结果的逼近效果，建立的网络模型拟合预测效果如图2所示。
从图2可以看出，所建立的较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型能够很好地预测混凝土不同尺寸试件之间的强度折算值。
实施例二
实施例一所建立的网络模型的准确性分析过程如下：
1、《水工混凝土试验规程》中规定徐变试件的极限抗压强度的折算系数为0.7-0.8。
2、将上述训练好的混凝土尺寸效应隐式模型预测尺寸为150mm×150mm×450mm和150mm×150mm×600mm，加荷龄期为7d、水灰比为0.5，不掺粉煤灰的C30二级配混凝土的各主要因素的信息输入到实施例一获得的较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型中，
抗压强度折算系数分别为0.832和0.771，该预测值与规范规定取值范围以及经验取值均较接近。
3、将上述训练好的混凝土尺寸效应隐式模型预测尺寸为150mm×150mm×450mm和150mm×150mm×600mm，加荷龄期为7d、水灰比为0.5、粉煤灰掺量为35％的C30二级配混凝土抗压徐变试件的的各主要因素的信息输入到实施例一获得的较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型中，
抗压强度折算系数分别为0.665和0.657，与试验获得的150mm×150mm×450mm折算系数为0.65结果接近。
上述预测结果说明本专利建立的隐式神经网络模型预测掺粉煤灰的混凝土试件和不掺粉煤灰的混凝土试件的抗压强度折算系数都是有效准确的，比现有的预测强度折算系数的显式公式更为优越。
实施例四
预测结果对高应力比徐变试验适用性分析
加荷应力是影响混凝土徐变的重要因素。目前比较统一的认识是，混凝土应力比不超过0.4～0.5时，认为徐变是线性的，应力比超过0.5，将发生非线性徐变。分别制作尺寸为150mm×150mm×150mm和150mm×150mm×450m，水灰比为0.5的C30二级配混凝土立方体标准试件，标准养护7d后，测得150mm标准立方体试件的极限抗压强度为16.45MPa，150mm×150mm×450m试件的极限抗压强度为10.73MPa。
(1)若抗压强度折算系数按规范规定进行取值(0.7-0.8)，根据混凝土棱柱体试件徐变试验计算加载荷载为折算系数、标准试件(150mm×150mm×150mm立方体试件)强度及加载应力比的乘积，由此可计算出150mm×150mm×450m混凝土徐变试件以0.3应力比加载时的计算荷载取值范围为3.45-3.95MPa，其以0.5应力比加载时的计算加载荷载取值范围为5.75-6.58MPa。
(2)根据混凝土试件的实际加载应力比为计算加载荷载与棱柱体试件的抗压极限强度比值，由此可计算出在以0.3应力比加载的150mm×150mm×450m混凝土徐变试件的实际加载应力比为0.32-0.36，此时测量的徐变变形仍然是粘弹性变形，其中的不可逆徐变可忽略，所以抗压强度折算系数取值范围0.7-0.8符合实际情况；以0.5应力比加载的150mm×150mm×450m混凝土徐变试件的实际加载应力比为0.53-0.61，此时不可逆徐变不可忽略，得到的徐变度值偏大。所以对于高应力比徐变实验，抗压强度折算系数取值范围应略低于0.7-0.8，此时采用实施例一所建立隐式网络模型预测抗压强度折算系数更符合实际情况，具体如表5所示：
表5 150mm×150mm×450m试件徐变试验加载荷载计算结果
| 假设以0.3应力比加载 | 假设以0.5应力比加载 | |
| 计算加载荷载(MPa) | 3.45-3.95 | 5.75-6.58 |
| 实际加载的应力比 | 0.32-0.36 | 0.53-0.61 |
Claims (4)
1.一种确定徐变试验棱柱体试件抗压强度折算系数的方法，其特征在于该方法包括以下步骤：
1)研究混凝土棱柱体试件抗压强度试验资料，确定影响抗压强度值的各主要因素；
2)收集混凝土棱柱体试件抗压强度试验资料，获得步骤1)确定的各主要因素的信息构成输入集合，将其对应的抗压强度比值构成输出集合，组建神经网络学习样本；
3)建立预测混凝土棱柱体试件抗压强度隐式网络模型；
4)利用步骤2)组建的学习样本，通过步骤3)建立的隐式网络模型，进行隐式神经网络模型训练，获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型，
5)将徐变试验棱柱体试件的影响抗压强度值的各主要因素的信息输入步骤4)获得的较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型中，
即可得到该混凝土徐变棱柱体试件的抗压强度折算系数；
步骤2)中，收集混凝土棱柱体试件抗压强度试验资料，以混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量作为输入集合，以棱柱体抗压强度与标准试件抗压强度的比值为输出集合，组建神经网络学习样本。
2.根据权利要求1所述的一种确定徐变试验棱柱体试件抗压强度折算系数的方法，其特征在于步骤1)中，确定的影响抗压强度值的各主要因素为：混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量。
3.根据权利要求1所述的一种确定徐变试验棱柱体试件抗压强度折算系数的方法，其特征在于步骤3)建立的隐式网络模型由输入层、模式层、求和层及输出层组成，包括以下步骤：
3-1)建立输入层：设立输入层神经元X1-X8分别将混凝土棱柱体试件的8个特征值混凝土棱柱体试件横截面长边尺寸B、混凝土棱柱体试件横截面短边尺寸L、混凝土棱柱体试件垂直向高度H、混凝土龄期d、混凝土强度等级、混凝土水灰比、混凝土粗骨料最大粒径D及粉煤灰掺量作为输入层，输入层神经元的数目等于学习样本中输入向量的维数，各神经元将输入变量传递给模式层；
3-2)建立模式层：模式层神经元数目等于学习样本的数目n，且各神经元对应不同的学习样本，模式层神经元的传递函数为：
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
式中，X为网络输入变量，Xi为第i个神经元对应的学习样本，σ为光滑因子；
3-3)建立求和层：求和层中采用两种类型神经元求和，一类是对各模式层神经元的输出进行算术求和，模式层与各神经元的连接权值为1，传递函数为另一类是对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层第j个求和神经元的连接权值为第i个输出样本Yi中的第j个元素，传递函数为
yij为模式层中第i个神经元与求和层第j个求和神经元的连接权值，具体来说，yij为第i个输出样本Yi中的第j个元素；
3-4)建立输出层：
输出层中神经元数目等于学习样本输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应结果为
4.根据权利要求3所述的一种确定徐变试验棱柱体试件抗压强度折算系数的方法，其特征在于步骤4)中，获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型的步骤为：
4-1)利用交叉验证函数将学习样本划分为测试样本和训练样本，随机选取其中3/4的学习样本作为训练样本，1/4的学习样本作为检验样本，利用MATLAB的神经网络工具箱中的PREMNMX函数对样本进行归一化处理；
4-2)以选取的样本进行网络训练，以误差最小作为控制条件，不断循环搜索获得已归一化处理后的最优的训练样本；
4-3)以交叉试验获得的最佳输入、输出、平滑因子利用NEWGRNN函数创建最优GRNN神经网络，
即获得较为合理的预测混凝土抗压强度尺寸效应的隐式网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510589710.7A CN105243193B (zh) | 2015-09-16 | 2015-09-16 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510589710.7A CN105243193B (zh) | 2015-09-16 | 2015-09-16 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105243193A CN105243193A (zh) | 2016-01-13 |
| CN105243193B true CN105243193B (zh) | 2018-02-02 |
Family
ID=55040841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510589710.7A Active CN105243193B (zh) | 2015-09-16 | 2015-09-16 | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105243193B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202651B (zh) * | 2016-06-25 | 2019-03-01 | 山东交通学院 | 一种热再生沥青混合料矿料级配的优化设计方法 |
| CN107014451A (zh) * | 2017-05-03 | 2017-08-04 | 东南大学 | 基于广义回归神经网络推测超声波流量传感器系数的方法 |
| CN109030197B (zh) * | 2018-05-02 | 2020-09-08 | 三峡大学 | 一种考虑温湿耦合作用的混凝土分数阶抗压强度模型 |
| CN111859678B (zh) * | 2020-07-24 | 2024-05-14 | 上海建工集团股份有限公司 | 一种预测粉煤灰轻骨料混凝土结构性能的系统 |
| CN112037869A (zh) * | 2020-09-01 | 2020-12-04 | 西南交通大学 | 材性试验与强度预测方法、系统、存储介质、计算机设备 |
| CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
| CN113155614B (zh) * | 2021-04-25 | 2023-07-28 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102854299A (zh) * | 2012-07-26 | 2013-01-02 | 武汉大学 | 一种基于分量热力学基因表达式编程的矿岩强度预测方法 |
| CN103018338A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于声发射和神经网络的混凝土无损检测方法 |
| CN103226080A (zh) * | 2013-03-20 | 2013-07-31 | 辽宁工程技术大学 | 一种基于神经网络的岩石破坏强度确定方法 |
| CN104034865A (zh) * | 2014-06-10 | 2014-09-10 | 华侨大学 | 一种混凝土强度的预测方法 |
| CN104730222A (zh) * | 2015-03-27 | 2015-06-24 | 交通运输部公路科学研究所 | 一种钢筋混凝土构件锈蚀开裂后钢筋锈蚀度无损检测方法 |
-
2015
- 2015-09-16 CN CN201510589710.7A patent/CN105243193B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102854299A (zh) * | 2012-07-26 | 2013-01-02 | 武汉大学 | 一种基于分量热力学基因表达式编程的矿岩强度预测方法 |
| CN103018338A (zh) * | 2012-12-05 | 2013-04-03 | 河海大学 | 一种基于声发射和神经网络的混凝土无损检测方法 |
| CN103226080A (zh) * | 2013-03-20 | 2013-07-31 | 辽宁工程技术大学 | 一种基于神经网络的岩石破坏强度确定方法 |
| CN104034865A (zh) * | 2014-06-10 | 2014-09-10 | 华侨大学 | 一种混凝土强度的预测方法 |
| CN104730222A (zh) * | 2015-03-27 | 2015-06-24 | 交通运输部公路科学研究所 | 一种钢筋混凝土构件锈蚀开裂后钢筋锈蚀度无损检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于分布式光纤测温的施工期混凝土坝温度场神经网络重构;唐腾飞，黄耀英等;《武汉大学学报（工学版）》;20131031;第46卷(第5期);第577-582页 * |
| 基于混凝土无应力计测值统计模型反演热膨胀系数;唐腾飞，黄耀英等;《水力发电》;20121031;第38卷(第10期);第33-35页 * |
| 基于遗传神经网络的真实水环境下混凝土徐变预测;时梦楠等;《中囯矿业科技文汇——2015》;20150709;第408-410、416页； * |
| 岩基上混凝土浇筑块施工期最高温度均匀化调控;练迪，黄耀英等;《水利水运工程学报》;20150830;第86-91页 * |
| 考虑混凝土龄期及弹塑性徐变的大体积混凝土温度应力研究;黄耀英，郑宏，周宜红;《四川大学学报( 工程科学版)》;20110331;第43卷(第2期);第22-27页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105243193A (zh) | 2016-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105243193B (zh) | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 | |
| CN107764644B (zh) | 基于路面材料模量应力和应变依赖模型的沥青路面结构分析当量方法 | |
| CN107742031B (zh) | 基于实验和数学算法的驱替实验人造岩心分析制备方法 | |
| CN107679293B (zh) | 堆石坝室内力学参数和碾压施工参数相互优选的方法 | |
| Yao et al. | Model for predicting resilient modulus of unsaturated subgrade soils in south China | |
| Allahyari et al. | A new approach to determine strength of Perfobond rib shear connector in steel-concrete composite structures by employing neural network | |
| CN105158447B (zh) | 一种基于成熟度的混凝土结构开裂风险评估方法 | |
| CN102425148B (zh) | 基于静力触探和bp神经网络的路基沉降快速预测方法 | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| CN105259331B (zh) | 一种节理岩体单轴强度预测方法 | |
| CN109359737B (zh) | 再生骨料透水混凝土bp神经网络预测分析方法 | |
| CN110489844B (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
| CN107340183B (zh) | 结构性软土次固结系数描述方法 | |
| CN108843312B (zh) | 油田储层层内非均质性综合评价方法 | |
| CN110658086B (zh) | 一种考虑拉压模量差异性的沥青路面荷载响应分析方法 | |
| CN110163430A (zh) | 基于AdaBoost算法的混凝土材料抗压强度预测方法 | |
| CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
| CN103852384A (zh) | 一种混凝土抗裂能力数值化评价方法 | |
| CN112329349B (zh) | 一种边坡可靠度评估方法 | |
| CN110364232A (zh) | 一种基于忆阻器-梯度下降法神经网络的高性能混凝土强度预测方法 | |
| CN103226080A (zh) | 一种基于神经网络的岩石破坏强度确定方法 | |
| CN111475876A (zh) | 获取粒料动态回弹力学特征参数的方法 | |
| CN106885891B (zh) | 由直剪和单轴压缩试验确定砂土邓肯‑张模型参数的方法 | |
| CN116822377A (zh) | 一种玄武岩纤维混凝土抗压强度预测方法 | |
| CN106951661A (zh) | 胶凝砂砾石坝应变计实测应变的分离计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| OL01 | Intention to license declared | ||
| OL01 | Intention to license declared |