CN109061121A - 一种基于bp神经网络评估氯离子的方法 - Google Patents
一种基于bp神经网络评估氯离子的方法 Download PDFInfo
- Publication number
- CN109061121A CN109061121A CN201811223446.5A CN201811223446A CN109061121A CN 109061121 A CN109061121 A CN 109061121A CN 201811223446 A CN201811223446 A CN 201811223446A CN 109061121 A CN109061121 A CN 109061121A
- Authority
- CN
- China
- Prior art keywords
- chloride ion
- neural network
- output unit
- test
- drying
- 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
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 83
- 238000001035 drying Methods 0.000 claims abstract description 37
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 238000007654 immersion Methods 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 239000004567 concrete Substances 0.000 claims description 11
- 239000002893 slag Substances 0.000 claims description 10
- 238000005299 abrasion Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 239000000843 powder Substances 0.000 claims description 2
- 230000015271 coagulation Effects 0.000 claims 1
- 238000005345 coagulation Methods 0.000 claims 1
- 238000002386 leaching Methods 0.000 claims 1
- 239000004615 ingredient Substances 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 4
- 241001269238 Data Species 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 239000011150 reinforced concrete Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ceramic Engineering (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明涉及氯离子评估技术领域，且公开了一种基于BP神经网络评估氯离子的方法，包括以下步骤：S1、制作试块，S2、拆模，S3，标准养护；S4，干湿循环养护，S5、浸泡、烘干，S6、获取试验数据，S7、建立输入单元、隐藏单元、输出单元，S8、获取测试数据，S9、数据比对。本发明通过用普通试验得到的试验值和运用BP神经网络得到的测试值进行对比，可以明显看出数值相差无几，但是普通试验得到的试验值需要消耗大量的时间，然而运用BP神经网络得到的测试值用不了多少时间，达到了快速获得氯离子成分，节省时间的目的，解决了运用试验来评估氯离子含量浪费大量时间的问题。
Description
技术领域
本发明涉及氯离子评估技术领域，具体为一种基于BP神经网络评估氯离子的方法。
背景技术
氯离子对钢筋混凝土结构的侵蚀常引起钢筋的锈蚀损伤。所以，钢筋混凝土结构中氯离子含量的获取将有利于研究氯离子在钢筋混凝土中的扩散系数。
现有的评估氯离子方法操作麻烦，浪费大量的时间，所以需要一种能够快速评估氯离子的方法。
发明内容
本发明的目的在于提供了一种基于BP神经网络评估氯离子的方法，达到了快速获得氯离子成分，节省时间的目的。
为实现上述目的，本发明提供如下技术方案：一种基于BP神经网络评估氯离子的方法，包括以下步骤：
S1、制作试块。
S2、拆模。
S3、标准养护。
S4、干湿循环养护。
S5、浸泡、烘干。
S6、获取试验数据。
S7、建立输入单元、隐藏单元、输出单元。
S8、获取测试数据。
S9、数据比对。
优选的，所述标准养护的时间为七天。
优选的，所述干湿循环养护的溶液为5％氯盐溶液，所述干湿循环养护的时间为四十天。
优选的，所述浸泡、烘干的周期为五天，每天浸泡十六个小时，烘干八个小时。
优选的，所述获取试验数据中Cs＝0.05，D0的取值按线性插入法计算得到D0＝0.96×10-8cm2/s，公式为：
上式中：n为干湿循环周期；
d为干湿循环腐蚀天数；
γ为外掺剂影响系数，数值为0.12。
优选的，所述建立输出单元、隐藏单元、输出单元中输出单元为五个，隐藏单元为十个，输出单元为三个，所述建立输出单元、隐藏单元、输出单元中五个输出单元分别为矿渣微粉含量、水灰比、混凝土强度、腐蚀周期和腐蚀深度，所述建立输出单元、隐藏单元、输出单元中三个输出单元为第一层氯离子含量、第二层氯离子含量和第三层氯离子含量。
本发明提供了一种基于BP神经网络评估氯离子的方法。具备以下有益效果：
(1)、本发明通过用普通试验得到的试验值和运用BP神经网络得到的测试值进行对比，通过图3可以明显看出数值相差无几，但是普通试验得到的试验值需要消耗大量的时间，然而运用BP神经网络得到的测试值用不了多少时间，达到了快速获得氯离子成分，节省时间的目的，解决了运用试验来评估氯离子含量浪费大量时间的问题。
(2)、本发明通过图3中试验值和测试值可以看出，神经网络测试值和试验得出来的试验值比较，基本吻合，说明BP神经网络评估方法精准度高，具有很大的实用性。
附图说明
图1为本发明流程示意图；
图2为本发明氯离子含量的神经网络模型图；
图3为本发明实施例一BP神经网络得出的测试值和试验得出的试验值数据折线图。
具体实施方式
实施例一：
一种基于BP神经网络评估氯离子的方法，包括以下步骤：
S1、制作试块。
S2、拆模。
S3、标准养护，标准养护的时间为七天。
S4、干湿循环养护，干湿循环养护的溶液为5％氯盐溶液，干湿循环养护时间为四十天。
S5、浸泡、烘干，浸泡、烘干的周期为五天，每天浸泡十六个小时，烘干八个小时。
S6、获取试验数据，获取试验数据中Cs＝0.05，D0的取值按线性插入法计算得到D0＝0.96×10-8cm2/s，公式为：
上式中：n为干湿循环周期；
d为干湿循环腐蚀天数；
γ为外掺剂影响系数，数值为0.12。
S7、建立输入单元、隐藏单元、输出单元，建立输出单元、隐藏单元、输出单元中输出单元为五个，隐藏单元为十个，输出单元为三个，所述建立输出单元、隐藏单元、输出单元中五个输出单元分别为矿渣微粉含量、水灰比、混凝土强度、腐蚀周期和腐蚀深度，所述建立输出单元、隐藏单元、输出单元中三个输出单元为第一层氯离子含量、第二层氯离子含量和第三层氯离子含量，混凝土的水灰比取0.312；矿渣微粉含量为35％。
S8、获取测试数据，一百零八组试验数据对神经网络进行8000次训练，神经网络输出值的平方平均误差为0.00012，选用十八组试验数据对训练成熟的试验神经网络模型进行检测。
S9、数据比对，画出折线图，试验数据和测试数据进行比较。
实施例二：
一种基于BP神经网络评估氯离子的方法，包括以下步骤：
S1、制作试块。
S2、拆模。
S3、标准养护，标准养护的时间为七天。
S4、干湿循环养护，干湿循环养护的溶液为5％氯盐溶液，干湿循环养护的时间为四十天。
S5、浸泡、烘干，浸泡、烘干的周期为五天，每天浸泡十六个小时，烘干八个小时。
S6、获取试验数据，获取试验数据中Cs＝0.05，D0的取值按线性插入法计算得到D0＝0.96×10-8cm2/s，公式为：
上式中：n为干湿循环周期；
d为干湿循环腐蚀天数；
γ为外掺剂影响系数，数值为0.12。
S7、建立输入单元、隐藏单元、输出单元，建立输出单元、隐藏单元、输出单元中输出单元为五个，隐藏单元为十个，输出单元为三个，所述建立输出单元、隐藏单元、输出单元中五个输出单元分别为矿渣微粉含量、水灰比、混凝土强度、腐蚀周期和腐蚀深度，所述建立输出单元、隐藏单元、输出单元中三个输出单元为第一层氯离子含量、第二层氯离子含量和第三层氯离子含量，混凝土的水灰比取0.312；矿渣微粉含量为0％。
S8、获取测试数据，一百零八组试验数据对神经网络进行8000次训练，神经网络输出值的平方平均误差为0.00012，选用十八组试验数据对训练成熟的试验神经网络模型进行检测。
S9、数据比对，画出折线图，试验数据和测试数据进行比较。
实施例三：
一种基于BP神经网络评估氯离子的方法，包括以下步骤：
S1、制作试块。
S2、拆模。
S3、标准养护，标准养护的时间为七天。
S4、干湿循环养护，干湿循环养护的溶液为5％氯盐溶液，干湿循环养护的时间为四十天。
S5、浸泡、烘干，浸泡、烘干的周期为五天，每天浸泡十六个小时，烘干八个小时。
S6、获取试验数据，所述获取试验数据中Cs＝0.05，D0的取值按线性插入法计算得到D0＝0.96×10-8cm2/s，
当n大于1时，公式为：
当n等于1时，公式为：
上式中：n为干湿循环周期；
d为干湿循环腐蚀天数；
γ为外掺剂影响系数，数值为0.16。
S7、建立输入单元、隐藏单元、输出单元，建立输出单元、隐藏单元、输出单元中输出单元为五个，隐藏单元为十个，输出单元为三个，所述建立输出单元、隐藏单元、输出单元中五个输出单元分别为矿渣微粉含量、水灰比、混凝土强度、腐蚀周期和腐蚀深度，所述建立输出单元、隐藏单元、输出单元中三个输出单元为第一层氯离子含量、第二层氯离子含量和第三层氯离子含量，混凝土的水灰比取0.312；矿渣微粉含量为35％。
S8、获取测试数据，一百零八组试验数据对神经网络进行8000次训练，神经网络输出值的平方平均误差为0.00012，选用十八组试验数据对训练成熟的试验神经网络模型进行检测。
S9、数据比对，画出折线图，试验数据和测试数据进行比较。
实施例四：
一种基于BP神经网络评估氯离子的方法，包括以下步骤：
S1、制作试块。
S2、拆模。
S3、标准养护，标准养护的时间为七天。
S4、干湿循环养护，干湿循环养护的溶液为5％氯盐溶液，干湿循环养护的时间为四十天。
S5、浸泡、烘干，浸泡、烘干的周期为五天，每天浸泡十六个小时，烘干八个小时。
S6、获取试验数据，所述获取试验数据中Cs＝0.05，D0的取值按线性插入法计算得到D0＝0.96×10-8cm2/s，
当n大于1时，公式为：
当n等于1时，公式为：
上式中：n为干湿循环周期；
d为干湿循环腐蚀天数；
γ为外掺剂影响系数，数值为0.16。
S7、建立输入单元、隐藏单元、输出单元，建立输出单元、隐藏单元、输出单元中输出单元为五个，隐藏单元为十个，输出单元为三个，所述建立输出单元、隐藏单元、输出单元中五个输出单元分别为矿渣微粉含量、水灰比、混凝土强度、腐蚀周期和腐蚀深度，所述建立输出单元、隐藏单元、输出单元中三个输出单元为第一层氯离子含量、第二层氯离子含量和第三层氯离子含量，混凝土的水灰比取0.312；矿渣微粉含量为0％。
S8、获取测试数据，一百零八组试验数据对神经网络进行8000次训练，神经网络输出值的平方平均误差为0.00012，选用十八组试验数据对训练成熟的试验神经网络模型进行检测。
S9、数据比对，画出折线图，试验数据和测试数据进行比较。
在使用时，选取一百零八组实验数据对神经网络进行8000次训练，神经网络输出值的平方平均误差为0.00012，然后，选用十八组试验数据对训练成熟的试验神经网络模型进行检测，把得出来两组数值进行比较，得出图3，发现数据基本吻合，但是很明显，BP神经网络得出来数据的时间要短的多，达到了快速获得氯离子成分，节省时间的目的。
综上可得，本发明通过用普通试验得到的试验值和运用BP神经网络得到的测试值进行对比，通过图3可以明显看出数值相差无几，但是普通试验得到的试验值需要消耗大量的时间，然而运用BP神经网络得到的测试值用不了多少时间，达到了快速获得氯离子成分，节省时间的目的，解决了运用试验来评估氯离子含量浪费大量时间的问题，通过图3中试验值和测试值可以看出，神经网络测试值和试验得出来的试验值比较，基本吻合，说明BP神经网络评估方法精准度高，具有很大的实用性。
Claims (6)
1.一种基于BP神经网络评估氯离子的方法，其特征在于：评估方法包括以下步骤：
S1、制作试块；
S2、拆模；
S3、标准养护；
S4、干湿循环养护；
S5、浸泡、烘干；
S6、获取试验数据；
S7、建立输入单元、隐藏单元、输出单元；
S8、获取测试数据；
S9、数据比对；
2.根据权利要求1所述的一种基于BP神经网络评估氯离子的方法，其特征在于：所述标准养护的时间为七天。
3.根据权利要求1所述的一种基于BP神经网络评估氯离子的方法，其特征在于：所述干湿循环养护的溶液为5％氯盐溶液，所述干湿循环养护时间为四十天。
4.根据权利要求1所述的一种基于BP神经网络评估氯离子的方法，其特征在于：所述浸泡、烘干的周期为五天，每天浸泡十六个小时，烘干八个小时。
5.根据权利要求1所述的一种基于BP神经网络评估氯离子的方法，其特征在于：所述获取试验数据中Cs＝0.05，D0的取值按线性插入法计算得到D0＝0.96×10-8cm2/s，公式为：
上式中：n为干湿循环周期；
d为干湿循环腐蚀天数；
γ为外掺剂影响系数，数值为0.12。
6.根据权利要求1所述的一种基于BP神经网络评估氯离子的方法，其特征在于：所述建立输出单元、隐藏单元、输出单元中输出单元为五个，隐藏单元为十个，输出单元为三个，所述建立输出单元、隐藏单元、输出单元中五个输出单元分别为矿渣微粉含量、水灰比、混凝土强度、腐蚀周期和腐蚀深度，所述建立输出单元、隐藏单元、输出单元中三个输出单元为第一层氯离子含量、第二层氯离子含量和第三层氯离子含量，混凝土的水灰比取0.312；矿渣微粉含量为35％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811223446.5A CN109061121A (zh) | 2018-10-19 | 2018-10-19 | 一种基于bp神经网络评估氯离子的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811223446.5A CN109061121A (zh) | 2018-10-19 | 2018-10-19 | 一种基于bp神经网络评估氯离子的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109061121A true CN109061121A (zh) | 2018-12-21 |
Family
ID=64765233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811223446.5A Pending CN109061121A (zh) | 2018-10-19 | 2018-10-19 | 一种基于bp神经网络评估氯离子的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109061121A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111024929A (zh) * | 2019-11-28 | 2020-04-17 | 同济大学 | 一种基于径向基神经网络的自密实混凝土强度预测方法 |
| WO2023079053A1 (en) | 2021-11-05 | 2023-05-11 | Technische Universität Dresden | Method and system for simulating and predicting histological staining of a tissue section |
-
2018
- 2018-10-19 CN CN201811223446.5A patent/CN109061121A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 舒阳: "高性能钢筋混凝土结构的耐久性研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
| 舒阳等: "高性能钢筋混凝土结构的耐久性研究", 《工程力学》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111024929A (zh) * | 2019-11-28 | 2020-04-17 | 同济大学 | 一种基于径向基神经网络的自密实混凝土强度预测方法 |
| WO2023079053A1 (en) | 2021-11-05 | 2023-05-11 | Technische Universität Dresden | Method and system for simulating and predicting histological staining of a tissue section |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107025338B (zh) | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 | |
| CN106295800B (zh) | 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法 | |
| CN109061121A (zh) | 一种基于bp神经网络评估氯离子的方法 | |
| Li et al. | Multi-pollutant based grey water footprint of Chinese regions | |
| CN106154163B (zh) | 一种电池寿命状态识别方法 | |
| CN105184397A (zh) | 基于层次分析和模糊综合评价的电能替代效益评价方法 | |
| CN107895100B (zh) | 一种流域水质综合评价方法及系统 | |
| CN111062129A (zh) | 页岩油复杂缝网离散裂缝连续介质混合数值模拟方法 | |
| CN106407555A (zh) | 基于加速因子不变原则的加速退化数据分析方法 | |
| CN108205432A (zh) | 一种观测实验数据异常值的实时剔除方法 | |
| CN106800364B (zh) | 一种剩余污泥电渗透深度脱水性能评价方法 | |
| Xu et al. | Multi-scale evaluation of river health in Liao River Basin, China | |
| CN113489127A (zh) | 物联网中供电端与负载之间的电能分配控制方法及系统 | |
| CN110929809B (zh) | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 | |
| CN111625885A (zh) | 纤维增强混凝土动态h-b强度准则的建立方法 | |
| CN107194067B (zh) | 一种低渗透油藏数值模拟中启动压力梯度等效表征方法 | |
| Janke et al. | Fractal structure of high-temperature graphs of O (n) models in two dimensions | |
| CN104794346B (zh) | 一种快速识别人为活动对湖泊水华影响的定量方法 | |
| Wang et al. | Flood season division with an improved fuzzy C-mean clustering method in the Taihu lake basin in China | |
| CN111415103A (zh) | 一种基于psr的流域水安全度量方法 | |
| CN108242025B (zh) | 基于信息熵-区间数的砂岩油藏注水开发效果评价方法 | |
| CN110093610A (zh) | 一种埋地管道的极化电位获取方法 | |
| CN205046220U (zh) | 一种无氰镀铜溶液生产装置 | |
| CN103941130B (zh) | 一种基于多量测断面的可疑支路识别方法 | |
| CN2489329Y (zh) | 可遥控腐蚀电位测量仪 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
| RJ01 | Rejection of invention patent application after publication |