CN111310390A - 混凝土泵送性能智能预测方法 - Google Patents

Abstract

本发明提供了一种混凝土泵送性能智能预测方法，属于混凝土泵送性能测量技术领域，该方法依次通过数据采集模块、网络训练模块和预测应用模块，完成混凝土泵送性能智能测试。首先，数据采集模块通过现场测量、理论计算和仿真分析途径生成和收集泵送数据样本，构建混凝土泵送性能数据库。然后，以泵送性能数据库为基础，采用误差反向传播法构建训练人工神经网络模块。最后，利用训练完成的人工神经网络模块预测新工况中混凝土泵送，并将新工况中采集的真实数据加入原泵送性能数据库，重新运行网络训练，从而利用精确度比较高的人工神经网络指导新工况中混凝土泵送施工。该混凝土泵送性能智能预测方法，解决了混凝土泵送施工难题。

Description

混凝土泵送性能智能预测方法

技术领域

本发明涉及混凝土拌合物泵送性能测量技术领域，特别涉及一种混凝土泵送性能智能预测方法。

背景技术

超高层建筑建设中普遍采用自密实混凝土材料，通过强有力的泵送设备高效输送新拌混凝土进行结构浇筑。在混凝土泵送施工方案制定和执行过程中，预先评估泵送性能（主要指泵送流量-总压力损失之间的关系）是重要前提。现行行业标准中，泵送压力损失计算公式源于数十年前面向传统混凝土的经验公式；随着混凝土性能及工程复杂度的发展变化，其适用性存疑。国内外学者和技术人员针对混凝土材料属性和泵送性能开展了包括试验、理论和仿真在内的多方面研究。试验研究提供真实数据，但是成本高、效率低；理论模型可用于快速评估泵送性能，但是模型中的简化导致模型不易反映流动细节；数值仿真可以很好地捕捉流动行为细节，但是需要较高的专业知识水平和软件应用能力。

因此，亟需综合运用不同手段进行混凝土泵送性能分析预测，有效减少繁复的试验和计算、提升效率和准确性，以取得较为合理的分析预测结果。

发明内容

针对现有技术存在的不足，本发明通过综合多种途径获取积累混凝土泵送性能数据，构建训练人工神经网络模块，提供一种针对混凝土泵送这个高度复杂的系统问题进行智能预测的方法，比现有方法更具有精确度和效率优势，为超高层建筑混凝土泵送技术提供有力支撑。

为解决上述技术问题，本发明的技术方案如下：

混凝土泵送性能智能预测方法，包括数据采集模块、网络训练模块以及预测应用模块，所述数据采集模块收集泵送数据样本，形成包括泵送条件和泵送结果的泵送性能数据库；所述网络训练模块以所述泵送性能数据库为基础构建训练人工神经网络；所述预测应用模块通过训练完成的所述人工神经网络进行新工况的泵送预测；

步骤包括：

步骤S1、采用现场测量、理论计算以及仿真分析三种途径相结合的方式获取泵送数据样本，每一份泵送数据样本均包括泵送条件和泵送结果，所述泵送条件主要包括混凝土配合比数据和泵送施工工况，泵送条件数值存储为输入矢量X=(x₁, x₂, …, x_r)；泵送结果主要指泵送系统总压力损失P^tot 、是否存在风险；泵送结果存储为输出矢量Y=(y₁, y₂, …,y_t)；这里r和t分别为输入和输出矢量所包含的变量个数；

步骤S2、基于泵送性能数据库，采用误差反向传播法训练人工神经网络，依次包括预设网络参数、误差正向推演、误差反向传播以及权重调整与迭代，以使得所述人工神经网络精确度满足要求；

步骤S3、所述步骤S2训练完成的人工神经网络用于新工况的泵送预测，在新工况施工之前，根据已知泵送条件，提前预测泵送结果，为事前调整施工方案提供支撑，此时，当新工况完成后，现场采集的真实数据加入数据库，重新运行人工神经网络训练；如果新工况涉及新的输入或输出参数，则对网络结构进行拓展经过不断充实数据库和拓展人工神经网络结构，预测模块的精确度也会不断提升。

与现有技术相比，本发明有益的技术效果在于：

本发明提供的混凝土泵送性能智能预测方法，依次通过数据采集模块、网络训练模块和预测应用模块，完成混凝土泵送性能智能测试。首先，数据采集模块主要是通过现场测量、理论计算和仿真分析多种途径生成和收集尽可能多的泵送数据样本，构建混凝土泵送性能数据库。然后，以多途径获取积累的混凝土泵送性能数据为基础，采用误差反向传播法构建训练人工神经网络模块，人工神经网络包括输入层、隐藏层和输出层。最后，利用训练完成的人工神经网络模块预测新工况中混凝土泵送，并将新工况中采集的真实数据加入原泵送性能数据库，重新运行网络训练，从而利用精确度比较高的人工神经网络指导新工况中混凝土泵送施工。该混凝土泵送性能智能预测方法，解决了混凝土泵送施工难题，比现有方法更具有精确度和效率优势，为超高层建筑混凝土泵送技术提供了有力支撑。

进一步地，所述步骤S1包括：

现场测量是基于实际工程采集泵送条件和泵送结果数据，包括混凝土供货方提供数据以及技术人员现场测量记录；

理论计算是基于实验仪器测量混凝土拌合物的流变性质，结合现场泵管设置参数，采用理论模型评估泵送性能，建立泵送流量与压力梯度之间的换算公式：

q=[π/(24μ_cμ_m)]∙[3μ_cp(R⁴−r_s ⁴)+3μ_mp(r_s ⁴−r_p ⁴)−8μ_cτ_m,0(R³−r_s ³)−8μ_mτ_c,0(r_s ³−r_p ³)]

式中，q为秒流量，p代表泵管中的摩阻相关压力梯度，τ_m,0表示砂浆屈服应力，μ_m为砂浆塑性粘度，τ_c,0为混凝土屈服应力，μ_c为混凝土塑性粘度；R是泵管内半径，泵管内混凝土流动三个区域分别为栓流区、剪切区和润滑区，r_p为栓流区半径，r_s为剪切区和润滑区分界处半径；通过对p沿程积分计算得到泵送全程摩阻压力损失P^fric，叠加重力效应得泵送全程总压力损失P^tot=P^fric+ρgL_v；ρ为混凝土拌合物密度，g为重力加速度，L_v为泵送高度；

仿真分析是基于实验仪器测量混凝土拌合物的细观性质，结合现场泵管设置参数，采用离散元方法对混凝土泵送行为开展精细化分析，具体包括：

通过模拟代表性泵管单元中的混凝土流动行为，获取推送压力，结合泵送全程系统设置，评估总压力损失：

P^tot=L_v×P_a+L_h×P_b+n_c×P_c+n_d×P_d+…

式中P_a、P_b、P_c、P_d分别表示单位长度竖向直管、单位长度水平直管、上弯管和下弯管中的泵送压力损失，L_v为泵送高度，L_h为水平泵管长度，n_c、n_d分别代表上弯管和下弯管的个数；根据具体泵管设置，该公式可进一步计入其他泵管单元中的压力，针对代表性泵管单元的仿真分析还可以判断泵送局部（例如某处弯管）是否存在堵管风险；

通过上述三种方法生成和获取的数据样本均存储在本地或云端数据库以供调用并允许不断充实。

进一步地，理论计算中假定混凝土在泵管中同时存在润滑区、剪切区与栓流区三个区域，通过定义不同参数分别描述润滑区砂浆和主体混凝土的流变性质，进而推导所述三个区域的剪应力、剪切速率、线速度和流量分布。

进一步地，所述误差正向推演包括：

以输入层为起点，计算隐藏层的输入值：Hⁱⁿ=W₁X+B₁

W₁和B₁为连接输入层和隐藏层之间的网络参数矩阵及偏移值；

并采用Logistic函数计算隐藏层神经元的输出值：

H^out=S(Hⁱⁿ)

其中，Logistic函数形式为S(x)=(1+e^−x)⁻¹；

相似地，计算输出层神经元的输入值：

Yⁱⁿ=W₂H^out+B₂

W₂和B₂为连接隐藏层和输出层之间的网络参数矩阵及偏移值；

计算输出层的输出值：

Y^out=S(Yⁱⁿ)

计算当前参数设置下网络预测值（Y^out）和数据库中的目标值（即数据库中存储的实际值，记为Y^tar）之间的总误差：

E=Σ_i(Y_i ^tar−Y_i ^out)²/(2t)

式中，Y_i ^tar、Y_i ^out分别为目标值和网络预测值，i的范围在1~t，Σ_i代表对i求和。

进一步地，所述误差反向传播包括：探寻误差对权重值的敏感度，从而调整权重值，使得网络预测输出值更加接近目标值，并根据求导的链式法则，求得总误差对每一个权重值的导数∂E/∂w_i。

进一步地，所述权重调整与迭代包括：根据总误差对各项权重值的依赖程度来调整各项权重值；每一次迭代调整权重参数矩阵为：

w_i ^(Iter+1)=w_i ^(Iter)−η∙(∂E/∂w_i)^(Iter)

式中，η为学习速率，上标“Iter”代表当前迭代次数；

使用调整后的权重矩阵，重新运行误差正向推演，如果误差值小于预先设定的精确度限值，则认为网络训练完成，否则继续进行误差反向传播和权重调整，直至网络精确度满足要求。

进一步地，所述泵送条件为混凝土配合比数据和泵送施工工况，其中，所述混凝土配合比数据包括集料、胶凝材料、水、添加剂的品质、含量；所述泵送施工工况包括泵管半径、水平段长度、高度、弯管个数、泵送速率、运输时间、混凝土温度。

进一步地，所述人工神经网络包括:

多节点的输入层、多节点的隐藏层和多节点的输出层。

附图说明

图1是本发明一实施例中混凝土泵送性能智能预测方法中三大模块示意图；

图2是本发明一实施例中混凝土泵送性能智能预测方法中采用理论模型评估混凝土泵送性能示意图；

图3是本发明一实施例中混凝土泵送性能智能预测方法中模拟代表性泵管单元中的混凝土流动行为示意图，其中，(a)至(d)依次为单位长度竖向直管、单位长度水平直管、上弯管和下弯管流动行为示意图；

图4是图3中对应的四种泵管单元中的压力损失仿真分析结果曲线图；

图5是基于某超高层建筑泵送施工工况采用三种方法进行数据样本采集的对比图，其中，(a)至(c)依次为三种方法所得泵送总压力损失值、进行一次数据采集的资金消耗和进行一次数据采集的时间成本对比示意图；

图6是本发明一实施例中混凝土泵送性能智能预测方法中人工神经网络结构示意图；

图7是利用训练完成的神经网络对新工况进行泵送分析预测的效果和其他三种方法对比示意图，其中，(a)至(c)依次为不同方法所得泵送总压力损失精确度、进行一次泵送预测的资金消耗、进行一次泵送预测的时间成本对比示意图。

图中：

1-泵管；2-栓流区；3-剪切区；4-润滑区。

具体实施方式

以下结合附图和具体实施例对本发明提出的混凝土泵送性能智能预测方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。为叙述方便，下文中所述的“上”、“下”与附图的上、下的方向一致，但这不能成为本发明技术方案的限制。

实施例一

下面结合图1至图7，详细说明本发明的混凝土泵送性能智能预测方法。

请参考图1至图7，一种混凝土泵送性能智能预测方法，该方法包括三大模块，并依次通过该三大模块，完成混凝土泵送性能智能测试，该三大模块包括数据采集模块、网络训练模块和预测应用模块。具体操作包括：

首先，数据采集模块主要是通过现场测量、理论计算和仿真分析多种途径生成和收集尽可能多的泵送数据样本，构建混凝土泵送性能数据库。其中，现场采集方法除了提供数据样本入库之外，也为理论计算方法和仿真分析方法提供验证，而理论计算和仿真分析进一步产生丰富的泵送数据样本；仿真分析是基于泵送条件，通过模拟代表性泵管单元，根据代表性泵管单元的总长度和总数计算总压力，同时判断泵送局部风险。然后，以多途径获取积累的混凝土泵送性能数据为基础，采用误差反向传播法构建训练人工神经网络模块，人工神经网络包括多节点的输入层、多节点的隐藏层和多节点的输出层。最后，利用训练完成的人工神经网络模块预测新工况中混凝土泵送，并将新工况中采集的真实数据加入原泵送性能数据库，重新运行网络训练，从而利用精确度比较高的人工神经网络指导新工况中混凝土泵送施工，解决了超高层建筑混凝土泵送施工难题。

具体来说，数据采集模块的主要功能是通过多种途径生成和收集尽可能多的泵送数据样本，构建泵送性能数据库。泵送性能数据库中每一份数据样本都包含“泵送条件”和“泵送结果”两方面的数值。具体来说，泵送条件主要涉及混凝土配合比数据（例如集料、胶凝材料、水、添加剂等各组分的品质、含量等）和泵送施工工况（例如泵管半径、水平段长度、高度、弯管个数、泵送速率、运输时间、混凝土温度等）；泵送条件数值存储为输入矢量X=(x₁, x₂, …, x_r)。泵送结果主要指泵送系统总压力损失P^tot、是否存在风险等；泵送结果存储为输出矢量Y=(y₁, y₂, …, y_t)。这里r和t分别为输入和输出矢量所包含的变量个数。

数据样本主要通过现场测量、理论计算和仿真分析三种途径相结合的方式获取。具体做法为：

（1）现场测量：基于实际工程采集泵送条件和泵送结果数据。具体采集手段包括混凝土供货方提供、技术人员现场测量记录读数等。

（2）理论计算：基于实验仪器测量混凝土拌合物的流变性质，结合现场泵管设置参数，采用如图2所示的理论模型评估泵送性能。该理论模型假定混凝土在泵管1中同时存在栓流区2、剪切区3与润滑区4三个区域。通过定义不同参数分别描述润滑区砂浆和主体混凝土的流变性质，进而推导前述三个区域的剪应力、剪切速率、线速度、流量分布，最终建立泵送流量与压力梯度之间的换算关系

q=[π/(24μ_cμ_m)]∙[3μ_cp(R⁴−r_s ⁴)+3μ_mp(r_s ⁴−r_p ⁴)−8μ_cτ_m,0(R³−r_s ³)−8μ_mτ_c,0(r_s ³−r_p ³)]

式中，q为秒流量，p代表泵管中的摩阻相关压力梯度，τ_m,0表示砂浆屈服应力，μ_m为砂浆塑性粘度，τ_c,0为混凝土屈服应力，μ_c为混凝土塑性粘度；R是泵管内半径，泵管内混凝土流动三个区域分别为栓流区(0≤r<r_p)、剪切区(r_p≤r<r_s)和润滑区(r_s≤r<R)，r_p为栓流区半径，r_s为剪切区和润滑区分界处半径；通过对p沿程积分计算得到泵送全程摩阻压力损失P^fric，叠加重力效应得泵送全程总压力损失P^tot=P^fric+ρgL_v；ρ为混凝土拌合物密度，g为重力加速度，L_v为泵送高度；

（3）仿真分析：基于实验仪器测量混凝土拌合物的细观性质，结合现场泵管设置参数，采用离散元方法对混凝土泵送行为开展精细化分析。以离散颗粒代表混凝土骨料，用牛顿定律计算颗粒的运动：

m∙a_F=F, I∙a_M=M式中，m和I分别代表颗粒的质量和惯性矩，a_F和a_M分别是颗粒的平动和转动加速度，F和M分别是作用在颗粒上的合力和合力矩。通过预先定义的接触模型描述颗粒之间以及颗粒和边界之间的界面行为：

F_c=F_c(g, v_g)

式中，F_c代表界面接触力，g代表接触间隙矢量，v_g为接触间隙矢量变化速度。

如图3所示，通过模拟代表性泵管单元中的混凝土流动行为，获取推送压力，结合泵送全程系统设置，评估总压力损失：

P^tot=L_v×P_a+L_h×P_b+n_c×P_c+n_d×P_d+…；

式中P_a、P_b、P_c、P_d分别表示单位长度竖向直管、单位长度水平直管、上弯管和下弯管中的泵送压力损失，（图4所示为对应图3所示的四种泵管单元中的压力损失仿真分析结果曲线），其中，L_v为泵送高度，L_h为水平泵管长度，n_c、n_d分别代表上弯管和下弯管的个数；根据具体泵管设置，该公式可进一步计入其他泵管单元中的压力，针对代表性泵管单元的仿真分析还可以判断泵送局部（例如某处弯管）是否存在堵管风险。

上述三种方法中，现场测量获得的数据准确但样本量少，无法满足后续网络训练的需要；现场测量数据除了入库之外，还用于验证理论计算和仿真分析的准确性；采用理论计算和仿真分析，产生组合千变万化的“泵送条件”下的“泵送结果”入库，为网络训练提供充足的训练数据样本。图5所示为基于某超高层建筑泵送施工工况进行的现场测量（标记为①）、理论计算（标记为②）和仿真分析（标记为③）三种方法对比。图5中（a）表示三种方法所得泵送总压力损失值对比（纵坐标单位为兆帕），可见，经过现场测量结果的验证，理论计算和仿真分析结果已经具备较高的准确度；图5中（b）表示三种方法进行一次数据采集的资金消耗对比（纵坐标单位为元），可见，现场测量必须基于实际工程因此成本极高，而理论计算和仿真分析主要在电脑上完成，成本显著降低；图5中（c）表示三种方法进行一次数据采集的时间成本对比（纵坐标单位为小时），可见，现场测量的时间成本远高于另外两种方法。通过图5充分说明，本发明中采用不同方法进行数据样本采集的必要性和有效性。

通过上述三种方法生成和获取的数据样本均存储在本地或云端数据库以供调用并允许不断充实。

在本实施例中，网络训练模块构建人工神经网络（ANN）。如图6所示，人工神经网络包含三层：输入层、隐藏层和输出层。其中输入层的神经元（node）数量为r，对应输入矢量X=(x₁, x₂, …, x_r)；隐藏层记为H=(h₁, h₂, …, h_s)，神经元数量为s；输出层的神经元数量为t，对应输出矢量Y=(y₁, y₂, …, y_t)。

基于泵送性能数据库，采用误差反向传播法（error back-propagation）训练人工神经网络。首次训练人工神经网络的步骤包括：

（1）预设网络参数

采用随机数生成器赋予网络参数矩阵初始值。

（2）误差正向推演

以输入层为起点，计算隐藏层的输入值：

Hⁱⁿ=W₁X+B₁

W₁和B₁为连接输入层和隐藏层之间的网络参数矩阵及偏移值；

并采用Logistic函数计算隐藏层神经元的输出值：

H^out=S(Hⁱⁿ)

其中，Logistic函数形式为S(x)=(1+e^−x)⁻¹；

相似地，计算输出层神经元的输入值：

Yⁱⁿ=W₂H^out+B₂

W₂和B₂为连接隐藏层和输出层之间的网络参数矩阵及偏移值；

计算输出层的输出值：

Y^out=S(Yⁱⁿ)

计算当前参数设置下网络预测值（Y^out）和数据库中的目标值（即数据库中存储的实际值，记为Y^tar）之间的总误差：

E=Σ_i(Y_i ^tar−Y_i ^out)²/(2t)

式中，Y_i ^tar、Y_i ^out分别为目标值和网络预测值，i的范围在1~t，Σ_i代表对i求和。

（3）误差反向传播

探寻误差对权重值的敏感度，从而调整权重值，使得网络预测输出值更加接近目标值。根据求导的链式法则，求得总误差对每一个权重值的导数∂E/∂w_i。

（4）权重调整与迭代

根据总误差对各项权重值的依赖程度来调整各项权重值。每一次迭代调整权重参数矩阵为：

w_i ^(Iter+1)=w_i ^(Iter)−η∙(∂E/∂w_i)^(Iter)

式中，η为学习速率，上标“Iter”代表当前迭代次数。

使用调整后的权重矩阵，重新运行误差正向推演，如果误差值小于预先设定的精确度限值，则认为网络训练完成，否则继续进行误差反向传播和权重调整，直至网络精确度满足要求。

在本实施例中，预测应用阶段包括：

将训练完成的神经网络用于新工况的泵送预测。预测结果用于指导泵送施工方案制定。当新工程施工时，新工况中采集的真实数据加入数据库，重新运行人工神经网络训练（基于现有的网络参数矩阵W，进行误差正向推演、误差反向传播、权重调整与迭代），进一步提高人工神经网络的精确度。如果新工况涉及新的输入或输出参数，则对网络结构进行拓展（延展输入矢量X、输出矢量Y及网络参数矩阵W）。经过不断充实泵送性能数据库和拓展网络结构，预测模块的精确度也会不断提升。图7所示为利用训练完成的神经网络对新工况进行泵送分析预测的效果和其他三种方法对比（图中④表示神经网络预测）。图7中（a）表示不同方法所得泵送总压力损失精确度对比（纵坐标单位为百分比），可见，经过充分训练的神经网络的精确度接近实测值；图7中（b）表示不同方法进行一次泵送预测的资金消耗（纵坐标单位为元），可见，神经网络预测主要在电脑上完成，成本低；图7中（c）表示不同方法进行一次泵送预测的时间成本（纵坐标单位为小时），可见，神经网络预测速度最快。图7充分说明，本发明中采用神经网络进行泵送预测在成本控制和精确度方面具有明显优势。此外，由于神经网络是一种智能化的方法，预测模块会随着数据积累和拓展不断“成长”，相对其他方法的这些优势也会随着时间不断显现。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (8)

1.混凝土泵送性能智能预测方法，其特征在于，包括数据采集模块、网络训练模块以及预测应用模块，所述数据采集模块收集泵送数据样本，形成包括泵送条件和泵送结果的泵送性能数据库；所述网络训练模块以所述泵送性能数据库为基础构建训练人工神经网络；所述预测应用模块通过训练完成的所述人工神经网络进行新工况的泵送预测；

步骤包括：

步骤S1、采用现场测量、理论计算以及仿真分析三种途径相结合的方式获取泵送数据样本，每一份泵送数据样本均包括泵送条件和泵送结果，所述泵送条件包括混凝土配合比数据和泵送施工工况，泵送条件数值存储为输入矢量X=(x₁, x₂, …, x_r)；泵送结果指泵送系统总压力损失P^tot、是否存在风险；泵送结果存储为输出矢量Y=(y₁, y₂, …, y_t)；这里r和t分别为输入和输出矢量所包含的变量个数；

步骤S2、基于泵送性能数据库，采用误差反向传播法训练人工神经网络，依次包括预设网络参数、误差正向推演、误差反向传播以及权重调整与迭代；

步骤S3、所述步骤S2训练完成的人工神经网络用于新工况的泵送预测，在新工况施工之前，根据已知泵送条件，提前预测泵送结果，为事前调整施工方案提供支撑，此时，当新工况完成后，现场采集的真实数据加入数据库，重新运行人工神经网络训练；如果新工况涉及新的输入或输出参数，则对网络结构进行拓展。

2.根据权利要求1所述的预测方法，其特征在于，所述步骤S1包括：

现场测量是基于实际工程采集泵送条件和泵送结果数据，包括混凝土供货方提供数据以及技术人员现场测量记录；

理论计算是基于实验仪器测量混凝土拌合物的流变性质，结合现场泵管设置参数，采用理论模型评估泵送性能，建立泵送流量与压力梯度之间的换算公式：

q=[π/(24μ_cμ_m)]∙[3μ_cp(R⁴−r_s ⁴)+3μ_mp(r_s ⁴−r_p ⁴)−8μ_cτ_m,0(R³−r_s ³)−8μ_mτ_c,0(r_s ³−r_p ³)]；

式中，q为秒流量，p代表泵管中的摩阻相关压力梯度，τ_m,0表示砂浆屈服应力，μ_m为砂浆塑性粘度，τ_c,0为混凝土屈服应力，μ_c为混凝土塑性粘度；R是泵管内半径，泵管内混凝土流动三个区域分别为栓流区、剪切区和润滑区，r_p为栓流区半径，r_s为剪切区和润滑区分界处半径；通过对p沿程积分计算得到泵送全程摩阻压力损失P^fric，叠加重力效应得泵送全程总压力损失P^tot=P^fric+ρgL_v；ρ为混凝土拌合物密度，g为重力加速度，L_v为泵送高度；

仿真分析是基于实验仪器测量混凝土拌合物的细观性质，结合现场泵管设置参数，采用离散元方法对混凝土泵送行为开展精细化分析，具体包括：

通过模拟代表性泵管单元中的混凝土流动行为，获取推送压力，结合泵送全程系统设置，评估总压力损失：

P^tot=L_v×P_a+L_h×P_b+n_c×P_c+n_d×P_d+…；

式中P_a、P_b、P_c、P_d分别表示单位长度竖向直管、单位长度水平直管、上弯管和下弯管中的泵送压力损失，L_v为泵送高度，L_h为水平泵管长度，n_c、n_d分别代表上弯管和下弯管的个数；根据具体泵管设置，该公式可进一步计入其他泵管单元中的压力；

通过上述三种方法生成和获取的数据样本均存储在本地或云端数据库以供调用并允许不断充实。

3.根据权利要求2所述的预测方法，其特征在于，理论计算中假定混凝土在泵管中同时存在润滑区、剪切区与栓流区三个区域，通过定义不同参数分别描述润滑区砂浆和主体混凝土的流变性质，进而推导所述三个区域的剪应力、剪切速率、线速度和流量分布。

4.根据权利要求1所述的预测方法，其特征在于，所述误差正向推演包括：

以输入层为起点，计算隐藏层的输入值：

Hⁱⁿ=W₁X+B₁

W₁和B₁为连接输入层和隐藏层之间的网络参数矩阵及偏移值；

并采用Logistic函数计算隐藏层神经元的输出值：

H^out=S(Hⁱⁿ)

其中，Logistic函数形式为S(x)=(1+e^−x)⁻¹；

相似地，计算输出层神经元的输入值：

Yⁱⁿ=W₂H^out+B₂

W₂和B₂为连接隐藏层和输出层之间的网络参数矩阵及偏移值；

计算输出层的输出值：

Y^out=S(Yⁱⁿ)

计算当前参数设置下网络预测值Y^out和数据库中的目标值Y^tar之间的总误差：

E=Σ_i(Y_i ^tar−Y_i ^out)²/(2t)

式中，Y_i ^tar、Y_i ^out分别为目标值和网络预测值，i的范围在1~t，Σ_i代表对i求和。

5.根据权利要求1所述的预测方法，其特征在于，所述误差反向传播包括：探寻误差对权重值的敏感度，从而调整权重值，使得网络预测输出值更加接近目标值，并根据求导的链式法则，求得总误差对每一个权重值的导数∂E/∂w_i。

6.根据权利要求1所述的预测方法，其特征在于，所述权重调整与迭代包括：根据总误差对各项权重值的依赖程度来调整各项权重值；每一次迭代调整权重参数矩阵为：

w_i ^(Iter+1)=w_i ^(Iter)−η∙(∂E/∂w_i)^(Iter)式中，η为学习速率，上标“Iter”代表当前迭代次数；

使用调整后的权重矩阵，重新运行误差正向推演，如果误差值小于预先设定的精确度限值，则认为网络训练完成，否则继续进行误差反向传播和权重调整，直至网络精确度满足要求。

7.根据权利要求1所述的预测方法，其特征在于，所述泵送条件为混凝土配合比数据和泵送施工工况，其中，所述混凝土配合比数据包括集料、胶凝材料、水、添加剂的品质、含量；所述泵送施工工况包括泵管半径、水平段长度、高度、弯管个数、泵送速率、运输时间、混凝土温度。

8.根据权利要求1所述的预测方法，其特征在于，所述人工神经网络包括:

多节点的输入层、多节点的隐藏层和多节点的输出层。

Images