CN112976332A - 一种基于神经网络对拌成混凝土流变性预测方法 - Google Patents
一种基于神经网络对拌成混凝土流变性预测方法 Download PDFInfo
- Publication number
- CN112976332A CN112976332A CN202011545730.1A CN202011545730A CN112976332A CN 112976332 A CN112976332 A CN 112976332A CN 202011545730 A CN202011545730 A CN 202011545730A CN 112976332 A CN112976332 A CN 112976332A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- rbf
- vector
- prediction
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 239000004567 concrete Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000000518 rheometry Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 6
- 239000003638 chemical reducing agent Substances 0.000 claims abstract description 5
- 239000010881 fly ash Substances 0.000 claims abstract description 5
- 239000002893 slag Substances 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 37
- 210000002569 neuron Anatomy 0.000 claims description 15
- 239000002131 composite material Substances 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002956 ash Substances 0.000 claims description 4
- 239000004568 cement Substances 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 239000004574 high-performance concrete Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
- B28C7/02—Controlling the operation of the mixing
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络对拌成混凝土流变性预测方法,按照国标对不同混凝土配比进行流变性测试,获得多组“水胶比x1、砂灰比x2、减水剂掺量x3、粉煤灰掺量x4、矿渣掺量x5混凝土配合比‑拌成混凝土塑性粘度y,屈服应力z”的学习样本,通过不同数据样本对网络进行训练和预测,从而建立起拌成混凝土流变性和各影响因素之间的非线性输入、输出关系,即建立起基于神经网络拌成混凝土流变性的预测模型。
Description
[技术领域]
本发明涉及混凝土检测领域,具体涉及一种基于神经网络对拌成混凝土流变性预测方法。
[背景技术]
近些年来,随着土木行业的发展混凝土自身的强度问题,对混凝土施工要求的不断提高和信息化的迅速发展,混凝土工艺不能只停留在经验性的基础上。因此,从混凝土流变性理论上的配合、突破十分迫切。而目前大多数流变性预测方法只能通过经验性的基础进行归纳,难以达到目前混凝土生产所需要的预测精度。
中国发明专利《一种混凝土搅拌机流变性检测方法》(201811619121.9) 中流变性计算模型容易出现收敛速度慢和预测结果局部最优解的问题导致预测效率低、结果不精准。中国发明专利《一种混凝土智能搅拌控制方法及其系统》(201811522228.1)中提出完成混凝土的理化性质数据进行大数据分析,从而生成各项使用要求下的最优配合比。
[发明内容]
本发明克服了上述技术的不足,提供了一种基于神经网络对拌成混凝土流变性预测方法。
为实现上述目的,本发明采用了下列技术方案:
一种基于神经网络对拌成混凝土流变性预测方法,其步骤如下:
S1、收集样本数据,输入N组样本数据的原始输入量和原始输出量;
S2、设定预测精度,并对样本数据进行初始化预处理;
S3、基于样本数据初始化预处理后的输入向量和输出向量,构建 RBF-BP复合神经网络函数模型;
S4、网络的训练,设定参数,调用train函数对网络进行训练;
S5、调用sim函数对网络进行仿测试,若测试结果和仿测结果之间的精度大于设定的预测精度,则重新选择样本数据、调整RBF-BP复合神经网络函数模型结果、调整网络训练参数,返回步骤S1,直到测试结果和仿测结果之间的精度不大于设定的预测精度时执行步骤S6;
S6、随机给定真实输入向量,由训练好的网络模型对其进行预测,得出混凝土流变性预测值。
如上所述的一种基于神经网络对拌成混凝土流变性预测方法,其特征在于:RBF-BP组合神经网络为由RBF子网和BP子网两部分构成的双隐藏层复合神经网络。
如上所述的一种基于神经网络对拌成混凝土流变性预测方法,其特征在于:输入向量为多组水胶比x1、砂灰比x2、减水剂掺量x3、粉煤灰掺量 x4、矿渣掺量x5,输出向量为混凝土塑性粘度y、屈服应力z。
如上所述的一种基于神经网络对拌成混凝土流变性预测方法,其特征在于:RBF-BP组合神经网络函数模型的RBF神经网络中,x=[x1,x2,…, xn]T为网络的各个输入向量,φi(||x-ci||)为RBF神经网络隐藏层的激活函数,w∈Rh×m为输出连接权值变量,b=[b1,b2,…,bm]T为输出层神经元阈值, y=[y1,y2,…,ym]T;
激活函数采用高斯函数,其形式为:
式中:x-n维输入向量,ci-第i径向基函数的中心,σi-基函数的方差;
h-隐藏层神经元数、||x-ci||向量x-ci的范数,表示x与ci的欧式距离;
输出层第k个神经元网络输出为:
式中wik为第i个隐藏层神经元到第k个神经元的连接权值;
BP神经网络中,权值调节公式如下:
W(k+1)=W(k)-(JTJ+μI)-1JTe
式中I为单位矩阵,J为雅克比矩阵,e为网络的误差向量,调整参数u为一标量。
本发明的有益效果是:
本发明通过样本数据的输入向量和输出向量构建RBF-BP复合神经网络函数模型,从而兼具RBF子网和BP神经网络的优势,使网络具有更大的灵活性并能改进其性能,进而提高整体预测结果精度,同时基于大数据神经网络对拌成混凝土流变性预测,可以对此控制方法进行完善。
[附图说明]
图1是本发明的方法流程示意图;
图2是本发明神经网络塑性粘度示意图;
图3是本发明神经网络屈服应力示意图。
[具体实施方式]
下面结合附图与本发明的实施方式作进一步详细的描述:
如图1所示,一种基于神经网络对高性能混凝土强度预测方法,其步骤如下:
S1、收集样本数据,输入N组样本数据的原始输入量和原始输出量;
S2、设定预测精度,并对样本数据进行初始化预处理;
S3、基于样本数据初始化预处理后的输入向量和输出向量,构建RBF-BP 复合神经网络函数模型;
S4、网络的训练,设定参数,调用train函数对网络进行训练;
S5、调用sim函数对网络进行仿测试,若测试结果和仿测结果之间的精度大于设定的预测精度,则重新选择样本数据、调整RBF-BP复合神经网络函数模型结果、调整网络训练参数,返回步骤S1,直到测试结果和仿测结果之间的精度不大于设定的预测精度时执行步骤S6;
S6、随机给定真实输入向量,由训练好的网络模型对其进行预测,得出混凝土流变性预测值。
进一步的,RBF-BP组合神经网络预测的原理是:将RBF子网和BP子网两部分构成的双隐藏层复合神经网络。第一步,使用收敛速度快的RBF子网根据样本进行训练,然后将基于RBF子网络训练的输出结果作为BP子网络的输入,由BP子网络根据期望输出值进行深度训练,训练过的组合神经网络进行预测。
进一步的,输入向量为多组水胶比x1、砂灰比x2、粗骨料掺量x3、细骨料掺量x4、减水剂掺量x5、粉煤灰掺量x6、矿渣掺量x7,输出向量为混凝土塑性粘度y,屈服应力z。
进一步的预测精度的条件具体为:
其中,yk为预测结果,ya为真实输出向量,ε为预测精度。
进一步的,步骤S3中的RBF-BP组合神经网络函数模型,如图2所示,具体为:
其中RBF神经网络中,
x=[x1,x2,…,xn]T网络的各个输入向量,φi(||x-ci||)为RBF神经网络隐藏层的激活函数,w∈Rh×m为输出连接权值变量,b=[b1,b2,…,bm]T为输出层神经元阈值,y=[y1,y2,…,ym]T。
激活函数采用高斯函数,其形式为:
式中:x-n维输入向量;ci-第i径向基函数的中心;σi-基函数的方差;
h-隐藏层神经元数;||x-ci||向量x-ci的范数,表示x与ci的欧式距离。
输出层第k个神经元网络输出为:
式中wik为第i个隐藏层神经元到第k个神经元的连接权值。
其中BP神经网络中,
权值调节公式如下:
W(k+1)=W(k)-(JTJ+μI)-1JTe
式中I为单位矩阵,J为雅克比矩阵,e为网络的误差向量,调整参数 u为一标量。
训练后满足预测精度条件的RBF-BP神经网络即为基于神经网络对拌成混凝土流变性预测方法,之后随机给定真实输入向量,通过适应度函数来验证本发明提出方法的预测精度。
由于篇幅有限本实施例以10组数据作为预测精度的比较和验证。输入向量越多、精度越高。
表1
序号 | 水胶比 | 砂灰比 | 减水剂掺量(%) | 粉煤灰掺量(%) | 矿渣掺量(%) |
1 | 0.32 | 1 | 0.8 | 0 | 20 |
2 | 0.34 | 1.2 | 0.9 | 10 | 10 |
3 | 0.4 | 1 | 1 | 20 | 5 |
4 | 0.32 | 1.2 | 0.8 | 15 | 15 |
5 | 0.32 | 1.4 | 0.9 | 0 | 0 |
6 | 0.34 | 1.6 | 1 | 10 | 10 |
7 | 0.4 | 1 | 0.8 | 20 | 20 |
8 | 0.32 | 1.2 | 0.9 | 15 | 10 |
9 | 0.32 | 1.4 | 1 | 20 | 5 |
10 | 0.4 | 1.6 | 1 | 15 | 15 |
根据表1的10组数据,通过本发明的预测模型,得到表2的预测精度,根据表2所示,本试验的塑性粘度预测值和实际值得均在相对误差在5%以下,本试验的屈服应力预测值和实际值得均在相对误差在4%以下。足以证明该发明的预测误差小,预测精度高。
表2
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡以本发明的技术路径或方案所做的任何修改、等同替换或改进等,均应包含在本发明的权利要求范围之内。
Claims (5)
1.一种基于神经网络对拌成混凝土流变性预测方法,其步骤如下:
S1、收集样本数据,输入N组样本数据的原始输入量和原始输出量;
S2、设定预测精度,并对样本数据进行初始化预处理;
S3、基于样本数据初始化预处理后的输入向量和输出向量,构建RBF-BP复合神经网络函数模型;
S4、网络的训练,设定参数,调用train函数对网络进行训练;
S5、调用sim函数对网络进行仿测试,若测试结果和仿测结果之间的精度大于设定的预测精度,则重新选择样本数据、调整RBF-BP复合神经网络函数模型结果、调整网络训练参数,返回步骤S1,直到测试结果和仿测结果之间的精度不大于设定的预测精度时执行步骤S6;
S6、随机给定真实输入向量,由训练好的网络模型对其进行预测,得出混凝土流变性预测值。
2.根据权利要求1所述的一种基于神经网络对拌成混凝土流变性预测方法,其特征在于:RBF-BP组合神经网络为由RBF子网和BP子网两部分构成的双隐藏层复合神经网络。
3.根据权利要求1所述的一种基于神经网络对拌成混凝土流变性预测方法,其特征在于:输入向量为多组水胶比x1、砂灰比x2、减水剂掺量x3、粉煤灰掺量x4、矿渣掺量x5,输出向量为混凝土塑性粘度y、屈服应力z。
5.根据权利要求3所述的一种基于神经网络对拌成混凝土流变性预测方法,其特征在于:RBF-BP组合神经网络函数模型的RBF神经网络中,x=[x1,x2,…,xn]T为网络的各个输入向量,φi(||x-ci||)为RBF神经网络隐藏层的激活函数,w∈Rh×m为输出连接权值变量,b=[b1,b2,…,bm]T为输出层神经元阈值,y=[y1,y2,…,ym]T;
激活函数采用高斯函数,其形式为:
式中:x-n维输入向量,ci-第i径向基函数的中心,σi-基函数的方差;
h-隐藏层神经元数、||x-ci||向量x-ci的范数,表示x与ci的欧式距离;
输出层第k个神经元网络输出为:
式中wik为第i个隐藏层神经元到第k个神经元的连接权值;
BP神经网络中,权值调节公式如下:
W(k+1)=W(k)-(JTJ+μI)-1JTe
式中I为单位矩阵,J为雅克比矩阵,e为网络的误差向量,调整参数u为一标量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545730.1A CN112976332A (zh) | 2020-12-24 | 2020-12-24 | 一种基于神经网络对拌成混凝土流变性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545730.1A CN112976332A (zh) | 2020-12-24 | 2020-12-24 | 一种基于神经网络对拌成混凝土流变性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112976332A true CN112976332A (zh) | 2021-06-18 |
Family
ID=76345059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011545730.1A Pending CN112976332A (zh) | 2020-12-24 | 2020-12-24 | 一种基于神经网络对拌成混凝土流变性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112976332A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4437970A1 (de) * | 1994-10-24 | 1996-05-02 | Siemens Ag | Verfahren und Einrichtung zur Vorhersage der Konsistenz von Transportbeton |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN106568647A (zh) * | 2016-10-25 | 2017-04-19 | 武汉理工大学 | 一种基于神经网络的混凝土强度预测方法 |
CN108898120A (zh) * | 2018-07-04 | 2018-11-27 | 四川泰立智汇科技有限公司 | 基于混合神经网络的冷水机组故障诊断方法 |
CN109676796A (zh) * | 2018-12-27 | 2019-04-26 | 中山艾尚智同信息科技有限公司 | 一种混凝土搅拌机流变性监测方法 |
CN109783988A (zh) * | 2019-03-01 | 2019-05-21 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
CN110364232A (zh) * | 2019-07-08 | 2019-10-22 | 河海大学 | 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 |
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 |
-
2020
- 2020-12-24 CN CN202011545730.1A patent/CN112976332A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4437970A1 (de) * | 1994-10-24 | 1996-05-02 | Siemens Ag | Verfahren und Einrichtung zur Vorhersage der Konsistenz von Transportbeton |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN106568647A (zh) * | 2016-10-25 | 2017-04-19 | 武汉理工大学 | 一种基于神经网络的混凝土强度预测方法 |
CN108898120A (zh) * | 2018-07-04 | 2018-11-27 | 四川泰立智汇科技有限公司 | 基于混合神经网络的冷水机组故障诊断方法 |
CN109676796A (zh) * | 2018-12-27 | 2019-04-26 | 中山艾尚智同信息科技有限公司 | 一种混凝土搅拌机流变性监测方法 |
CN109783988A (zh) * | 2019-03-01 | 2019-05-21 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
CN110364232A (zh) * | 2019-07-08 | 2019-10-22 | 河海大学 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763848A (zh) | 一种基于bp人工神经网络的推进剂力学性能预测方法 | |
CN113761748B (zh) | 一种基于联邦增量随机配置网络的工业过程软测量方法 | |
CN110163430A (zh) | 基于AdaBoost算法的混凝土材料抗压强度预测方法 | |
CN113449474B (zh) | 改进灰狼算法优化bp神经网络管材成形质量预测方法 | |
US20220114467A1 (en) | Fault monitoring method for sewage treatment process based on fuzzy width adaptive learning model | |
CN111709185B (zh) | 一种基于随机森林的建筑混凝土强度预测方法 | |
CN111445965B (zh) | 一种基于深度学习的碳纤维增强水泥基材料的设计方法 | |
CN116597919A (zh) | 一种基于人工智能的3d打印水泥基材料设计方法 | |
Rahchamani et al. | A hybrid optimized learning‐based compressive performance of concrete prediction using GBMO‐ANFIS classifier and genetic algorithm reduction | |
CN114388069A (zh) | 一种多性能控制的混凝土配合比优化方法 | |
CN111024929A (zh) | 一种基于径向基神经网络的自密实混凝土强度预测方法 | |
CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
CN106202753A (zh) | 基于bp神经网络与遗传算法实现盾构砂浆性能优化方法 | |
CN116484495A (zh) | 一种基于试验设计的气动数据融合建模方法 | |
CN112507626A (zh) | 一种基于神经网络的高性能混凝土强度预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN112976332A (zh) | 一种基于神经网络对拌成混凝土流变性预测方法 | |
CN106355273A (zh) | 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 | |
CN117172116A (zh) | 基于pso-bp组合模型的混凝土抗压强度预测方法 | |
CN115688588B (zh) | 一种基于改进xgb方法的海表面温度日变化振幅预测方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
Utomo et al. | CLC (Cellular Lightweight Concrete) brick making process using neural network and extreme learning method based on microcontroller and Visual Studio. Net | |
CN1755362B (zh) | 基于木材结构参数确定木材物理、力学特性的分析方法及其仪器 | |
CN112464541B (zh) | 一种考虑多尺度不确定性的混合复合材料铺层方法 | |
CN105974791A (zh) | 一种混凝土配合比优化系统控制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |