CN114970314A - 基于rbf神经网络的新型轻质混凝土抗压强度预测方法 - Google Patents

基于rbf神经网络的新型轻质混凝土抗压强度预测方法 Download PDF

Info

Publication number
CN114970314A
CN114970314A CN202210391489.4A CN202210391489A CN114970314A CN 114970314 A CN114970314 A CN 114970314A CN 202210391489 A CN202210391489 A CN 202210391489A CN 114970314 A CN114970314 A CN 114970314A
Authority
CN
China
Prior art keywords
neural network
rbf neural
lightweight concrete
compressive strength
novel
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
Application number
CN202210391489.4A
Other languages
English (en)
Inventor
李小华
刘星
曾智
李一峰
苏欢
李文菁
王平
曾丽萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Institute of Engineering
Original Assignee
Hunan Institute of Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Institute of Engineering filed Critical Hunan Institute of Engineering
Priority to CN202210391489.4A priority Critical patent/CN114970314A/zh
Publication of CN114970314A publication Critical patent/CN114970314A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • C—CHEMISTRY; METALLURGY
    • C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
    • C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
    • C04B28/00—Compositions of mortars, concrete or artificial stone, containing inorganic binders or the reaction product of an inorganic and an organic binder, e.g. polycarboxylate cements
    • C04B28/02—Compositions of mortars, concrete or artificial stone, containing inorganic binders or the reaction product of an inorganic and an organic binder, e.g. polycarboxylate cements containing hydraulic cements other than calcium sulfates
    • C—CHEMISTRY; METALLURGY
    • C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
    • C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
    • C04B38/00—Porous mortars, concrete, artificial stone or ceramic ware; Preparation thereof
    • C04B38/02—Porous mortars, concrete, artificial stone or ceramic ware; Preparation thereof by adding chemical blowing agents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • 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
    • 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
    • C—CHEMISTRY; METALLURGY
    • C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
    • C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
    • C04B2103/00—Function or property of ingredients for mortars, concrete or artificial stone
    • C04B2103/42—Pore formers
    • C—CHEMISTRY; METALLURGY
    • C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
    • C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
    • C04B2111/00—Mortars, concrete or artificial stone or mixtures to prepare them, characterised by specific function, property or use
    • C04B2111/00034—Physico-chemical characteristics of the mixtures
    • C04B2111/00198—Characterisation or quantities of the compositions or their ingredients expressed as mathematical formulae or equations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0014—Type of force applied
    • G01N2203/0016—Tensile or compressive
    • G01N2203/0019—Compressive
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/91—Use of waste materials as fillers for mortars or concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Ceramic Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Structural Engineering (AREA)
  • Mathematical Physics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computing Systems (AREA)
  • Materials Engineering (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Immunology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Inorganic Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Curing Cements, Concrete, And Artificial Stone (AREA)

Abstract

本发明提供了基于RBF神经网络的新型轻质混凝土抗压强度预测方法，包括以下步骤:基于胶凝材料与添加剂，制备新型轻质混凝土，获取所述新型轻质混凝土的基础配比；基于所述新型轻质混凝土的基础配比与单因素控制方式，获取多组新型轻质混凝土，并获取多组新型轻质混凝土的样本参数；构建RBF神经网络；基于所述样本参数对所述RBF神经网络进行训练，基于训练后的所述RBF神经网络完成新型轻质混凝土抗压强度预测。利用本发明的预测方法，不仅可以大大减少实际工作量，对轻质混凝土原料与设计和实验方案都具有重要的学术意义与工程意义。

Description

基于RBF神经网络的新型轻质混凝土抗压强度预测方法
技术领域
本发明属于混凝土抗压强度测试技术领域，尤其涉及基于RBF神经网络的新型轻质混凝土抗压强度预测方法。
背景技术
钢渣、高炉矿渣作为炼钢的附属产品，如何有效节能地综合利用始终是钢铁行业关注的焦点。大量废弃钢渣、矿渣的堆砌对生态环境是一个巨大的威胁，同时也会限制钢铁行业的发展，不仅占用土地资源，同时还会污染周边的空气与河流[1-2]。粉煤灰同样也是火力发电厂的固体废弃物，对这些工业废弃物进行资源化利用，不仅可以变废为宝，还可以保护环境。因此，工业固废的资源化利用具有重大意义；采用钢渣、矿渣、粉煤灰为主要原材料生产加气混凝土具有材质稳定、造价低、易加工、保温耐火性好等优势，而且符合国家新墙材节能1/2的标准。但随着加气混凝土的研究不断深入，其影响因素也逐渐增多，例如掺合料的变化、不同添加剂和激发剂的影响等。加气混凝土的影响因素愈发复杂，甚至出现不同的交互作用，以往寻常混凝土的线性关系已不再适用，往往表现为特定的非线性规律。因此，建立神经网络模型为解决加气混凝土研究方面的非线性问题提供了有效手段。
目前，有关于神经网络在混凝土领域的研究仅仅停留在寻常混凝土的应用中，在加气混凝土方面并没有涉及。因此，亟需一种基于神经网络的新型轻质混凝土抗压强度预测方法。
发明内容
为解决上述技术问题，本发明提出了基于RBF神经网络的新型轻质混凝土抗压强度预测方法，相较于标准梯度下降网络，RBF具有更高的预测精度，有效应用于新型轻质加气混凝土抗压强度的预测。
为实现上述目的，本发明提供了基于RBF神经网络的新型轻质混凝土抗压强度预测方法，包括以下步骤:
基于胶凝材料与添加剂，制备新型轻质混凝土，获取所述新型轻质混凝土的基础配比；
基于所述新型轻质混凝土的基础配比与单因素控制方式，获取多组新型轻质混凝土，并获取多组新型轻质混凝土的样本参数；
构建RBF神经网络；
基于所述样本参数对所述RBF神经网络进行训练，基于训练后的所述RBF神经网络完成新型轻质混凝土抗压强度预测。
可选地，所述胶凝材料包括：钢渣微粉、矿渣微粉、水泥、脱硫石膏、粉煤灰与生石灰；
所述添加剂包括：水玻璃、硫酸钠、三乙醇胺、稳泡剂、减水剂、加气铝粉膏与火碱。
可选地，制备新型轻质混凝土的步骤包括：
将钢渣微粉、矿渣微粉与粉煤灰按照预设配合比配制，保持生石灰6％、脱硫石膏5％、减水剂1％、硫酸钠3％不变，水泥作为补充调料，进行搅拌干混2min；
将铝粉0.1％、稳泡剂0.02％、三乙醇胺0.06％,加入5％水中制成悬浮液；
将水玻璃和火碱溶入95％水中，搅拌均匀，并调配至温度50℃；
将加有水玻璃的碱溶液倒入搅拌机中搅拌2-3min，生成料浆；
将含有铝粉、稳泡剂、三乙醇胺的悬浮液，倒入料浆中搅拌45s；
将制备好的料浆倒入100×100×100的三联模中浇筑成型；
放入60℃热湿养护箱中发气加预养护12-18小时后脱模；
在60℃热湿养护箱中进行热湿养护7天、28天后，按《加气混凝土性能试验方法》进行试块抗压强度测试。
可选地，所述样本参数包括：钢渣掺量、水泥掺量、碱含量、水玻璃模数、铝粉掺量、7天抗压强度与28天抗压强度。
可选地，所述RBF神经网络由输入层、输出层和隐藏层构成；
输入层到隐含层为直接连接，隐含层到输出层为权连接；
隐含层节点由中心径向对称且衰减的非负非线性函数构成，采用高斯函数作为RBF神经网络的激励函数；
所述高斯函数的表达式为：
Figure BDA0003595764290000031
其中，g(·)为高斯函数，||x-ki||为欧式范数；x为输入；ki为高斯函数中心，σ为高斯函数方差，exp为e的次方，即：
Figure BDA0003595764290000032
可选地，所述RBF神经网络的输出结果yi为：
Figure BDA0003595764290000033
其中，wij为RBF神经网络隐含层到输出层的连接权值。
可选地，对所述RBF神经网络进行训练的步骤包括：
将所述样本参数划分为输入变量与输出变量，并对所述样本参数进行归一化处理；
基于归一化处理后的输入变量与newff函数，对所述RBF神经网络进行训练；
采用sim函数对训练后的所述RBF神经网络进行仿真测试，获得测试结果。
可选地，所述RBF神经网络的输入变量为：钢渣掺量、水泥掺量、碱含量、水玻璃模数与铝粉掺量；
所述RBF神经网络的输出变量为：7天抗压强度与28天抗压强度。
可选地，利用mapminmax函数对所述样本参数进行归一化处理，归一化区间为[0.1]；
mapminmax函数的表达式为：
[p_train,ps_input]＝mapminmax(P_train,0,1)
其中，p_train为输入向量，P_train,0,1表示把将输入向量归一，即把输入向量p_train变成0,1之间的数。
net＝newff(p_train,t_train,Spread)
其中，p_train为输入向量，t_train为目标向量，Spread为径向基函数的扩展速度。
与现有技术相比，本发明具有如下优点和技术效果：
本发明将RBF神经网络用于新型加气混凝土抗压强度的预测，建立了RBF神经网络模型，能够更好地预测新型轻质混凝土抗压强度随各种影响因素变化的规律。利用本发明的预测方法对新型轻质混凝土进行实验设计，不仅可以大大减少实际工作量，对轻质混凝土原料与设计和实验方案都具有重要的学术意义与工程意义。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的基于RBF神经网络的新型轻质混凝土抗压强度预测方法流程示意图；
图2为本发明实施例的RBF神经网络结构示意图；
图3为本发明实施例的RBF神经网络训练过程误差曲线示意图；
图4为本发明实施例的RBF神经网络回归性分析示意图；
图5为本发明实施例的标准梯度下降算法过程误差曲线示意图；
图6为本发明实施例的标准梯度下降算法网络回归性分析示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例
如图1所示，本实施例提供了基于RBF神经网络的新型轻质混凝土抗压强度预测方法；
首先，基于胶凝材料与添加剂，制备新型轻质混凝土，获取所述新型轻质混凝土的基础配比；其中，胶凝材料包括：钢渣微粉、矿渣微粉、水泥、脱硫石膏、粉煤灰与生石灰；添加剂包括：水玻璃、硫酸钠、三乙醇胺、稳泡剂、减水剂、加气铝粉膏与火碱。
进一步地，胶凝材料：
钢渣微粉：本实施例中采用钢渣微粉来自湘潭玉峰新材料有限公司生产比表面积为400m2/kg的钢渣微粉，钢渣碱度为2.29，为中碱度钢渣。主要矿物组成为硅酸三钙、硅酸二钙、钙镁橄榄石、钙镁蔷薇辉石、铁酸二钙、RO(镁、铁、锰的氧化物，即FeO、MgO、MnO形成的固熔体)、游离石灰(f-CaO)等。钢渣的矿物组成不尽相同，其影响因素在于钢渣本身的化学成分及碱度。
其他胶凝材料：S95级矿渣微粉：宜兴恒旺环保公司生产比表面积不小于400m2/kg，碱性系数为1.05的高活性碱性矿渣；42.5硅酸盐水泥：比表面积不小于300m2/kg，强度等级为42.5R；脱硫石膏：常德冠宏石膏科技有限公司生产SO3含量42.2％，含水量为7％；粉煤灰：试验用一级粉煤灰，比表面积不小于400m2/kg；生石灰：长沙振湘石灰石矿有限公司购买，有效钙含量为83.1％，消解温度90℃。
主要胶凝材料化学成分如下表1所示：
表1
Figure BDA0003595764290000071
添加剂：
水玻璃(其化学成分如表2所示)：一种常用的化学碱激发剂，实验用来激发钢渣、矿渣、粉煤灰的活性。氢氧化钠：片状固体，用来调节水玻璃模数。
纯度为99.9％的无水硫酸钠、三乙醇胺：作为混凝土的早强剂，两者复合使用可有效提高混凝土的早期强度。
稳泡剂(α-稀基磺酸钠)：有利于提高形成泡沫的稳定性，具有改善加气混凝土孔结构作用。
聚羟酸系高性能减水剂：可以减少实验用水量，改善浆料的流动性，或减少单位水泥用量，节约水泥。
GLS-65-05型灰加气铝粉膏：加气混凝土加气剂。
表2
Figure BDA0003595764290000072
Figure BDA0003595764290000081
制备工艺及测试方法
1.将钢渣微粉、矿渣、粉煤灰按照述实验设计配合比配制，保持石灰6％、脱硫石膏5％、减水剂1％、硫酸钠3％不变，水泥作为补充调料，按照比例进行搅拌干混2min。
2.将铝粉0.1％、稳泡剂0.02％、三乙醇胺0.06％,加入5％水中(水温为50℃)制成悬浮液。
3.将水玻璃和火碱溶入95％水中，搅拌均匀，并调配至实验温度50℃。
4.将加有水玻璃的碱溶液倒入搅拌机中搅拌2-3min，生成料浆。
5.将含有铝粉、稳泡剂、三乙醇胺的悬浮液，倒入料浆中搅拌45s。
Step6.将制备好的浆料倒入100×100×100的三联模中浇筑成型。
Step7.放入60℃热湿养护箱中发气加预养护12-18小时后脱模。
Step8.在60℃热湿养护箱中进行热湿养护7天、28天后，按GB/T11968-2008《加气混凝土性能试验方法》进行试块抗压强度测试。
本实施例以钢渣、矿渣、粉煤灰、碱含量进行正交实验设计，得出了新型轻质混凝土的基础配比范围，正交设计方案如表3所示。
表3
Figure BDA0003595764290000091
其次，基于所述新型轻质混凝土的基础配比与单因素控制方式，获取多组新型轻质混凝土，并获取多组新型轻质混凝土的样本参数。其中，样本参数包括：钢渣掺量、水泥掺量、碱含量、水玻璃模数、铝粉掺量、7天抗压强度与28天抗压强度。
进一步地，在得到混凝土的基础配比后，采用单因素控制法，通过保持其他因素不变，只改变单一因素的方法进行了25组实验。经过抗压强度测试可得分别养护7天、28天后的数据，详见下表4新型轻质加气混凝土养护7d/28d抗压强度表。
表4
Figure BDA0003595764290000092
Figure BDA0003595764290000101
然后，构建RBF神经网络；
RBF神经网络是一种前馈型结构的神经网络，本实施例中的RBF神经网络由输入、输出和隐含层构成，其结构如图2所示。相较于BP神经网络实行权连接，RBF神经网络的输入层到隐含层为直接连接，隐含层到输出层为权连接。RBF隐含层节点由中心径向对称且衰减的非负非线性函数构成，通常采用高斯函数作为激励函数，其表达式如下：
Figure BDA0003595764290000102
式中，g(·)为高斯函数，||x-ki||为欧式范数；x为输入；ki为高斯函数中心；σ为高斯函数方差，exp为e的次方，即：
Figure BDA0003595764290000103
则RBF神经网络的输出结果为：
Figure BDA0003595764290000104
式中，wij为RBF神经网络隐含层到输出层的连接权值。
最后，基于所述样本参数对所述RBF神经网络进行训练，基于训练后的所述RBF神经网络完成新型轻质混凝土抗压强度预测。具体步骤包括：
1：输入变量和输出变量的确定。本文选取钢渣掺量、水泥掺量、碱含量、水玻璃模数、铝粉掺量作为输入变量，养护七天、二十八天复合加气混凝土抗压强度作为输出变量。
2：对数据进行归一化处理。利用mapminmax函数进行归一化处理，归一化区间为[0.1],其具体公式如下。
[p_train,ps_input]＝mapminmax(P_train,0,1) (3)
其中，p_train为输入向量，ps_input为输出向量，P_train,0,1表示把将输入向量归一，即把输入向量p_train变成0,1之间的数。
3:建立RBF神经网络，并对其进行训练。确定径向基函数的分布密度，调用MATLAB中newff函数：
net＝newff(p_train,t_train,Spread) (4)
式中，p_train为输入向量，t_train为目标向量，Spread为径向基函数的扩展速度。
4：仿真测试。因为RBF神经网络创建网络的过程即为训练网络，所以可直接调用sim函数对其进行仿真测试。
5：数据反归一化处理。再次采用mapminmax进行反归一化处理：
t_sim＝mapminmax('reverse',t_sim,ps_output) (5)
Step6：神经网络调整。若得出的预测结果与实际值相差较大，可以改变Spread径向基函数的扩展速度、误差目标Goal等参数来调整网络测试结果。
通过上述MATLAB建模过程，其分析结果如下：
如图3、图4所示，RBF神经网络的回归性好，综合回归系数值R＝0.95587，相较于BP神经网络，其均方误差更小，R值更接近于1，说明RBF网络预测模型精度更高，算法的收敛性也就越好。从表7RBF神经网络压强度预测结果分析中可以看出，RBF神经网络的最大相对误差仅为10.43％，三组预测样本的平均误差仅为7.035％。相较于标准梯度下降网络，RBF具有更高的预测精度，且训练步数都在10步之内，训练时长均小于0.1秒。其中，图3中，Epochs表示训练步数，Train表示训练集产生的误差，Best表示最小误差，Goal表示误差目标，Test表示测试误差，mean squared error表示：均方误差，Validation:表示实际结果验证误差。图3表示当训练的误差次数在4时，达到最优解，其相关度可达80.259％。图4中，Target表示目标值，date表示目标值的数据，Fit表示拟合曲线，Y＝T表示将所有的值进行划分上下区间，左上角的图表示，输出结果和目标训练值的关系output＝0.93*Target+0.12，其相度R为0.98513。右上角的图表示，输出结果和目标验证值的关系output＝0.81*Target+0.56，其相度R为0.94467。左下角的图表示，输出结果和目标测试值的关系output＝0.74*Target+0.45，其相度R为0.98216。右下角的图表示，输出结果和所有的目标值关系output＝0.86*Target+0.28，其相度R为0.97119，其中R值越接近于1，两者之间的关系相关度越高。
表7
Figure BDA0003595764290000121
Figure BDA0003595764290000131
本实施例中，还建立了标准梯度下降训练网络，与RBF神经网络的预测效果进行对比，其中，梯度下降BP算法训练函数traingd,首先以25组实验数据作为数据集，从中随机抽取3组实验数据作为测试数据样本，然后进行标准BP神经网络预测模型的建立，实验采用常见的三层神经网络结构，通过多次比较确定，隐含层传递函数为Logsig函数,隐含层的神经元个数为6，输出层激励函数为PURELIN线性传递函数。
训练参数如下:误差目标Goal为0.001；最大训练误差次数Epochs为100000；学习速率Ir为0.01，其余训练参数为MATLAB神经网络工具箱默认值。
由图5可知，标准梯度下降算法训练过程误差较大，当训练步数为13705时有最小训练误差为11.468％。图6为标准梯度下降算法网络回归性分析，综合回归系数值R＝0.88944，其值越接近与1代表回归性越好，模型预测精度也越高。由表8标准梯度下降BP神经网络5次训练结果可以看出，标准梯度下BP神经网络平均训练步数为11777.2，平均训练时间为12.4秒，训练步数较多且训练时间较长。轻质加气混凝土养护7d和28d的相对误差均在20％时左右，但相对误差最高可达到38.7％，相对误差偏大大。并且，在已有的实验数据条件下已无法改善神经网络的训练效果。图5中，Epochs:表示训练步数，Train表示训练集产生的误差，Best表示最小误差，Goal表示误差目标，Test表示测试误差，mean squarederror表示：均方误差，Validation:表示实际结果验证误差。图5表示当训练的误差次数在6时，达到最优解，其相关度可达74.714％。图6中，Target表示目标值，date表示目标值的数据，Fit表示拟合曲线，Y＝T表示将所有的值进行划分上下区间，左上角的图表示，输出结果和目标训练值的关系output＝0.91*Target+0.19，其相度R为0.94938。右上角的图表示，输出结果和目标验证值的关output＝0.91*Target+0.16，其相度R为0.95467。左下角的图表示，输出结果和目标测试值的关系output＝0.98*Target+0.019，其相度R为0.9889。右下角的图表示，输出结果和所有的目标值关系output＝0.92*Target+0.15，其相度R为0.95587。其中R值越接近于1，两者之间的关系相关度越高。
表8
Figure BDA0003595764290000141
本发明将RBF神经网络用于新型加气混凝土抗压强度的预测，建立了以钢渣掺量、水泥掺量、碱含量、水玻璃模数、铝粉掺量作为输入向量，抗压强度作为输出向量的神经网络模型，可以较好地预测新型轻质混凝土抗压强度随各种影响因素变化的规律。
相较于BP神经网络中的标准梯度下降法，RBF神经网络算法训练时间小于0.01秒，且平均训练误差不超过10％，说明RBF神经网络算法收敛速度更快，预测精度更高，是较为理想的抗压强度预测模型。
利用本发明的预测方法对新型轻质混凝土进行实验设计，不仅可以大大减少实际工作量，对轻质混凝土原料与设计和实验方案都具有重要的学术意义与工程意义。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，包括以下步骤:
基于胶凝材料与添加剂，制备新型轻质混凝土，获取所述新型轻质混凝土的基础配比；
基于所述新型轻质混凝土的基础配比与单因素控制方式，获取多组新型轻质混凝土，并获取多组新型轻质混凝土的样本参数；
构建RBF神经网络；
基于所述样本参数对所述RBF神经网络进行训练，基于训练后的所述RBF神经网络完成新型轻质混凝土抗压强度预测。
2.根据权利要求1所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，
所述胶凝材料包括：钢渣微粉、矿渣微粉、水泥、脱硫石膏、粉煤灰与生石灰；
所述添加剂包括：水玻璃、硫酸钠、三乙醇胺、稳泡剂、减水剂、加气铝粉膏与火碱。
3.根据权利要求2所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，
制备新型轻质混凝土的步骤包括：
将钢渣微粉、矿渣微粉与粉煤灰按照预设配合比配制，保持生石灰6％、脱硫石膏5％、减水剂1％、硫酸钠3％不变，水泥作为补充调料，进行搅拌干混2min；
将铝粉0.1％、稳泡剂0.02％、三乙醇胺0.06％,加入5％水中制成悬浮液；
将水玻璃和火碱溶入95％水中，搅拌均匀，并调配至温度50℃；
将加有水玻璃的碱溶液倒入搅拌机中搅拌2-3min,生成料浆；
将含有铝粉、稳泡剂、三乙醇胺的悬浮液，倒入料浆中搅拌45s；
将制备好的料浆倒入100×100×100的三联模中浇筑成型；
放入60℃热湿养护箱中发气加预养护12-18小时后脱模；
在60℃热湿养护箱中进行热湿养护7天、28天后，按《加气混凝土性能试验方法》进行试块抗压强度测试。
4.根据权利要求1所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，
所述样本参数包括：钢渣掺量、水泥掺量、碱含量、水玻璃模数、铝粉掺量、7天抗压强度与28天抗压强度。
5.根据权利要求4所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，
所述RBF神经网络由输入层、输出层和隐藏层构成；
输入层到隐含层为直接连接，隐含层到输出层为权连接；
隐含层节点由中心径向对称且衰减的非负非线性函数构成，采用高斯函数作为RBF神经网络的激励函数；
所述高斯函数的表达式为：
Figure FDA0003595764280000021
其中，g(·)为高斯函数，||x-ki||为欧式范数，x为输入；ki为高斯函数中心，σ为高斯函数方差，exp为e的次方，即：
Figure FDA0003595764280000031
6.根据权利要求5所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，
所述RBF神经网络的输出结果yi为：
Figure FDA0003595764280000032
其中，wij为RBF神经网络隐含层到输出层的连接权值。
7.根据权利要求6所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，对所述RBF神经网络进行训练的步骤包括：
将所述样本参数划分为输入变量与输出变量，并对所述样本参数进行归一化处理；
基于归一化处理后的输入变量与newff函数，对所述RBF神经网络进行训练；
采用sim函数对训练后的所述RBF神经网络进行仿真测试，获得测试结果。
8.根据权利要求7所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，
所述RBF神经网络的输入变量为：钢渣掺量、水泥掺量、碱含量、水玻璃模数与铝粉掺量；
所述RBF神经网络的输出变量为：7天抗压强度与28天抗压强度。
9.根据权利要求7所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，
利用mapminmax函数对所述样本参数进行归一化处理，归一化区间为[0.1]；
mapminmax函数的表达式为：
[p_train,ps_input]＝mapminmax(P_train,0,1)
其中，p_train为输入向量，ps_input为输出向量，P_train,0,1表示把将输入向量归一，即把输入向量p_train变成0,1之间的数。
10.根据权利要求7所述的基于RBF神经网络的新型轻质混凝土抗压强度预测方法，其特征在于，
所述newff函数的表达式为：
net＝newff(p_train,t_train,Spread)
其中，p_train为输入向量，t_train为目标向量，Spread为径向基函数的扩展速度。
CN202210391489.4A 2022-04-14 2022-04-14 基于rbf神经网络的新型轻质混凝土抗压强度预测方法 Pending CN114970314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210391489.4A CN114970314A (zh) 2022-04-14 2022-04-14 基于rbf神经网络的新型轻质混凝土抗压强度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210391489.4A CN114970314A (zh) 2022-04-14 2022-04-14 基于rbf神经网络的新型轻质混凝土抗压强度预测方法

Publications (1)

Publication Number Publication Date
CN114970314A true CN114970314A (zh) 2022-08-30

Family

ID=82977476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210391489.4A Pending CN114970314A (zh) 2022-04-14 2022-04-14 基于rbf神经网络的新型轻质混凝土抗压强度预测方法

Country Status (1)

Country Link
CN (1) CN114970314A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116479725A (zh) * 2023-05-04 2023-07-25 宁波中海建材有限公司 混凝土质量智能化加工预测系统
CN116793840A (zh) * 2023-06-27 2023-09-22 湖南科创高新工程检测有限公司 一种配筋加气混凝土砌块的受压测试方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116479725A (zh) * 2023-05-04 2023-07-25 宁波中海建材有限公司 混凝土质量智能化加工预测系统
CN116479725B (zh) * 2023-05-04 2023-11-10 紫云黔冠电力设备有限责任公司 混凝土质量智能化加工预测系统
CN116793840A (zh) * 2023-06-27 2023-09-22 湖南科创高新工程检测有限公司 一种配筋加气混凝土砌块的受压测试方法
CN116793840B (zh) * 2023-06-27 2024-03-29 湖南科创高新工程检测有限公司 一种配筋加气混凝土砌块的受压测试方法

Similar Documents

Publication Publication Date Title
CN110642585B (zh) 加气混凝土砌块及其制备工艺
CN114970314A (zh) 基于rbf神经网络的新型轻质混凝土抗压强度预测方法
CN106007434B (zh) 一种碱激发高钛矿渣免烧陶粒及其制备方法
CN102718424B (zh) 一种高活性矿渣微粉及其制备方法
CN105621907A (zh) 一种钙基地聚合物及其制备方法
CN107935419B (zh) 一种改性钢渣水泥
CN111807858A (zh) 工业固废蒸压加气混凝土砌块及其制备方法
CN105777184A (zh) 采用陶瓷抛光废料的蒸压加气混凝土砌块及其制备方法
CN106517978A (zh) 一种以磷石膏水硬性复合胶凝材料为主的轻质保温砂浆
CN107673696A (zh) 一种泡沫混凝土自保温墙材及其制备方法
CN114394772A (zh) 一种生态胶凝材料及其制备方法
CN103979900B (zh) 一种高强度抗菌加气砖及其制备方法
CN105130492A (zh) 一种镍渣加气混凝土及其制备工艺
CN109437699B (zh) 一种使用复合盐溶液和矿渣、粉煤灰制备胶凝材料的方法
Zhang et al. Statistical mixture design for carbide residue activated blast furnace slag foamed lightweight concrete
CN105967754A (zh) 二水石膏基发泡保温材料及其制备方法
CN103992084A (zh) 一种高韧性加气砖及其制备方法
CN107827389B (zh) 一种持续稳定膨胀型膨胀剂的制备方法
CN103992082A (zh) 一种耐热隔音加气砖及其制备方法
CN111559896A (zh) 一种发泡磷石膏砌块及其制备方法
CN111116127A (zh) 一种利用煤泥浆制得的轻质隔墙板及其制备方法
CN113004055B (zh) 一种绿色高热阻的自保温砌块及其制备方法
CN108264249A (zh) 一种镍铁渣-矿渣低水化热胶凝材料及其制备方法
KR20040017144A (ko) 경량콘크리트 및 그 제조 방법
CN111548031B (zh) 利用工业废渣中和渣制备的矿粉及其制备方法

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