压制生土砖强度的人工神经网络预测模型

发布时间：2021-07-10 09:27

　　为了获得压制生土砖抗压强度预测模型,针对成型压力、含水率、水泥含量及高厚比对压制生土砖抗压强度的影响,基于国内外研究中的91组压制生土砖抗压强度试验数据,分别建立了用于预测压制生土砖抗压强度的BP神经网络模型和径向基（RBF）神经网络模型,并将模型预测结果分别与试验结果及回归分析模型进行对比。结果表明:人工神经网络模型对压制生土砖抗压强度的预测精度显著优于回归分析方法;压制生土砖抗压强度与其配合比、成型压力及高厚比间存在复杂的非线性关系,回归分析模型不适用于解决此类复杂问题;BP神经网络模型的整体预测效果较好,但容易陷入局部最优;RBF神经网络模型能可靠地预测压制生土砖抗压强度,预测结果与试验结果比值的平均值为1.007,标准差为0.085,该预测模型具有较高精确度,能有效解决压制生土砖抗压强度与其影响因素间复杂的非线性关系,可为压制生土砖的配合比设计提供参考。 

【文章来源】：华南理工大学学报(自然科学版). 2020,48(07)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

BP神经网络模型预测结果与试验值的对比

RBF神经网络是一种泛化能力优越的前馈型神经网络,拓扑结构紧凑,具有强大的全局逼近能力[21]。与BP神经网络性能依赖于最优参数的选择、收敛速度慢且容易陷入局部极小不同,单隐含层的RBF神经网络,其隐含层神经元数目在训练阶段自适应地调整,因此可以得到连续函数的最佳逼近。RBF神经网络模型的基本结构如图2所示。RBF神经网络隐含层最常用的传递函数为高斯函数,当基于此网络预测压制生土砖的抗压强度时,采用此函数输入抗压强度影响因素的4维变量Xi:

利用MATLAB神经网络工具箱建立RBF神经网络,所得预测结果与试验结果的对比如图3所示。由图3可以看出,RBF神经网络模型的预测精度更高,表明RBF神经网络模型对压制生土砖抗压强度的分析预测比BP神经网络模型更具优势。计算其预测结果的相对误差,并进行统计分析,可以发现RBF神经网络模型的相对误差绝对值的平均值仅为2.43%,相对误差的绝对值均小于10%,且其中88%的样本(80组数据)的预测结果相对误差绝对值小于5%,相对误差最大值为9.04%,在工程实际允许的误差范围之内。

【参考文献】：
期刊论文
[1]水泥基材料对生土改性效果及机制研究[J]. 杨永,张树青,荣辉,张磊,张颖,徐蕊,王雪平,杨久俊.  硅酸盐通报. 2019(04)
[2]不同地域生土基材料抗压强度试验研究[J]. 张坤,王毅红,兰官奇,杨战社,张凌寒.  硅酸盐通报. 2019(04)
[3]不同改性生土材料性能对比研究[J]. 李宗新,李园枫,米金玲,任亚楠,李小颖.  施工技术. 2018(16)
[4]成型工艺对生土制品力学性能的影响[J]. 曲烈,杨久俊.  天津建设科技. 2018(02)
[5]机制生土砖抗压强度试验方法研究[J]. 王毅红,刘瑞元,张坤,仲继清,张又超.  新型建筑材料. 2017(08)
[6]生土基改性建筑材料的综合力-热-湿性能研究[J]. 张雪武,方从严,连芸.  西安建筑科技大学学报(自然科学版). 2017(01)
[7]压制改性生土砌块物理力学性能的研究[J]. 王丽娜,曲烈,杨久俊,张文妍,高茹.  砖瓦. 2016(08)
[8]生土砌块振动压制成型工艺和性能研究[J]. 张磊,罗忠涛,杨久俊,荣辉,王雪平,曲烈,张美香.  砖瓦世界. 2016(07)
[9]掺水泥和砂的机制生土砖力学性能试验研究[J]. 张又超,王毅红,侍雪雷,丁思远,孙艺嘉.  建筑结构学报. 2016(S1)
[10]基于BP神经网络的珊瑚混凝土抗压强度预测模型[J]. 李仲欣,韦灼彬,沈锦林.  混凝土. 2016(01)



本文编号：3275652