一种基于径向基神经网络的自密实混凝土强度预测方法专利检索-自密实混凝土混凝土建筑材料专利检索查询-专利查询网

一种基于径向基神经网络的自密实 混凝土强度预测方法

阅读：722发布：2020-05-08

专利汇可以提供一种基于径向基神经网络的自密实混凝土强度预测方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于径向基神经网络的自密实混凝土强度预测方法，包括：S1、收集样本数据，样本数据包括N组原始输入向量和对应的原始输出向量，其中，N＞50；S2、对原始输入向量进行初始化处理，得到初始化的输入向量；S3、基于初始化的输入向量和原始输出向量，构建径向基函数模型；S4、基于样本数据，对径向基函数模型进行训练，得到训练好的径向基函数模型；S5、任意给定实际输入向量，代入训练好的径向基函数模型，以得到对应的自密实混凝土强度预测值。与现有技术相比，本发明利用径向基函数将输入向量非线性映射至输出向量，结合高斯函数作为非线性核函数，能够快速收敛获得全局最优解，提高预测效率和预测准确性。，下面是一种基于径向基神经网络的自密实混凝土强度预测方法专利的具体信息内容。

权利要求

1.一种基于径向基神经网络的自密实混凝土强度预测方法，其特征在于，包括以下步骤：
S1、收集样本数据，样本数据包括N组原始输入向量和对应的原始输出向量，其中，N＞
50；
S2、对原始输入向量进行初始化处理，得到初始化的输入向量；
S3、基于初始化的输入向量和原始输出向量，构建径向基函数模型；
S4、基于样本数据，对径向基函数模型进行训练，得到训练好的径向基函数模型；
S5、任意给定实际输入向量，由训练好的径向基函数模型对其进行预测，以得到对应的自密实混凝土强度预测值。
2.根据权利要求1所述的一种基于径向基神经网络的自密实混凝土强度预测方法，其特征在于，所述输入向量为自密实混凝土配合比，所述输出向量为自密实混凝土强度。
3.根据权利要求2所述的一种基于径向基神经网络的自密实混凝土强度预测方法，其特征在于，所述自密实混凝土配合比的成分包括水泥、填料、水、粗骨料、细骨料和外加剂，其中，水泥和填料共同构成胶凝材料。
4.根据权利要求3所述的一种基于径向基神经网络的自密实混凝土强度预测方法，其特征在于，所述步骤S2中对原始输入向量进行初始化处理的具体方法为：将自密实混凝土配合比的各成分的质量转化为各成分与胶凝材料的质量比值。
5.根据权利要求1所述的一种基于径向基神经网络的自密实混凝土强度预测方法，其特征在于，所述步骤S3中径向基函数模型具体为：
其中，y为输出向量，N为输入向量的组数，ωi为第i组输入向量的权重，φi为第i组输入向量到对应输出向量之间的非线性映射，x为输入向量，其维数为N×n，n为输入向量的成分种类数减去1之后的数值，ci为中心向量，且初始为零向量。
6.根据权利要求5所述的一种基于径向基神经网络的自密实混凝土强度预测方法，其特征在于，所述输入向量到对应输出向量之间的非线性映射采用高斯函数：
其中，t为自变量，δi为给定系数。
7.根据权利要求1所述的一种基于径向基神经网络的自密实混凝土强度预测方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、将样本数据的原始输入向量代入构建的径向基函数模型，得到对应的样本预测值；
S42、将样本预测值与样本数据中对应的原始输出向量进行比较，以判断径向基函数模型是否满足预测精度条件，若判断为是，则该径向基函数模型即为训练好的径向基函数模型，否则执行步骤S43；
S43、调整径向基函数模型中的权重，之后返回步骤S41。
8.根据权利要求7所述的一种基于径向基神经网络的自密实混凝土强度预测方法，其特征在于，所述步骤S42中预测精度条件具体为：
其中，yk为样本预测值，ya为原始输出向量，ε为预设的预测精度。

说明书全文

一种基于径向基神经网络的自密实混凝土强度预测方法

技术领域

[0001] 本发明涉及混凝土强度预测方法技术领域，尤其是涉及一种基于径向基神经网络的自幂数强度预测方法。

背景技术

[0002] 自密实混凝土在流动性、变形性和抗离析性方面具有良好性能，能够自行流动并填充框架和结构空隙。自密实混凝土的开发和应用减少了人工成本，并提高了混凝土结构的强度和耐久性。由于自密实混凝土的强度设计涉及不同材料(如水泥，填料，骨料，外加剂等)及其用量，各材料组成之间存在不同程度的交互作用。尤其自密实混凝土胶凝材料用量大，减水剂掺量大，不同配合比对应的强度波动情况规律复杂，若采用传统方法，需要进行巨量人工实验才能得到最佳的配合比。

[0003] 与传统的以水灰比为单因子的线性函数表达不同，需要通过大量实验来优化自密实混凝土配合比，才能保证自密实混凝土获得最佳性能。然而人工试验测试工作量大，周期长，因此有必要对自密实混凝土强度进行预测。

[0004] 现有技术大多采用神经网络的方法对混凝土强度进行预测，比如：中国专利CN104034865A公开了一种混凝土强度的预测方法，其利用非线性支持向量机回归法和神经网络法，结合样本数据训练，以获得混凝土强度预测模型，中国专利CN106568647A提出了一种基于神经网络的混凝土强度预测方法，该方法通过引入人工神经网络系统，对标准试件的抗压试验法和回弹法的混凝土强度值进行分析来预测取芯法的混凝土强度值，中国专利CN107133446A公开了一种预测超早强混凝土抗压强度的方法，该方法通过非线性映射将样本空间映射到一个高维特征空间中，同时支持向量机通过定义核函数将高维空间中的内积运算转化为原空间中的核函数运算，最终得以对超早强混凝土的抗压强度进行预测。

[0005] 上述的几种方法均是使用支持向量机或反向传播学习算法(BP神经网络)，其训练样本数量有限，无法处理大型数据库，容易出现收敛速度慢以及预测过程中陷入局部最优解的问题，导致预测效率低、预测结果不准确。

发明内容

[0006] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于径向基神经网络的自密实混凝土强度预测方法，利用径向基神经网络寻找全局最优解，加快收敛速度，从而有效提高预测效率和预测准确性。

[0007] 本发明的目的可以通过以下技术方案来实现：一种基于径向基神经网络的自密实混凝土强度预测方法，包括以下步骤：

[0008] S1、收集样本数据，样本数据包括N组原始输入向量和对应的原始输出向量，其中，N＞50；

[0009] S2、对原始输入向量进行初始化处理，得到初始化的输入向量；

[0010] S3、基于初始化的输入向量和原始输出向量，构建径向基函数模型；

[0011] S4、基于样本数据，对径向基函数模型进行训练，得到训练好的径向基函数模型；

[0012] S5、任意给定实际输入向量，由训练好的径向基函数模型对其进行预测，以得到对应的自密实混凝土强度预测值。

[0013] 进一步地，所述输入向量为自密实混凝土配合比，所述输出向量为自密实混凝土强度。

[0014] 进一步地，所述自密实混凝土配合比的成分包括水泥、填料、水、粗骨料、细骨料和外加剂，其中，水泥和填料共同构成胶凝材料。

[0015] 进一步地，所述步骤S2中对原始输入向量进行初始化处理的具体方法为：将自密实混凝土配合比的各成分的质量转化为各成分与胶凝材料的质量比值。

[0016] 进一步地，所述步骤S3中径向基函数模型具体为：

[0017]

[0018]

[0019]

[0020] 其中，y为输出向量，N为输入向量的组数，ωi为第i组输入向量的权重，φi为第i组输入向量到对应输出向量之间的非线性映射，x为输入向量，其维数为N×n，n为输入向量的成分种类数减去1之后的数值，ci为中心向量，且初始为零向量。

[0021] 进一步地，所述输入向量到对应输出向量之间的非线性映射采用高斯函数：

[0022]

[0023]

[0024] 其中，t为自变量，δi为给定系数。

[0025] 进一步地，所述步骤S4具体包括以下步骤：

[0026] S41、将样本数据的原始输入向量代入构建的径向基函数模型，得到对应的样本预测值；

[0027] S42、将样本预测值与样本数据中对应的原始输出向量进行比较，以判断径向基函数模型是否满足预测精度条件，若判断为是，则该径向基函数模型即为训练好的径向基函数模型，否则执行步骤S43；

[0028] S43、调整径向基函数模型中的权重，之后返回步骤S41。

[0029] 进一步地，所述步骤S42中预测精度条件具体为：

[0030]

[0031] 其中，yk为样本预测值，ya为原始输出向量，ε为预设的预测精度。

[0032] 与现有技术相比，本发明通过收集大量自密实混凝土配合比参数，利用径向基函数将输入向量非线性映射至对应的输出向量，基于高斯函数作为非线性和函数，通过调整权重，以保证预测模型的预测精度，对于任意给定的输入向量，采用本发明提出的自密实混凝土强度预测模型均可准确得到对应的强度预测值。本发明的训练样本量大，训练精度高，节约了大量人力、材料及时间成本，即有效提高了预测效率和预测准确性。附图说明

[0033] 图1为本发明的方法流程示意图；

[0034] 图2为实施例中得到预测模型的工作流程示意图。

具体实施方式

[0035] 下面结合附图和具体实施例对本发明进行详细说明。

[0036] 如图1所示，一种基于径向基神经网络的自密实混凝土强度预测方法，包括以下步骤：

[0037] S1、收集样本数据，样本数据包括N组原始输入向量和对应的原始输出向量，其中，N＞50；

[0038] S2、对原始输入向量进行初始化处理，得到初始化的输入向量；

[0039] S3、基于初始化的输入向量和原始输出向量，构建径向基函数模型；

[0040] S4、基于样本数据，对径向基函数模型进行训练，得到训练好的径向基函数模型；

[0041] S5、任意给定实际输入向量，由训练好的径向基函数模型对其进行预测，以得到对应的自密实混凝土强度预测值。

[0042] 将上述方法应用于实际中，得到预测模型的具体工作流程如图2所示：

[0043] 1、收集输入向量；

[0044] 2、初始化输入向量；

[0045] 3、建造径向基函数模型；

[0046] 4、根据径向基函数模型进行预测；

[0047] 5、判断预测结果精度是否达到预测精度要求，若未达到要求，则调整权重并重复步骤4，若已达到要求，输出预测结果。

[0048] 步骤1收集输入向量数量应大于50组，输入向量为自密实混凝土的成分配合比，其中，自密实混凝土的成分包括但不限于水泥、填料、粗骨料、细骨料、水和外加剂。

[0049] 步骤2中的初始化方法为：将配合比中每种成分的质量转化为与胶凝材料质量之比，即与水泥和填料总质量之比，本实施例中初始化的输入向量包括水灰比(x1)、水胶比(x2)、粗骨料与胶凝材料之比(x3)、细骨料与胶凝材料之比(x4)、外加剂与胶凝材料之比(x5)。

[0050] 步骤3中使用的径向基函数模型如下：

[0051]

[0052] 式(1)中，y为输出向量，N为输入向量的组数，ωi为第i组输入向量的权重，φi为第i组输入向量到对应输出向量之间的非线性映射，x为输入向量，ci为中心向量，且初始为零向量。

[0053] 输入向量x和输出向量y分别为：

[0054]

[0055] 式(2)中，x表示不同配合比的数据，其维数为数据组数×(成分种类数-1)，N为样本数据组数，本实施例中N＝10，n为变量x的维数，考虑自密实混凝土成分的种类数为6，则n＝5，y为自密实混凝土强度。

[0056] 式(1)中使用的非线性映射为高斯函数：

[0057]

[0058] 式(3)中，δi为给定的系数，t为自变量，本实施例中为x-c的范数。

[0059] 对于本实施例中添加了循环部分，将在0-1之间以0.0001步长取值，以确定得到使预测误差达到最小的δi。

[0060] 将代入式(1)计算后得到的预测值与实际输出向量进行比较，若未达到精度则调整权重，直到满足一下的预测精度条件：

[0061]

[0062] 式(4)中，yk为样本预测值，ya为样本数据中实际输出向量，ε为精度，本实施例中取ε＝10-4。

[0063] 训练后满足预测精度条件的径向基神经网络模型即为用于预测自密实混凝土强度的预测模型，之后可取任意输入向量，通过式(1)得到预测结果，将预测结果与实际结果比较，及能验证本发明提出方法的预测精度。

[0064] 由于篇幅所限，本实施例以10组输入向量数据为例(如表1所示)进行预测精度的比较与验证，在实际应用中，输入向量数量越多，训练精度越高。

[0065] 表1

[0066] 组数水泥/kg·m-3 水/kg·m-3 填料/kg·m-3 细骨料/kg·m-3 粗骨料/kg·m-3 外加剂/％1 325 211.75 60 899 850 0.51
2 325 211.75 60 899 850 0.51
3 325 244.75 120 755 850 0.59
4 249 169.95 60 1079 850 0.53
5 325 277.2 60 722 850 0.51
6 370 209.7 96 833 850 0.31
7 400 253 60 718 850 0.49
8 325 211.75 60 899 850 0.51
9 280 136.8 24 1172 850 0.67
10 370 256.1 24 770 850 0.66

[0067] 将表1中的自密实混凝土配合比数据作为输入向量代入本发明提出的预测模型中，得到对应的预测值如表2所示，将预测值与实际值进行比较以验证本发明方法的预测精度，如表2所示，本实施例中预测值与实际值的相对误差均在2.5％以下，均方差为0.55，可见本发明中径向基神经网络模型的预测误差小，预测效果好。

[0068] 表2

[0069]

[0070] 同样，将表1中的自密实混凝土配合比数据作为输入向量，分别利用中国专利CN104034865A，CN106568647A和CN107133446的神经网络预测方法，预测自密实混凝土的强度值，并与实施例1得到的预测结果作比较，对比结果如表3所示。

[0071] 表3

[0072]

[0073] 本实施例中，专利CN104034865A与CN107133446A所采用的支持向量机预测方法所得的预测值标准差分别为7.08和3.60，均大于本发明的预测标准差0.55。其中，专利CN104034865A的标准差更大，第7组与第9组的相对误差甚至大于10％，原因在于其算法核心的非线性核函数为多项式核函数或Sigmoid核函数，拟合半径小于本发明所用的高斯函数，因此误差较大。

[0074] 本实施例中，专利CN106568647A的预测值均方差高达22.79，其中第1组的相对误差为26.62％，第9组的相对误差为71.95％，原因在于相对于本发明所用的径向基神经网络，该专利采用的BP神经网络预测方法易陷入局部最优解，从而使部分结果误差偏大。

[0075] 本实施例证明了本发明具有高效且高精度的预测效果，与传统的强度预测方法相比更节省人工、材料及时间成本，与其他类似的神经网络预测方法相比误差更小，对自密实混凝土强度预测的研究具有重大意义。

标题	发布/更新时间	阅读量
基于3D打印技术的异形透光混凝土砌块及其制备方法	2020-05-11	790
一种洞穿钢管背后混凝土浇筑的施工方法	2020-05-14	680
自燃煤矸石混凝土夹层楼板	2020-05-08	44
一种生态植被混凝土护坡结构及其施工方法	2020-05-14	464
高大重力式混凝土挡土墙结构及其施工方法	2020-05-08	133
一种自密实混凝土外加剂配方及其制备方法	2020-05-08	60
一种钢管桩注浆结合腰梁锚杆支护方法	2020-05-14	367
一种采用超高性能混凝土后浇接头的隧道结构	2020-05-08	153
一种轻钢龙骨复合内墙结构	2020-05-11	558
一种自密实混凝土用的引流装置	2020-05-11	475

一种基于径向基神经网络的自密实混凝土强度预测方法

一种基于径向基神经网络的自密实混凝土强度预测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：