1、自密實混凝土流動性神經(jīng)網(wǎng)絡預測模型比較研究劉華良1，屈慧瓊2，鄧仕軍2，雷慧娟2（1 南華大學城市建設學院，湖南 衡陽421001；2南華大學核資源工程學院，湖南 衡陽421001）摘 要：在對不同配合比自密實混凝土的流動性試驗研究的基礎上，利用MATLAB神經(jīng)網(wǎng)絡工具箱，構建出自密實混凝土流動性預測的人工神經(jīng)網(wǎng)絡模型，并比較分析了幾種不同模型和算法的優(yōu)劣。關鍵詞：自密實混凝土； 流動性； 試驗研究；人工神經(jīng)網(wǎng)絡；預測中圖分類號：TU528 文獻標識碼： 文章編號：Comparative Study for neural network prediction model of self-com

2、pacting concrete liquidity LIU Hua-liang1, QU Hui-qiong2, DENG Shi-jun2, LEI Huijuan2（1 School of Urban Construction, University of South China, Hengyang, Hunan 421001, China; 2 School of Nuclear Resources Engineering, University of South China, Hengyang, Hunan 421001, China）Abstract: Based on exper

3、imental study for fluidity of fresh self-compacting concrete with different mix design, artificial neural networks(ANN) models are established by MATLAB ANN tools for predicting fluidity of fresh self-compacting concrete. And then the advantagys and disadvantagys of the ANN models are discussed in t

4、he research. Key words: self compacting concrete; fluidity; test research; artificial neural networks(ANN); prediction自密實混凝土(Self Compacting Concrete，簡稱SCC)組分復雜多樣，各組分之間相互影響、制約，其拌和物的工作性能很難用單因素的回歸關系加以描述，常常是僅僅知道自密實混凝土材料成分、制備工藝和工作性能之間的相關數(shù)據(jù)，但其內在規(guī)律尚不清楚。為此，研究人員利用具有高度并行處理，聯(lián)想記憶，良好自適應和自組織能力的人工神經(jīng)網(wǎng)絡(A

5、rtificial Neural Network，縮寫ANN)模型 對SCC配合比與新拌狀態(tài)下工作性能之間關系進行模擬和函數(shù)逼近，以實驗或實測數(shù)據(jù)為基礎，經(jīng)過有限次的迭代計算，根據(jù)系統(tǒng)輸入和輸出找到它們之間的非線性關系，反映實驗或實測數(shù)據(jù)內在規(guī)律。在自密實混凝土工作性能模擬研究領域，李本強、郭奇等1,2探討了自密實混凝土性能預測的神經(jīng)網(wǎng)絡模型，周紹青、劉華良等3,4研究了自密實混凝土流動性預測模擬，邵巧希、孫仲健等5,6模擬了自密實混凝土間隙通過性。但因為自密實混凝土組分的復雜性和多樣性，選擇不同的神經(jīng)網(wǎng)絡模型和算法，會產(chǎn)生不同的模擬結果，模型和算法有優(yōu)有劣，本文以自密實混凝土流動性神經(jīng)網(wǎng)絡預

6、測模擬為例來比較分析模型和算法的優(yōu)劣。1自密實混凝土流動性試驗數(shù)據(jù)在本研究中采用的自密實混凝土配置試驗原材料、自密實混凝土配合比、流動性測試試驗方法及試驗結果數(shù)據(jù)見文獻4的“1自密實混凝土流動性試驗”部分。2新拌SCC V型漏斗試驗流出時間預測的人工神經(jīng)網(wǎng)絡模型2.1 訓練樣本的確定以文獻4表1 中的粗集料最大粒徑、減水劑用量、砂率和水膠比作為人工神經(jīng)網(wǎng)絡模型的輸入數(shù)據(jù)，以文獻4表2中的坍落度、擴展度和時間T500作為輸出數(shù)據(jù)，隨機選取其中8組（試驗次序分別為2、6、12、13、19、28、33、37）為預測樣本，其余30組作為訓練樣本。因為數(shù)據(jù)中數(shù)值過大，為了簡化訓練過程，應對數(shù)據(jù)進行歸一標

7、準化處理。2.2 神經(jīng)網(wǎng)絡類型和訓練算法的選擇在本文中應用cascade-forward backprop、Elman backprop、Feed-forward backprop和Time-delay backprop四種bp神經(jīng)網(wǎng)絡來訓練和預測V漏斗試驗數(shù)據(jù)，V漏斗試驗神經(jīng)網(wǎng)絡模型見圖1。在訓練算法上選擇了TRAINBFG、TRAINBR、TRAINCGB、TRAINCGF、TRAINCGP、TRAINGD、TRAINGDM、TRAINGDA、TRAINGDX、TRAINLM、TRAINOSS、TRAINR、TRAINRP和TRAINSCG共14種算法。統(tǒng)一設定目標goal=0.001，訓

8、練次數(shù)一般設為10000次。圖1 V漏斗試驗神經(jīng)網(wǎng)絡模型通過神經(jīng)網(wǎng)絡類型和訓練算法組合，建立了56種不同的網(wǎng)絡模型。對此56種模型進行從9-1000個不等的隱含層節(jié)點數(shù)的選擇并訓練，得到V漏斗試驗神經(jīng)網(wǎng)絡模型訓練過程曲線（圖2、圖3），以及神經(jīng)網(wǎng)絡類型、訓練算法的選擇結果（表1）。(a) TRAINBFG算法(b) TRAINGD算法(c) TRAINLM算法(d) TRAINR算法圖2 V漏斗試驗神經(jīng)網(wǎng)絡模型訓練過程圖（部分失敗的訓練算法）(a)TRAINBR 算法(b) TRAINCGB算法(c)TRAINCGF算法(d) TRAINCGP算法(f) TRAINGDM算法(g) TRAIN

9、GDA算法(h) TRAINGDX算法(i) TRAINOSS算法(j) TRAINRP算法(k) TRAINSCG算法 圖3 V漏斗試驗神經(jīng)網(wǎng)絡模型訓練過程圖（部分成功的訓練算法）通過分析圖2、圖3和表1，發(fā)現(xiàn)如下結果：（1）cascade-forward backprop、Feed-forward backprop和Time-delay backprop三種bp神經(jīng)網(wǎng)絡能夠進行V型漏斗試驗模擬，而Elman backprop神經(jīng)網(wǎng)絡不能模擬V型漏斗試驗；（2）14種訓練算法中，TRAINBFG、TRAINGD、TRAINLM、TRAINR四種算法無法模擬V型漏斗試驗（見圖2），其它算法大多

10、能有效模擬V型漏斗試驗，但訓練次數(shù)、隱含層節(jié)點數(shù)、占用CPU、內存資源等情況有差異；（3）在V型漏斗試驗模擬中，cascade-forward backprop、Feed-forward backprop兩種神經(jīng)網(wǎng)絡類型比較理想，TRAINCGB、TRAINCGF、TRAINCGP、TRAINGDM、TRAINGDA、TRAINGDX、TRAINOSS、TRAINRP和TRAINSCG9種訓練算法比較好。表1 神經(jīng)網(wǎng)絡類型、訓練算法選擇結果比較表訓練算法(training function)神經(jīng)網(wǎng)絡模型(network type) cascade-forward backpropElman b

11、ackpropFeed-forward backpropTime-delay backpropTRAINBFGNO,慢，資源消耗大,平臺NONO,慢，資源消耗大,平臺NOTRAINBRYES,較慢，資源消耗大NOYES，較慢,資源占用大NOTRAINCGBYES，快NOYES，快NOTRAINCGFYES，快NOYES，快NOTRAINCGPYES，快NOYES，快NOTRAINGDNONONONOTRAINGDMYES，快,訓練次數(shù)多，節(jié)點多NOYES，快NOTRAINGDAYES，快，局部震蕩NOYES，快NOTRAINGDXYES，快NOYES，快NOTRAINLMNO,資源占用大，慢，

12、無法進行NONONOTRAINOSSYES，較快NOYES，較快YES，較快TRAINRNO，較慢，平臺,振蕩NONO，速度一般，波線，平臺NOTRAINRPYES，快NOYES，快YES，快TRAINSCGYES，較快NOYES，較快YES，較快2.3 神經(jīng)網(wǎng)絡類型和訓練算法的比較分析根據(jù)上述發(fā)現(xiàn)，在V型漏斗試驗模擬中選擇cascade-forward backprop（簡稱CFBP神經(jīng)網(wǎng)絡）、Feed-forward backprop（簡稱FFBP神經(jīng)網(wǎng)絡）兩種神經(jīng)網(wǎng)絡類型和TRAINCGB、TRAINCGF、TRAINCGP、TRAINGDM、TRAINGDA、TRAINGDX、TRAI

13、NOSS、TRAINRP和TRAINSCG9種訓練算法，共組合成18種模型，統(tǒng)一設定目標goal=0.001，隱含層節(jié)點數(shù)700，訓練次數(shù)一般設為10000次。以此來對模型和訓練算法進行比較。通過模擬訓練，得到18種模型模擬過程中網(wǎng)絡類型、訓練算法及隱含層結點關系曲線如圖4所示。圖4模型模擬過程中網(wǎng)絡類型、訓練算法及隱含層節(jié)點關系曲線分析圖4曲線，可以看出：（1）CFBP神經(jīng)網(wǎng)絡和FFBP神經(jīng)網(wǎng)絡兩種網(wǎng)絡類型在訓練和預測V漏斗試驗中具有比較好的性能；（2）在訓練算法上，TRAINOSS、TRAINRP、TRAINSCG三種訓練算法隱含層節(jié)點區(qū)域分布比較廣，訓練次數(shù)比較少；（3）TRAINCGB

14、、TRAINCGF、 TRAINCGP三種訓練算法隱含層節(jié)點區(qū)域分布相對較窄，訓練次數(shù)比較少； （4）TRAINGDM、TRAINGDA、TRAINGDX三種訓練算法隱含層節(jié)點區(qū)域分布相對較窄，訓練次數(shù)比較多，當節(jié)點數(shù)較小時訓練時間比較長。2.4 神經(jīng)網(wǎng)絡預測結果與試驗結果的比較采用CFBP和FFBP兩種神經(jīng)網(wǎng)絡類型建立V漏斗試驗預測模型。通過對模型進行訓練和預測，得到V漏斗預測樣本的預測值（表2）。將預測值與文獻4中的試驗值進行比較分析，得出兩者絕對差值與誤差值如圖5和圖6，可以看出預測值和目標值相當接近，相對誤差值在可接受的范圍。用以上神經(jīng)網(wǎng)絡模型模擬和預測不同配合比SCC的流動性是切實可

15、行，預測結果比較準確可信。表2 V漏斗神經(jīng)網(wǎng)絡預測結果編號12 3 4 5 6 7 8 CFBP網(wǎng)絡預測值(s)7.68.97.734.532.117.68.47.4FFBP網(wǎng)絡預測值(s)8.197.834.931.817.38.57.6圖5 V漏斗試驗值與預測值比較（單位:s）圖6 V漏斗試驗值與預測值誤差分析3 結論（1）CFBP神經(jīng)網(wǎng)絡和FFBP神經(jīng)網(wǎng)絡兩種網(wǎng)絡類型能夠較好地訓練和預測自密實混凝土流動性，應用該模型對自密實混凝土V漏斗流出時間進行預測，其預測結果與試驗結果能夠比較準確的吻合，誤差較小。（2）合理選擇神經(jīng)網(wǎng)絡類型和訓練算法能減少訓練次數(shù)和隱含層節(jié)點數(shù)，優(yōu)化神經(jīng)網(wǎng)絡模型。在

16、訓練算法上，TRAINOSS、TRAINRP、TRAINSCG三種訓練算法隱含層節(jié)點區(qū)域分布較廣，訓練次數(shù)較少；TRAINCGB、TRAINCGF、 TRAINCGP三種訓練算法隱含層節(jié)點區(qū)域分布相對較窄，訓練次數(shù)較少；TRAINGDM、TRAINGDA、TRAINGDX三種訓練算法隱含層節(jié)點區(qū)域分布相對較窄，訓練次數(shù)較多，當節(jié)點數(shù)較小時訓練時間較長。參考文獻1李本強.自密實混凝土性能預測的神經(jīng)網(wǎng)絡模型J.五邑大學學報(自然科學版),2004,(02):11-13.2郭奇,李悅.自密實混凝土工作性能和強度的BP神經(jīng)網(wǎng)絡預測J.國外建材科技,2007,(06):30-33.3周紹青,石建軍,楊曉鋒,雷林.神經(jīng)網(wǎng)絡在自密實混凝土流動性能中的應用J.水利與建筑工程學報,2005,(04):44-47.4劉華良,顧楊圣,石建軍,屈慧瓊,付強.自密實混凝土流動性試驗及其神經(jīng)網(wǎng)絡預測研究J.混凝土,2010,(05):10-12+15.5邵巧希,寧嚴慶,石建軍.基于神經(jīng)網(wǎng)絡正交試驗的自密實混凝土間隙通過性研究J.混凝土,2009,(07):33-39.6孫仲健.基于GR