基于BP网络的砼板瞬态温度场算法分析

安徽建筑中图分类号：TU528.571文献标识码：A文章编号：1007-7359（2024）2-0080-03DOI:10.16330/ki.1007-7359.2024.2.030混凝土性能对建筑工程的安全建设至关重要。

在使用混凝土之前，首先需要测试其性能是否符合工程建设的要求，主要包括强度和耐久性[1]。

传统的测试方法主要是按照相关标准将混凝土配制成试件，在一定养护条件下将其养护至一定标准后进行检测[2]，此方法不仅会消耗大量的人力、材料和时间，工作效率较低，而且混凝土性能的测试结果难以达到预期目标[3]。

为了提高测试效率并得到更为准确的测试结果，可以建立有效可靠的预测模型以节省相关用材、减少不必要的试验和保障工程建设质量。

近年来，随着人工智能技术的出现，人工神经网络的理论方法和技术模型发展迅速，迄今为止已衍生出了几十种网络模型[4-6]。

人工神经网络可以模拟人的大脑，在处理复杂、多样本的数据时，能够得到较为精准的结果，使之成为混凝土性能预测相关研究中的新方法[7]。

其中，BP （Back Propagation ）神经网络应用最为广泛，预测效果较为精确，已深入研究混凝土性能预测方面，并得到了较好的实证。

基于此，本文将对BP 神经网络在混凝土性能预测中的研究现状进行分析并提出展望，以期丰富混凝土性能预测的相关研究。

1BP 神经网络原理BP 神经网络是一个多层次的人工神经网络，最早由上世纪末美国学者鲁梅尔哈特（Rumelhart ）和麦克莱兰（Mc⁃Clelland ）研发得出，是迄今为止应用最广泛的神经网络模型[8]。

简单来说，该网络是一种计算机程序算法模拟的数学模型。

该网络结构主要有三层，包括输入层、隐含层和输出层，其中输入层为第一层，输出层为最后一层，隐含层的数量可根据具体的研究对象有所增加，其模型结构如图1所示。

图1BP 神经网络拓扑结构图1模型结构图BP 神经网络的原理是各层神经元之间相互连接，但同一层内的神经元无连接。

基于PCA-BP神经网络模型的大体积混凝土最高温度预测何伟;杨靖【摘要】大体积混凝土温度控制是一项复杂的系统工程.针对大体积混凝土温度预测模型的因素太多,本文采用PCA降低BP神经网络的输入参数的维数,并建立一个新的PCA-BP神经网络预测大体积混凝土结构温度.根据溪洛渡大坝实测的数据资料,验证了该模型的有效性和可行性.结果表明,新模型的期望输出误差最大值仅为0.65,证明了新模型的有效性.【期刊名称】《黑龙江科技信息》【年(卷),期】2017(000)036【总页数】2页(P109-110)【关键词】最高温度;主成分分析;神经网络;预测;降维【作者】何伟;杨靖【作者单位】三峡大学水利与环境学院,湖北宜昌 443002;三峡大学水利与环境学院,湖北宜昌 443002【正文语种】中文对于大体积混凝土来说，由于结构断面尺寸一般比较大，水化热无法及时发散，导致结构内部先快速升温后缓慢降温。

这种温度的变化会在结构内部产生很大的温度应力，导致出现温度裂缝。

因此，避免产生过大的温度应力对大体积混凝土结构的安全具有重要的意义。

大体积混凝土温度与许多因素有关：环境气温、浇筑块长宽和厚度、通水流量、通水时长、通水温度等。

各种影响因素和大体积混凝土结构的温度之间是非常复杂的非线性映射关系。

为了实现对大体积混凝土的温度控制，就需要合理的模型去解释影响因素与温度之间的关联。

近年来，基于三维模拟仿真计算与BP神经网络的温度模型均具有一定的可行性，但前者的模型建立耗时较长，且为了简化计算往往会采用经验参数和简化约束条件，导致一些难以计量而又对结果有重要影响的因素被忽略，后者由于影响因素过多，神经网络的输入过多，收敛速度慢。

为此，本文将利用主成分分析（PCA），约简神经网络的输入，降低神经网络的输入参数维度，结合BP神经网络建立PCA-BP组合的神经网络预测模型，并结合溪洛渡的实测温控数据进行模型验证。

结果表明，基于PCA-BP的神经网络模型对于大体积混凝土结构温度预测具有实用价值。

基于BP神经网络的浇导混凝土融冰效果预测陈谦;王朝辉;问鹏辉;王帅;王梦浩【摘要】为准确预测浇注式导电沥青混凝土的融冰效果,基于300组试验样本数据,以环境温度、结构层厚度及通电时间为输入层,以融冰体积为输出层,建立了BP神经网络浇注式导电沥青混凝土融冰效果预测模型,并采用Pearson相关性检验方法验证了预测模型的准确性.结果表明:不同环境条件下,BP神经网络预测模型的相对误差在2.1％以内,其相关系数R介于0.9955～0.9965之间,拟合优度R 2介于0.9910～0.9930之间,预测结果准确、可靠性强.【期刊名称】《筑路机械与施工机械化》【年(卷),期】2018(035)009【总页数】6页(P56-60,66)【关键词】道路工程;预测模型;浇注式导电沥青混凝土;BP神经网络【作者】陈谦;王朝辉;问鹏辉;王帅;王梦浩【作者单位】长安大学公路学院,陕西西安 710064;长安大学公路学院,陕西西安710064;长安大学公路学院,陕西西安 710064;长安大学公路学院,陕西西安710064;长安大学公路学院,陕西西安 710064【正文语种】中文【中图分类】U416.2170 引言浇注式导电沥青混凝土（Conductive Gussasphalt Concrete，CGA，简称浇导混凝土），是通过在浇注式沥青混凝土中掺入适当类型和掺量的导电材料制备而成，能够实现冰雪天气下桥面的及时、高效融雪化冰，有力保障道路畅通及行驶安全［1-4］。

现阶段国内外对于浇注式导电沥青混凝土在桥面铺装领域的应用已开展了一系列基础研究，如Pan等优选了导电沥青混凝土的基本材料，重点研究了不同环境因素对导电沥青混凝土热工性能的影响［5-6］；Hai等通过模拟导电沥青混凝土的加热过程，系统分析了石墨和碳纤维对沥青混合料融雪能力的影响［7］；王朝辉等制备了同时满足施工和易性、高温稳定性及导电性能的浇注式导电沥青混凝土，系统研究了不同类型浇注式导电沥青混凝土的路用性能及融雪化冰效果［8-9］；郑少鹏等探讨了导电沥青混凝土在道路工程融雪化冰应用中的问题，提出了一种应用于融雪化冰路面的浇注式导电沥青混凝土施工方法［10］。

文章编号:100926825(2007)0620156202基于BP 网络的碳纤维混凝土强度研究收稿日期6226作者简介安　宁(632),男,硕士,副教授,陕西铁路工程职业技术学院,陕西渭南　安　宁摘　要:介绍了应用均匀设计理论设计碳纤维混凝土配方的方法,通过所得到的试验数据,运用人工神经网络(ANN )的方法预测碳纤维混凝土抗压强度和劈裂抗拉强度;阐述了采用BP 算法建立碳纤维混凝土抗压强度神经网络模型的过程,仿真结果表明,BP 网络可成功地建立非线性的强度模型,预测强度可达到较高精度。

关键词:均匀设计,人工神经网络,碳纤维,混凝土,B P 算法中图分类号:TU528.04文献标识码:A1　概论随着高性能混凝土(HPC )的发展和广泛应用,其脆性大、抗拉强度低、应力—应变曲线过陡等问题突显,改善其性能有效的途径之一就是在混凝土中加入短而分散的碳纤维,其具有较高的抗拉强度、抗弯强度、韧性和耐久性,而且收缩率很低。

碳纤维混凝土组分多、影响因素复杂,各影响因素与各组分之间存在着非常复杂的非线性关系;水泥品种、水泥用量、水胶比、骨料强度、质量、粒形尺寸、砂的细度模数及级配,还有外加剂、掺合料的品质及用量等诸多因素均影响其性能。

文中提出采用均匀设计法,合理地安排试验,通过少量的试验次数,取得较全面的数据,用来训练神经网络,用训练好的神经网络进行性能预测和优化配方,效果较好。

2　均匀设计基本原理、神经网络理论及其BP 网络模型[1,2]2.1　BP 网络模型的确定1)输入和输出神经元的确定。

可利用多种方法对神经网络的输入参数进行分析,确定无相关性或相关性较弱的输入参数(节点),使之尽可能的少,以降低网络复杂度,减少网络训练时间。

2)隐层节点的数量对网络影响较大,合理选择隐含层的层数和各隐含层的单元数是神经网络设计最困难的部分之一。

若隐层节点数过少,则网络的泛化能力较差;若隐层节点数过多,又使得训练时间增加,训练误差也不一定最佳。

文章编号：2095-6835（2023）20-0038-04基于BP神经网络预测混凝土强度＊邓洁松，王芳，付壮金，费友龙，尚超洋，刘雅婷（宿州学院资源与土木工程学院，安徽宿州234000）摘要：为了给建筑施工单位提供早期预测混凝土强度的有效办法，基于实验室制备的50组样本数据，借助Matlab R2020a 平台，建立了以单位体积的水泥、高炉矿渣、水、粗骨料、细骨料的用量作为输入，以立方体混凝土试件经过28d养护龄期的抗压强度作为输出的含单隐藏层的3层BP（Back Propagation）神经网络模型，其结构为5-6-1。

由对混凝土进行数值模拟训练后的仿真结果可知，训练后均方误差MSE为7.2%，整体相关系数R可达0.979。

以上预测结果表明，用BP神经网络模型预测混凝土的抗压强度理论上是可行的，并且使用此网络模型能够较为准确且快速地预测出混凝土本身的抗压强度。

关键词：BP神经网络；混凝土；预测；抗压强度中图分类号：TU528.1文献标志码：A DOI：10.15913/ki.kjycx.2023.20.010混凝土材料是由胶凝材料、水、粗细骨料等按一定比例配合拌制，经一定时间硬化而成的人造石材，是应用最广泛的建筑材料之一[1]。

要使工程质量和工程验收达到规定标准，混凝土的性能和质量是重要的因素。

实际工程中，养护28d后的混凝土的强度值是评价混凝土强度的主要依据，根据GB/T50080—2016《普通混凝土拌合物性能试验方法标准》[2]和GB55008—2021《混凝土结构通用规范》[3]，试验结果显示，在（20±2）℃、相对湿度大于95%、养护龄期28d的条件下，测得的抗压强度最大值为混凝土标准立方体的抗压强度，在整体抗压强度分布中，选取强度保证率为95%的立方体试件作为混凝土强度等级。

混凝土的力学性能除受到试验条件的影响外，还与粗骨料掺入量、砂粒、水泥、水、外加剂等因素有关。

因此，通过这种传统试验获得混凝土的抗压强度值一般需要投入大量的人力、物力和时间，增加了施工的成本，并且难以获得较为准确的结果[4]。

混凝土路面温度场的数值模拟与分析一、引言混凝土路面温度场的数值模拟与分析是交通工程领域中一个重要的研究方向。

混凝土路面温度场的分析可以帮助我们更好地理解路面结构的变化及其对行车安全和路面寿命的影响。

二、混凝土路面温度场的数学模型混凝土路面温度场的数学模型是一个非常复杂的问题。

在建立数学模型时，需要考虑多种因素，如气象条件、路面材料、路面结构、车辆行驶等。

目前，常用的混凝土路面温度场数学模型包括以下几种：1. 基于传热学的模型基于传热学的模型是最基础的混凝土路面温度场模型。

该模型基于热传导方程，考虑路面材料的热导率、比热容和密度等因素。

然而，这种模型无法考虑气象条件、路面结构和车辆行驶等因素的影响。

2. 基于气象学的模型基于气象学的模型考虑气象条件对混凝土路面温度场的影响。

该模型基于能量平衡方程，考虑太阳辐射、大气辐射、对流和蒸发等因素。

然而，该模型无法考虑路面结构和车辆行驶等因素的影响。

3. 基于有限元法的模型基于有限元法的模型可以考虑气象条件、路面结构和车辆行驶等因素的影响。

该模型基于有限元法，将路面结构离散为有限个单元，考虑每个单元的热传导和热辐射等因素。

该模型具有较高的精度，但计算量较大。

三、混凝土路面温度场的数值模拟混凝土路面温度场的数值模拟是基于数学模型进行计算的过程。

在进行数值模拟时，需要考虑模型的准确性和计算效率。

1. 模型准确性模型准确性是数值模拟的关键。

在进行数值模拟时，需要选择适当的数学模型，并考虑多种因素的影响。

同时，需要根据实际情况对模型进行修正和调整，以提高模型的准确性。

2. 计算效率计算效率是数值模拟的另一个关键。

在进行数值模拟时，需要选择适当的计算方法，并考虑计算资源的限制。

同时，需要对计算程序进行优化，以提高计算效率。

四、混凝土路面温度场的分析混凝土路面温度场的分析是基于数值模拟结果进行的。

在进行分析时，需要考虑模拟结果的准确性和实际应用的意义。

1. 模拟结果的准确性模拟结果的准确性是分析的关键。