混凝土的强度预测及其配合比优化设计研究

第３４卷第３４期　２　０　０　８车１　２月　山　西　建　筑　ＳＨＡＮＸＩ　ＡＲＣＨＩＴＥＣＴＵＲＥ　Ｖｏ１．３４　Ｎｏ．３４　Ｄｅｃ．２００８　・１・　・专家专稿・　文章编号：１００９．６８２５（２００８）３４—０００１—０２　混凝土的强度预测及其配合比优化设计研究＊　丁声荣余巍伟　摘要：针对混凝土配方数据构成的复杂性，应用聚类分析原理对样本数据进行自身特性分析，建立了混凝土双并联神　经网络模型，在配合比优化设计时采用了模拟退火算法，通过实例验证获得了较好的精度。　关键词：聚类分析，双并联神经网络，混凝土强度预测，模拟退火算法　中图分类号：ＴＵ３７５　文献标识码：Ａ　Ｏ引言　近年来随着“人工神经网络”研究的兴起，由于其非线性处理　能力强，不需要明确的函数关系式等优点而得到广泛应用，在混　凝土强度预测和配合比优化设计中有学者做了研究　Ｊ，但由于混　凝土配方数据构成的复杂性，直接利用神经网络模型对其强度进　行预测时存在精确度较差的问题。笔者所在课题组也做了相关　研究，并已取得一定成果【２，３ｌ。　本文首先收集大量的试验数据建立样本库，结合自组织神经　网络与双并联神经网络建立混凝土强度预测模型，再以训练好的　网络模型为基础，以成本函数为目标条件，采用模拟退火算法建　立了配合比优化设计模型。　１　混凝土神经网络强度预测模型　１．１样本库的建立　系统运行前，首先建立样本库。样本库可以选择多种数据库　类型，如ＦｏｘＰｒｏ数据表。数据库中的混凝土强度为网络的输出，　其他为输入，包括用水泥量、用水量、用砂量、用石子量、坍落度、　水泥产地、石子规格、外加剂用量、水泥强度等等。初始化部分的　功能主要是：对自组织映射神经网络部分参数的初始化；水泥生　产厂家、石子规格等的选择；双并联神经网络部分的参数初始化；　混凝土配方单价库的建立等等。　１．２　自组织神经网络聚类分析　数据分类是一个难点，这是因为预先并不知道将数据分成多　少个类，而自组织神经网络是一种无导师自学习神经网络，可以　较好的完成分类任务，能够模拟人类根据过去经验自动适应无法　预测的环境变化。　在自组织映射人工神经网络中，输出层神经元与输入层神经　元的连接权向量为ｗ，用毗，（ｉ＝１，２，…，ｍ；Ｊ＝１，２，…，　）表　示。下面以输出层神经元为一维线阵排列形式的自组织映射人　工神经网络的学习方法为例进行说明。　设已知学习样本　＝（，２７ｌ　，．２７２ｐ，…，ｚ　ｐ）（Ｐ＝１，２，…，Ｐ），　使用公式：　—　＝＝　ｌ＿＝ｉ—ｚ　（　＝１，２，…，咒；Ｐ＝１，２，…，Ｐ）。　ｘｔｐ十　§ｐ＋…＋　‘ｎｐ　分别对样本数据　（Ｐ＝１，２，…，Ｐ）进行归一化处理。然后　根据样本数据可能具有的分类情况，选择合适的输出层神经元数　目ｍ，并开始网络的学习。　１）设ｔ：０，在区间［０，１］给Ｗ　（０）随机地赋值，并使用公式：　２　２　对叫ｄ（０）进行归一化处理。　２）取Ｐ＝１。　３）将样本　＝（ｚｌｐ，　２　，…，ｚ　）输入网络的输入层，并使　用公式：　，＿＝　———一　ｄｉ＝＾／　（　ｐ一训　）　（ｉ＝１，２，…，ｍ）。　Ｙ　Ｊ＝１　计算　与ｗ中各个分量　＝（　ｍＷ　…，硼　）的欧氏距　离ｄ　。　４）选择最小的ｄ　相应的输出层神经元为获胜神经元，并将　获胜神经元的序号记为ｉ　，定义获胜神经元的输出为１，其余神　经元的输出为０，并使用公式：　Ｗｉ　Ｊ（ｔ）＋　（　）（．７ｇｊｐ—ｗｉ　Ｊ）－－－￣ＺＯｉ　Ｊ。　对获胜神经元的连接权向量　＊进行修正计算，非获胜神经　元的连接权保持不变。当获胜神经元的连接权向量　＊修正以　后，要对其进行归一化处理。　５）如果　≤Ｐ，取Ｐ＋１一Ｐ，转向３）继续进行计算，否则转向　６）。　６）取￡＋１一　，按照设定的方式改变叩（ｔ），如果叩（ｔ）＝０，结　束学习过程，否则转向，对所有样本均进行上述计算以后，就完成　了对样本的聚类分析过程。　１．３混凝土强度预测的双并联前向神经网络模型　双并联前向人工神经网络和多层前向神经网络一样，也是由　输入层、隐含层和输出层组成，与多层前向神经网络相比，它增加　了输入层和输出层神经元的直接联系。　在三层ＤＰＦＮＮ中，输人神经元为　个，隐含层有Ｒ个，输　出层则有ｚ个，输入层除了按一般前向网络的传递途径，即通过　隐含层传递到输出层外，还直接传递到输出层。　双并联前向神经网络是设网络中输入层的输入分别为　，　ｚ２，…，３７７　，则隐含层各神经元的输入分别为：　Ｉｉ＝∑￣ｏ，Ｓｃ　－ｔ－　（ｉ＝１，２，…，，ｚ）。　Ｊ＝１　其中，ｃｏｉｊ为隐含层神经元　与输入层神经元　的连接权；Ｏｉ为　隐含层神经元ｉ的阈值。选择ｓｉｇｒｎｏｉｄ函数作为隐含层神经元的　激发函数，则隐含层神经元的输出为：　Ｏｉ＝ｆ（Ｉｉ）（ｉ＝１，２，…，ｍ）。　收稿日期：２００８—０７—２３　＊：河北省建设厅建工新产品基金资助计划项目（项目编号：２００４—１１３）　作者简介：Ｔ）￣（１９８１一），男，硕士，讲师，南昌大学科学技术学院，江西南昌３３００２９　余巍伟（１９８０一），男，讲师，南昌大学科学技术学院，江西南昌３３００２９

　．．　３４　３４２　曹　山西建筑２　０　０　８　１　２　・　・　年　月　Ｒ　“　取输出层神经元的阈值为Ｏ，另取线性函数为输出层神经元　的激发函数，则可得到整个网络的输出为：　．Ｙｋ＝　Ｏｉ＋　ｕｋ／ｃｖ（　＝ｌ，２，…，ｚ）。　ｉ＝１　Ｊ＝１　其中，　为输出层神经元ｋ与隐含层神经元ｉ的连接权；“　为输出层神经元ｋ与输入层神经元Ｊ的连接权。　对于样本数据分组后的每一组数据，均需调用双并联神经网　络算法进行神经网络模型的建立，由于样本数据分组的不确定性　（分组可能多，也可能少），所以建立的模型信息的存储采用链表　形式，这样可以适合于任何分组。　预测模型建立后，可以读取实际的混凝土配合比数据，然后　对每一组数据进行分组。实际数据分到哪一组，就用这一组的预　测模型进行混凝土强度的计算。　２混凝土配合比优化设计的模拟退火算法模型　配合比优化的目标，是在满足混凝土性能要求的条件下使其　单位成本最低。在原材料中其材料单价，包括原料部分，一部分　是材料本身的价格，另一部分是该材料平均单位需要的设备安装　费用，即：　Ｐ＝Ｐ０＋Ｐ　／Ｎ。　式中：Ｐ　——原材料本身的价格；　Ｐ　——该种材料所需要的设备安装费用；　Ｎ——将要生产的混凝土的总量。　约束条件为：配合比一混凝土性能关系式：该关系以训练好　的各类混凝土的ＤＰＦＮＮ网络表达；配合比重合理的原材料用量：　根据以往经验对原材料用量作大致的范围估计，以缩小范围，加　快优化速度。　表１强度预测结果　水泥强　水泥　砂子　石子　混凝土实　系统计　相对误差　用水量　坍落度　度等级　用量　用量　用量　测强度　算强度　％　１９６　３２．５　４００　６１２　１　２４２　４５　２４．８　２４　８０５　４　０．０２１　７９　１９５　３２．５　３９８　６３０　１　２２２　４０　２６　６３　２６．６２１　４　～０．０３２　２　１９７　３２．５　４０２　６２０　１　２３１　３５　２７．０６　２７　０６１　４　０．ｏｏ５　５　１９８　３２．５　４０４　５９１　１　２５７　４０　２８　９０　２８．８９４　３　—０．０１９　３　１９５　４２．５　３９８　６３１　１　２２６　４０　２８．９ｏ　２８．８９９　０　—０．００３　３　１９９　４２．５　４４２　５８８　１　２５０　３５　２９．７０　２９　６９５　６　—０．０１４　８　１９６　３２．５　４３６　５９３　１　２６０　３０　３０．５０　３０．４９２　６　—０．０２４　０　２０４　３２　５　４５３　５８３　１　２３９　３５　３０．９２　３０．９１３　３　—０．０２１　４　１９８　３２　５　４５０　５８６　１　２４６　４０　３３　ｏ０　３２．９９８　８　—０　００３　５　２０９　３２　５　４８６　５５６　１　２３９　４０　３５　８０　３５　７９９　３　—０．００１　９　由模拟退火原理知，只要迭代次数足够多，就能获得全局最优　解，为此采用模拟退火方法进行配合比优化设计，具体步骤如下：　１）给定预设最低价格ｐｒｉｃｅ￣　用量限定ｎ，ｂ，初始化退火温　度了　（令ｋ＝０），以混凝土各分量的平均值产生初始解ｓ０。　２）在温度　时重复执行如下操作，直至达到温度　的平衡　态：ａ．产生新的解Ｓ　；ｂ．计算Ｃ（Ｓ　）一Ｃ（Ｓ），其中，ｃ（Ｓ）为评价　函数；ｃ．若上式结果小于０，则接受这个结果作为新的当前解，否　则将该解舍弃。　３）令　＋１＝ａＸＴｋ，ｋ＝ｋ＋１。其中，ａ∈（０，１），如果满足收　敛判据则算法过程结束，否则转向２）。　４）评价函数的目标为混凝土的花费最小，循环结束后，以当　前解为最优解。　３算例　作者用Ｃ＋＋ｂｕｉｌｄｅｒ语言编制了上述强度预测和配合比设　计系统，并应用于邯郸地区实际工程中，由于篇幅有限，本文以石　台山水泥的３６组样本数据为例，经过系统自动分析分组，样本被　分成３组，第３组的１０个测试样本的训练结果如表１所示。最终　训练相对误差为０．０１４　８％。　由表１可以看出，网络计算结果与试验结果有良好的吻合效　果，具有足够的精度，可以应用于工程实际中。下面进行配合比　优化设计，各材料单价如表２所示。　表２原材料单价　元／ｔ　材料　水泥　砂子　５～２０　２０－４０　１６～３１．５　减水剂　泵送剂　粉煤灰　水　名称　石子　石子　石子　单价　２２０　１５．２　１５．６　１６．０　１５．２　１０　０００　８　０００　ｌ１．４　２．４　欲设计Ｃ３０混凝土，其性能要求为：２８　ｄ抗压强度３５．５。　设计约束：各原材料用量均应在训练样本的最大、最小之间。　设计结果如表３所示。　表３设计结果与实际配合比对比　水泥强　水泥　砂子　石子　２８　ｄ抗　系统计　参数　用水量　坍落度　度等级　用量　用量　用量　压强度　算强度　设计　２１７　６　３２　５　４１４　８　７０６　１　２８４　３　７１　３３　３３　实际　１９８　３２　５　４５０　５８６　１　２４６　４０　３３　４结语　本文利用两种神经网络建立了合理的混凝土强度预测模型，　再以设计好的神经网络模型为约束条件，基于模拟退火算法，建　立了混凝土配合比优化设计模型，并开发出了实用程序，该程序　是开放型系统，可以随时进行试样数据更新，重新训练网络，实现　知识的积累。由实例证明，该系统具有良好的精度。　要得到足够的精度，必须有大量的试验样本，为此检测单位　以及大规模生产混凝土的单位可以利用该系统。　参考文献：　［１］杨朝晖，刘浩吾，陆金池．混凝土强度预测与设计的神经网　络方法［Ｊ］．水力发电学报，１９９７（１）：３３。４０．　［２］　习华勇，赵林明．习华元基于多智能算法混凝土强度预测系　统设计【Ｊ］．微计算机信息，２００７（２）：２２４—２２５．　［３］姜新佩，邓子辰，丁声荣，等．普通混凝土强度预测的双并联　前向神经网络模型［Ｊ］．建筑施工，２００６（４）：３０４—３０５．　［４］康忠寿．高强混凝土的配合比设计［Ｊ］．山西建筑，２００７，３３　（２）：１７５—１７６．　Ｆｏｒｅｃａｓｔ　ｏｆ　ｃｏｎｃｒｅｔｅ　ｓｔｒｅｎｇｔｈ　ａｎｄ　ｉｔｓ　ｏｐｔｉｍａｌ　ｍｉｘｔｕｒｅ　ｒａｔｅ　ｄｅｓｉｇｎ　ｒｅｓｅａｒｃｈ　ＤＩＮＧ　Ｓｈｅｎｇ－ｒｏｎｇ　ＹＵ　Ｗｅｉ－ｗｅｉ　Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇ　ｔ０　ｔｈｅ　ｃｏｍｐｌｅｘｉｔｙ　ｏｆ　ｔｈｅ　ｃｏｎｓｔｉｔｕｔｉｏｎ　ｏｆ　ｃｏｎｃｒｅｔｅ　ｍｉｘｔｕｒｅ　ｄａｔａ，ｉｔ　ｔａｋｅｓ　ｃｌｕｓｔｅｒ　ａｎａｌｙｓｉｓ　ｐｒｉｎｃｉｐｌｅ　ｔｏ　ａｎａｌｙｚｅ　ｔｈｅ　ｓｅｌｆ　ｐｒｏｐｅｒ—　ｔｖ　ｏｆ　ｓａｍｐｌｅ　ｄａｔａ．ｓｅｔｓ　ｕＰ　ｃｏｎｃｒｅｔｅ　ｄｏｕｂｌｅ　ｐａｒａｌｌｅｌ　ｎｅｕｔｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ，ｔａｋｅｓ　ｓｉｍｕｌａｔｅｄ　ａｎｎｅａｌｉｎｇ　ｍｅｔｈｏｄ　ｔｏ　ｄｏ　ｔｈｅ　ｏｐｔｉｍａｌ　ｍｉｘｔｕｒｅ　ｒａｔｅ　ｄｅ—　ｓｉｇｎ，ｗｈｉｃｈ　ｉｓ　ｖｅｆｉｆｉｅｄ　ｔｏ　ｏｗｎ　ｇｏｏｄ　ｐｒｅｃｉｓｅｎｅｓｓ　ｔｈｒｏｕｇｈ　ｅｘａｍｐｌｅｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｃｌｕｓｔｅｒ　ａｎａｌｙｓｉｓ，ｄｏｕｂｌｅ　ｐａｒａｌｌｅｌ　ｎｅｕｔｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ，ｆｏｒｅｃａｓｔ　ｏｆ　ｃｏｎｃｒｅｔｅ　ｓｔｒｅｎｇｔｈ，ｓｉｍｕｌａｔｅｄ　ａｎｎｅａｌｉｎｇ　ｍｅｔｈｏｄ