劉華良 屈慧瓊 鄧仕軍 雷慧娟

1南華大學(xué)城市建設(shè)學(xué)院（421001）2南華大學(xué)核資源工程學(xué)院（421001）

自密實(shí)混凝土(Self Compacting Concrete，簡(jiǎn)稱SCC)組分復(fù)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(guān)系加以描述,常常是僅僅知道自密實(shí)混凝土材料成分、制備工藝和工作性能之間的相關(guān)數(shù)據(jù)，但其內(nèi)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(yīng)和自組織能力的人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，縮寫(xiě)ANN)模型對(duì)SCC配合比與新拌狀態(tài)下工作性能之間關(guān)系進(jìn)行模擬和函數(shù)逼近，以實(shí)驗(yàn)或?qū)崪y(cè)數(shù)據(jù)為基礎(chǔ)，經(jīng)過(guò)有限次的迭代計(jì)算，根據(jù)系統(tǒng)輸入和輸出找到它們之間的非線性關(guān)系，反映實(shí)驗(yàn)或?qū)崪y(cè)數(shù)據(jù)內(nèi)在規(guī)律。在自密實(shí)混凝土工作性能模擬研究領(lǐng)域，李本強(qiáng)、郭奇等[1-2]探討了自密實(shí)混凝土性能預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型，周紹青、劉華良等[3-4]研究了自密實(shí)混凝土流動(dòng)性預(yù)測(cè)模擬，邵巧希、孫仲健等[5-6]模擬了自密實(shí)混凝土間隙通過(guò)性。但因?yàn)樽悦軐?shí)混凝土組分的復(fù)雜性和多樣性,選擇不同的神經(jīng)網(wǎng)絡(luò)模型和算法，會(huì)產(chǎn)生不同的模擬結(jié)果，模型和算法有優(yōu)有劣，這里以自密實(shí)混凝土流動(dòng)性神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模擬為例來(lái)比較分析模型和算法的優(yōu)劣。

1 自密實(shí)混凝土流動(dòng)性試驗(yàn)數(shù)據(jù)

在本研究中采用的自密實(shí)混凝土配置試驗(yàn)原材料、自密實(shí)混凝土配合比、流動(dòng)性測(cè)試試驗(yàn)方法及試驗(yàn)結(jié)果數(shù)據(jù)見(jiàn)文獻(xiàn)[4]的“1自密實(shí)混凝土流動(dòng)性試驗(yàn)”部分。

2 新拌SCC V型漏斗試驗(yàn)流出時(shí)間預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)模型

2.1 訓(xùn)練樣本的確定

以文獻(xiàn)[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(luò)模型的輸入數(shù)據(jù)，以文獻(xiàn)[4]表2中的坍落度、擴(kuò)展度和時(shí)間T500作為輸出數(shù)據(jù)，隨機(jī)選取其中8組（試驗(yàn)次序分別為 2、6、12、13、19、28、33、37）為預(yù)測(cè)樣本，其余 30組作為訓(xùn)練樣本。因?yàn)閿?shù)據(jù)中數(shù)值過(guò)大，為了簡(jiǎn)化訓(xùn)練過(guò)程，應(yīng)對(duì)數(shù)據(jù)進(jìn)行歸一標(biāo)準(zhǔn)化處理。

2.2 神經(jīng)網(wǎng)絡(luò)類型和訓(xùn)練算法的選擇

在試驗(yàn)中應(yīng)用cascade-forward backprop、Elman backprop、Feed-forward backprop 和 Timedelay backprop四種bp神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練和預(yù)測(cè)V漏斗試驗(yàn)數(shù)據(jù)，V漏斗試驗(yàn)神經(jīng)網(wǎng)絡(luò)模型見(jiàn)圖1。在訓(xùn) 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(shè)定目標(biāo)goal=0.001,訓(xùn)練次數(shù)一般設(shè)為10 000次。

圖1 V漏斗試驗(yàn)神經(jīng)網(wǎng)絡(luò)模型

圖2 V漏斗試驗(yàn)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程圖（部分失敗的訓(xùn)練算法）

通過(guò)神經(jīng)網(wǎng)絡(luò)類型和訓(xùn)練算法組合，建立了56種不同的網(wǎng)絡(luò)模型。對(duì)此56種模型進(jìn)行從9-1000個(gè)不等的隱含層節(jié)點(diǎn)數(shù)的選擇并訓(xùn)練，得到V漏斗試驗(yàn)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程曲線（圖2、圖3），以及神經(jīng)網(wǎng)絡(luò)類型、訓(xùn)練算法的選擇結(jié)果（表1）。

圖3 V漏斗試驗(yàn)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程圖（部分成功的訓(xùn)練算法）

通過(guò)分析圖2、圖3和表1，發(fā)現(xiàn)如下結(jié)果：

1）cascade-forward backprop、Feed-forward backprop和Time-delay backprop三種bp神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行V型漏斗試驗(yàn)?zāi)M，而Elman backprop神經(jīng)網(wǎng)絡(luò)不能模擬V型漏斗試驗(yàn)；

2）14 種訓(xùn)練算法中，TRAINBFG、TRAINGD、TRAINLM、TRAINR四種算法無(wú)法模擬V型漏斗試驗(yàn)（見(jiàn)圖2），其他算法大多能有效模擬V型漏斗試驗(yàn)，但訓(xùn)練次數(shù)、隱含層節(jié)點(diǎn)數(shù)、占用CPU、內(nèi)存資源等情況有差異；

3）在V型漏斗試驗(yàn)?zāi)M中，cascade-forward backprop、Feed-forward backprop兩種神經(jīng)網(wǎng)絡(luò)類型比較理想，TRAINCGB、TRAINCGF、TRAINCGP、TRAINGDM、TRAINGDA、TRAINGDX、TRAINOSS、TRAINRP和TRAINSCG 9種訓(xùn)練算法比較好。

2.3 神經(jīng)網(wǎng)絡(luò)類型和訓(xùn)練算法的比較分析

根據(jù)上述發(fā)現(xiàn),在V型漏斗試驗(yàn)?zāi)M中選擇cascade-forward backprop（簡(jiǎn)稱CFBP神經(jīng)網(wǎng)絡(luò)）、Feed-forward backprop（簡(jiǎn)稱FFBP神經(jīng)網(wǎng)絡(luò)）兩種神 經(jīng) 網(wǎng) 絡(luò) 類 型 和 TRAINCGB、TRAINCGF、TRAINCGP、TRAINGDM、TRAINGDA、TRAINGDX、TRAINOSS、TRAINRP和 TRAINSCG 9種訓(xùn)練算法，共組合成18種模型，統(tǒng)一設(shè)定目標(biāo)goal=0.001，隱含層節(jié)點(diǎn)數(shù)700，訓(xùn)練次數(shù)一般設(shè)為10 000次。以此來(lái)對(duì)模型和訓(xùn)練算法進(jìn)行比較。通過(guò)模擬訓(xùn)練，得到18種模型模擬過(guò)程中網(wǎng)絡(luò)類型、訓(xùn)練算法及隱含層結(jié)點(diǎn)關(guān)系曲線如圖4所示。

表1 神經(jīng)網(wǎng)絡(luò)類型、訓(xùn)練算法選擇結(jié)果比較表

圖4 模型模擬過(guò)程中網(wǎng)絡(luò)類型、訓(xùn)練算法及隱含層節(jié)點(diǎn)關(guān)系曲線

分析圖4曲線，可以看出：

1）CFBP神經(jīng)網(wǎng)絡(luò)和FFBP神經(jīng)網(wǎng)絡(luò)兩種網(wǎng)絡(luò)類型在訓(xùn)練和預(yù)測(cè)V漏斗試驗(yàn)中具有比較好的性能；

2）在訓(xùn)練算法上,TRAINOSS、TRAINRP、TRAINSCG三種訓(xùn)練算法隱含層節(jié)點(diǎn)區(qū)域分布比較廣，訓(xùn)練次數(shù)比較少；

3）TRAINCGB、TRAINCGF、 TRAINCGP 三種訓(xùn)練算法隱含層節(jié)點(diǎn)區(qū)域分布相對(duì)較窄，訓(xùn)練次數(shù)比較少；

4）TRAINGDM、TRAINGDA、TRAINGDX 三 種訓(xùn)練算法隱含層節(jié)點(diǎn)區(qū)域分布相對(duì)較窄，訓(xùn)練次數(shù)比較多，當(dāng)節(jié)點(diǎn)數(shù)較小時(shí)訓(xùn)練時(shí)間比較長(zhǎng)。

2.4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與試驗(yàn)結(jié)果的比較

采用CFBP和FFBP兩種神經(jīng)網(wǎng)絡(luò)類型建立V漏斗試驗(yàn)預(yù)測(cè)模型。通過(guò)對(duì)模型進(jìn)行訓(xùn)練和預(yù)測(cè)，得到V漏斗預(yù)測(cè)樣本的預(yù)測(cè)值（表2）。將預(yù)測(cè)值與文獻(xiàn)[4]中的試驗(yàn)值進(jìn)行比較分析，得出兩者絕對(duì)差值與誤差值如圖5和圖6，可以看出預(yù)測(cè)值和目標(biāo)值相當(dāng)接近，相對(duì)誤差值在可接受的范圍。用以上神經(jīng)網(wǎng)絡(luò)模型模擬和預(yù)測(cè)不同配合比SCC的流動(dòng)性是切實(shí)可行，預(yù)測(cè)結(jié)果比較準(zhǔn)確可信。

表2 V漏斗神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

圖5 V漏斗試驗(yàn)值與預(yù)測(cè)值比較（單位：s）

圖6 V漏斗試驗(yàn)值與預(yù)測(cè)值誤差分析

3 結(jié)論

1）CFBP神經(jīng)網(wǎng)絡(luò)和FFBP神經(jīng)網(wǎng)絡(luò)兩種網(wǎng)絡(luò)類型能夠較好地訓(xùn)練和預(yù)測(cè)自密實(shí)混凝土流動(dòng)性，應(yīng)用該模型對(duì)自密實(shí)混凝土V漏斗流出時(shí)間進(jìn)行預(yù)測(cè),其預(yù)測(cè)結(jié)果與試驗(yàn)結(jié)果能夠比較準(zhǔn)確的吻合，誤差較小。

2）合理選擇神經(jīng)網(wǎng)絡(luò)類型和訓(xùn)練算法能減少訓(xùn)練次數(shù)和隱含層節(jié)點(diǎn)數(shù)，優(yōu)化神經(jīng)網(wǎng)絡(luò)模型。在訓(xùn)練算法上，TRAINOSS、TRAINRP、TRAINSCG 三種訓(xùn)練算法隱含層節(jié)點(diǎn)區(qū)域分布較廣，訓(xùn)練次數(shù)較少；TRAINCGB、TRAINCGF、 TRAINCGP 三種訓(xùn)練算法隱含層節(jié)點(diǎn)區(qū)域分布相對(duì)較窄，訓(xùn)練次數(shù)較少；TRAINGDM、TRAINGDA、TRAINGDX 三種訓(xùn)練算法隱含層節(jié)點(diǎn)區(qū)域分布相對(duì)較窄,訓(xùn)練次數(shù)較多，當(dāng)節(jié)點(diǎn)數(shù)較小時(shí)訓(xùn)練時(shí)間較長(zhǎng)。

[1]李本強(qiáng).自密實(shí)混凝土性能預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型[J].五邑大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,(02)：11～13.

[2]郭奇,李悅.自密實(shí)混凝土工作性能和強(qiáng)度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].國(guó)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(luò)在自密實(shí)混凝土流動(dòng)性能中的應(yīng)用[J].水利與建筑工程學(xué)報(bào),2005,(04)：44～47.

[4]劉華良,顧楊圣,石建軍,屈慧瓊,付強(qiáng).自密實(shí)混凝土流動(dòng)性試驗(yàn)及其神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究[J].混凝土,2010,(05)：10～12+15.

[5]邵巧希,寧嚴(yán)慶,石建軍.基于神經(jīng)網(wǎng)絡(luò)正交試驗(yàn)的自密實(shí)混凝土間隙通過(guò)性研究[J].混凝土,2009,(07)：33～39.

[6]孫仲健.基于GRNN理論的自密實(shí)混凝土間隙通過(guò)性研究[J].混凝土,2011,(08)：30～33+36.