(華南理工大學土木與交通學院 廣東 廣州 510000)

一、混凝土強度預測概述

隨著當前數(shù)值計算方法的發(fā)展以及計算機技術(shù)的飛速進步，對求解包含多種變量的非線性系統(tǒng)下的混凝土性能預測變化提供了有力的手段。但是數(shù)值方法對混凝土的力學參數(shù)、本構(gòu)關(guān)系必須有非常清晰的了解，從改進實驗技術(shù)和采用新的試驗方法來研究混凝土性能的問題進展是很慢的。工程中以現(xiàn)場監(jiān)測的信息為基礎(chǔ)的反分析為混凝土性能的預測提供了一種可行的思路，并在工程實踐中取得了成功地應用。

由于影響混凝土性能的因素眾多，這些因素都無法通過大小進行大多不可量化，而且因素之間關(guān)系復雜，采用機器學習方法，由于其本身的自適應，不需要對這些因素做過多的假設，所以具有廣泛的應用前景。本文采用以統(tǒng)計學理論為基礎(chǔ)的神經(jīng)網(wǎng)絡方法預測模型對混凝土的強度進行預測分析，將預測強度結(jié)果與真是測試結(jié)果進行對比分析，驗證了神經(jīng)網(wǎng)絡在混凝土強度性能預測中的可行性。通過對影響混凝土性能的各種因素進行綜合分析，自動判定各個因素的重要性，為實際工程和結(jié)構(gòu)物設計提供依據(jù)。

二、混凝土強度預測研究

目前，混凝土強度預測類方法主要包括鮑羅米公式預測、曲線擬合方法、灰色理論預測方法、神經(jīng)網(wǎng)絡方法等[1]。由于神經(jīng)網(wǎng)絡技術(shù)在信息處理方面具有特殊的優(yōu)勢，使得神經(jīng)網(wǎng)絡在非線性問題比較復雜的土木工程領(lǐng)域能夠取得了相對理想的效果。正是由于神經(jīng)網(wǎng)絡方法在解決土木工程領(lǐng)域的問題上優(yōu)于其他方法，因此本文選擇神經(jīng)網(wǎng)絡方法解決所要研究的問題。人工神經(jīng)元的數(shù)學模型是根據(jù)生物神經(jīng)元的特征進行簡化和模擬，是神經(jīng)網(wǎng)絡的基本信息處理單元，其的輸出可以被描述為：

Y=f(∑WiXi+θ)

式中：f(·)表示神經(jīng)元輸入—輸出關(guān)系函數(shù)，稱之為激活函數(shù)或傳遞函數(shù)。

目前，在建立混凝土強度的神經(jīng)網(wǎng)絡預測模型時，大多學者選擇直接應用神經(jīng)網(wǎng)絡進行混凝土強度的建模與預測的研究。人工神經(jīng)網(wǎng)絡預測方法基本可以滿足預測要求，但也存在一些不足之處。首先，現(xiàn)有的研究大多只是分析混凝土的原材料配合比，但是混凝土強度的影響因素很多，顯然只分析這一原因這是不夠全面的。其次，以往的混凝土強度預測研究大部分是針對混凝土28d強度，大部分研究忽略了齡期的影響，即使個別學者考慮了齡期因素對混凝土強度的影響，但是他們所考慮齡期范圍也只有7-90d強度。然而在役結(jié)構(gòu)存在的齡期長短不一，有的建筑存在的時間長達幾十年，而有的建筑的存在時間可能僅有幾年。顯然，這樣的預測結(jié)果對在役結(jié)構(gòu)的研究并不十分適用。

最后，運用進行神經(jīng)網(wǎng)絡預測時，所需的樣本數(shù)據(jù)比較龐大，這就需要做大量的試驗，獲取大量試驗數(shù)據(jù)。然而要從如此龐大的數(shù)據(jù)量中獲得非常有限的有用信息卻并不容易。因此，如何從這些數(shù)量龐大的試驗數(shù)據(jù)中提取重要特征是數(shù)據(jù)處理的一項重要任務。

三、基于神經(jīng)網(wǎng)絡的混凝土強度預測

Rumelhart、McClelland和他們的研究團隊在1986年提出了一種誤差反向傳播算法，簡稱BP算法[2]，從本質(zhì)上講，BP神經(jīng)網(wǎng)絡實現(xiàn)了一種自動尋找從輸入到輸出映射關(guān)系的功能。通過理論證明發(fā)現(xiàn)，只需最少三層BP神經(jīng)網(wǎng)絡就可以實現(xiàn)任意復雜的非線性映射關(guān)系。對于特別復雜的內(nèi)部機制求解問題，只要隱層神經(jīng)元數(shù)足夠大就可以很好地適用。此外，BP神經(jīng)網(wǎng)絡還可以具有一定的學習能力，通過對關(guān)系案例集的學習，神經(jīng)網(wǎng)絡就可以自動提取出合理的解決方案規(guī)則，并由此得到合理的結(jié)果。

尋找到混凝土強度與其影響因素之間的非線性輸入、輸出關(guān)系是混凝土強度方面的預測研究的最終目標。神經(jīng)網(wǎng)絡預測模型成功建立的關(guān)鍵在于預測樣本數(shù)據(jù)的通用性以及預測結(jié)果的一致性。即，能夠準確地反映處理和解決方案的問題，并具有足夠的實驗數(shù)據(jù)，包括與訓練網(wǎng)絡模型的問題相對應的所有模式。本文從文獻[3]中選取試驗數(shù)據(jù)，隨機選取部分樣本作為訓練樣本，剩余樣本作為預測樣本。

利用BP神經(jīng)網(wǎng)絡訓練上述數(shù)據(jù)模型并得到預測模型，根據(jù)預測結(jié)果可以看出，雖然多數(shù)數(shù)據(jù)點并不是精確地一致，但擬合曲線的總體趨勢與實際混凝土強度曲線是一致的。此外，神經(jīng)網(wǎng)絡訓練結(jié)果的平均絕對百分誤差、均絕對誤差、均方誤差三個評價指標值都相對較為理想，即MAPE為0.85%、MAE為0.43MPa以及MSE為0.32MPa，這樣的結(jié)果可得到訓練樣本的擬合效果是比較理想的結(jié)論，在工程實踐中具有一定的實踐意義。

四、小結(jié)

本文首先介紹了神經(jīng)網(wǎng)絡的生物學原理、技術(shù)特征以及當前在混凝土強度預測方面的研究。在BP神經(jīng)網(wǎng)絡的理論基礎(chǔ)上，通過相關(guān)資料內(nèi)的樣本數(shù)據(jù)建立了其混凝土強度預測的BP神經(jīng)網(wǎng)絡預測模型，并利用此模型對剩余部分的樣本的混凝土強度值進行很好的預測。預測結(jié)果表明，BP神經(jīng)網(wǎng)絡能夠有效地應用于混凝土強度預測，預測結(jié)果具有較高的預測精度，能夠滿足工程施工中對混凝土強度預測的精度要求。

學習樣本的準確性對BP網(wǎng)絡訓練的成功起著決定性的作用。只有正確的學習才能正確的訓練。文中單個試件的模擬值誤差過大，這與試件生產(chǎn)的不穩(wěn)定性、施工工藝和試驗方法有很大關(guān)系。因此，保證學習樣本的質(zhì)量，把具體的質(zhì)量管理擺在重要的位置具有重要意義。但是當前只能依靠經(jīng)驗或重復實驗篩選的人工神經(jīng)網(wǎng)絡結(jié)構(gòu)的參數(shù)，這樣的選擇方法是沒有完整的理論依據(jù)的，因此如何針對具體問題選取最優(yōu)的網(wǎng)絡結(jié)構(gòu)參數(shù)仍然是一個亟待研究的方向。