閆春嶺，劉德龍，閆世龍，王振豪

（1.安陽工學院,河南 安陽 455000;2.鄭州大學，河南 鄭州 450002）

0 引言

隨著我國城鎮(zhèn)化水平的不斷推進，全國各地的混凝土用量每年都在增加，同時，伴隨著大量的廢舊建筑的拆除，產生建筑垃圾逐年增多。傳統(tǒng)處理建筑廢棄物的方式多采用填埋或露天堆放，這樣，無形之中造成了環(huán)境的污染和浪費大量的田地[1]。因此，科學提倡廢棄建筑物資源化不僅可以解決砂石骨料短缺的危機，同樣，對環(huán)境保護起了重要作用。

國內外許多學者對于再生混凝土性能進行了大量的研究，并取得了大量的研究成果。Gluzhge[2]、Evangelista[3]對再生混凝土和普通混凝土抗壓強度和抗拉強度對比研究，得到了再生混凝土抗壓強度略高于普通混凝土抗壓強度，抗拉強度略低于普通混凝土的結論。肖建莊[4]等基于大量的室內試驗，得出了當再生骨料取代率為50%時，混凝土強度達到最大值。閆春嶺[5]等對實驗室廢棄的C30試塊加工處理后制作的混凝土試塊進行了抗壓強度試驗，結合方差分析對影響混凝土抗壓強度的主要因素進行了研究。文獻[6-8]對再生混凝土力學性能進行了相差的研究，并探討了今后再生混凝土力學性能的研究方向。文獻[9-10]研究了人工神經網絡的再生混凝土強度預測中的應用。

作為評價再生混凝土主要性能指標之一——抗壓強度，它與再生骨料的摻入率、水灰比及齡期等影響因素有關。況且混凝土的抗壓強度屬于破壞性、不可重復的試驗，每個強度的測試至少需要相同的試樣3塊，這樣費力又耗時，若能建立一個混凝土抗壓強度虛擬仿真試驗，同時建立一個穩(wěn)定可靠的預測模型，則可避免破壞性試驗。若采用解析法建立一個多因素的再生混凝土抗壓強度方程較為困難和復雜，因此，考慮采用改進的BP神經網絡建立再生混凝土抗壓強度模型，以期為再生混凝土的應用提供技術支持。

1 BP神經網絡的缺陷

BP神經網絡是一種單向傳播的多層前向網絡，其結構如圖1所示[11]，由于篇幅所限，網絡的學習規(guī)則不再贅述，相關知識請參見文獻[12]。雖然BP網絡在各行各業(yè)得到了廣泛應用，但其自身也存在一些明顯缺陷，如學習速率是固定、訓練速度慢、容易陷入局部極小值及網絡隱含層確定無理論指導等，因此有必要在對BP神經網絡進行改進。

圖1 多層前向BP網絡

2 改進BP網絡的的訓練和預測

為了達到較快的收斂速度及計算精度，本文反復試驗，最終采用雙隱含層的BP神經網絡來建立再生混凝土抗壓強度的計算模型。其結構如圖2所示。本文根據文獻[5,13-15]收集到的再生混凝土的水灰比、不同齡期、再生骨料取代率及再生混凝土的抗壓強度數據，從中選取了38組數據作為學習樣本，另選取5組作為預測樣本以檢驗學習效果。為了加快網絡的收斂速度，在訓練之前將各輸入物理量化為0.2～0.8歸一化區(qū)間，預測樣本中網絡的抗壓強度反歸一化后得到預測值。歸一化后的學習樣本數據見表1。

圖2 四層BP網絡結構圖

在改進的BP網絡中，將目標誤差為0.01，初始學習速率通過LP.Ir設置為0.15，動量因子net.train?Param.Ir=0.9，遞增因子Ir_inr=1.05，遞減因子Ir_dec=0.7，網絡只學習了404次以后，學習誤差就達4.15×10-3。網絡訓練過程見圖3，訓練誤差見圖4，回歸曲線見圖5，可以看出回歸系數大于0.9，訓練效果較好，利用訓練好的BP網絡，預測5組再生混凝土抗壓強度試驗，計算結果見表2。由表2可以看出，相對誤差均小于8%，進一步說明該模型能夠有效地進行再生混凝土的抗壓強度預測，并能滿足工程需要，該模型可以推廣應用。

表1 BP網絡學習樣本

3 結論

本研究將傳統(tǒng)的BP神經網絡進行了改進，建立了雙隱含層的4層改進的BP網絡，并應用于再生粗骨料混凝土抗壓強度的預測，建立了混凝土抗壓強度隨再生粗骨料的取代率、水灰比及齡期的神經網絡模型。該模型經過訓練和學習，經測試樣本的檢驗，訓練效率大大提高，且誤差較小，結合回歸擬合系數，進一步表明該模型能夠有效的的預測再生混凝土抗壓強度值，能滿足工程需要，該模型可以進行推廣應用。

圖3 改進BP神經網絡的訓練過程

圖5 回歸擬合結果

表2 BP網絡預測樣本