混凝土強度是結構設計中控制的主要指標,其數值決定于水灰比、膠凝材料用量、礦物摻量、外加劑用量等多種因素,常規計算混凝土強度的公式因個人理解的不同而各異,一種仿生模型—人工神經網絡則能很好地解決這個難題,文中嘗試用人工神經網絡對16種配比的混凝土進行28d強度預測,結果表明此模型的可靠度很高,可以用以優化混凝土的試配,節約大量的時間、人力、物力和財力。

混凝土強度是結構設計中控制的主要指標,其數值決定于水灰比、膠凝材料用量、外加劑用量等多種因素。常規計算混凝土強度的公式因個人理解的不同而各異,一種仿生模型—人工神經網絡則能很好地解決這個難題。嘗試用人工神經網絡對16種配比的混凝土進行28d強度預測,結果表明,此模型的可靠度很高,可以用以優化混凝土的試配,節約大量的時間、人力、物力和財力。

同條件養護混凝土試件強度與混凝土的配合比、環境溫度、養護時間有密切的關系,它們之間是復雜的非線性關系,采用神經網絡模型方法,界定兩者之間的關系,可用于實際工程的強度預測。

建立混凝土測強換算關系是混凝土結構檢測中經常面對的問題,然而要建立起檢測物理量與混凝土強度之間的函數關系并非易事。本文利用神經網絡方法建立了混凝土測強換算的bp網絡模型,為混凝土結構無損檢測中混凝土強度推定開辟了一條新途徑。

準確地預測混凝土的實時強度對確保結構的安全使用有重要的作用，而影響混凝土強度的因素很多，且各種因素對混凝土強度的影響程度不同，所以在實際工程中對混凝土強度的預測比較復雜。通過人工神經網絡及大量樣本數據，闡述了人工神經網絡強度預測模型的技術方案，有效結合多種影響因子，建立了評估預測系統。實測結果表明，預測準確率達到了96％以上，為混凝土更好地在工程上應用提供一定理論依據，且為今后人工神經網絡理論進一步在結構工程中應用奠定了基礎。

在傳統預測混凝土強度的基礎上,提出一種基于人工智能的新的預測方法,建立了兩種神經網絡模型:bp神經網絡和rbf神經網絡,實現了從新拌混凝土成分及其特性到硬化后混凝土強度之間的復雜的非線性映射。通過對試驗數據的學習,網絡結構可以早期預測混凝土28d抗壓強度。另外,還利用bp神經網絡模擬分析了混凝土成分質和量的變化對抗壓強度的影響,其結果符合已知的經典混凝土強度變化規律,表明神經網絡模型具有較高的精度和較強的泛化能力。

在進行了正交試驗的基礎上,采用人工神經網絡方法,建立混凝土的氯離子擴散系數與混凝土配比六個參數之間的非線性映射關系,研究各個參數對混凝土抗滲性能的影響,該研究成果可以減少混凝土試配次數,節約大量的人力、物力和時間,為高性能混凝土的研究發展奠定了基礎。

本文討論了如何應用人工神經網絡（ann）方法預測高性能道面混凝土的抗折強度，詳細論述了采用bp算法建立抗折強度網絡模型的過程。仿真實例表明，bp網絡可成功地反映混凝土抗折強度的非線性規律，且預測精度相對較高。

泡沫金屬試樣測試復雜,對試樣而言又急需知道基體結構參數與力學性能和阻尼性能的關系,采用線性回歸技術無法實現這一功能,應用人工神經網絡,則解決了通過測量泡沫金屬的四個基本參數達到推知其力學性能、阻尼性能的課題。

為了提供早期預測再生粗骨料混凝土強度的有效方法,從8篇文獻中收集了47組樣本,借助matlabr2015a平臺,基于bp神經網絡,建立了以單位體積的水、水泥、砂、碎石、再生粗骨料用量作為輸入,以再生混凝土28d棱柱體抗壓強度作為輸出的含單隱層的3層神經網絡模型,其結構為5-21-1.對網絡進行訓練后的仿真結果表明,預測的最大相對誤差為18.69%,預測誤差小于5%的占樣本總量的78.72%.預測結果表明用bp神經網絡模型預測再生混凝土的強度是可行的.

針對目前混凝土強度預測中存在的不確定性,難以自適應性的確定神經網絡隱含層,建立了基于高維云的rbf神經網絡的混凝土預測模型。運用matlab8.10進行仿真實驗。實驗結果表明該模型綜合考慮了影響混凝土強度的各種因素,能夠實現預測結果的隨機性和模糊性,具有更高的預測精度,更快的訓練速度,可以廣泛應用于生產現場實地的混凝土強度預測和質量檢驗。

文章通過運用人工神經網絡方法建立大體積混凝土和濕篩混凝土的軟化曲線數據庫,應用數值方法預測大體積混凝土裂縫和斷裂行為,輸入混凝土的配合比可得出與試驗相符的混凝土軟化曲線。

針對傳統bp神經網絡的不足,采用不同改進算法的網絡模型對自密實混凝土抗壓強度預測進行了詳細的分析.研究表明:采用變梯度算法的模型m1、p-b復位算法的模型m2、擬牛頓算法的模型m3以及lm算法的模型m4,這4種模型均成功地建立了自密實混凝土強度的非線性關系,可用于其強度預測;通過用matlab編寫程序,為解決bp網絡隱層節點數的不確定性提供了一種較為方便的途徑.

在分析檢測數據的基礎上,提取了結構服役時間、結構建造時間、結構檢測時間、混凝土設計強度和混凝土碳化深度等特征參數,建立了預測既有建筑混凝土強度退化的人工神經網絡模型。采用動量法和自適應調整法改進了bp算法;采用訓練好的bp神經網絡對既有混凝土強度最小值和混凝土強度最大值進行了預測,并與實測值進行了對比。結果表明:利用bp神經網絡對既有建筑混凝土強度退化進行預測是可行的,該研究成果可為既有建筑大面積的抗震性能普查提供參考。

本文運用均勻設計的方法進行樹脂混凝土的配合比設計,用較少的試驗取得較好的效果;建立了樹脂混凝土的強度預測的神經網絡模型,對試驗的數據進行了訓練和仿真,預測的結果與試驗結果吻合非常好。

在分析普通混凝土強度各影響因素的基礎上,選取6個影響因素組成輸入層,以混凝土28d強度作為輸出,建立徑向基函數網絡,經網絡訓練和仿真結果對比,表明所建網絡結構合理、收斂速度快、精度高,可以滿足普通混凝土強度預測要求,具有廣泛的應用前景。

在分析普通混凝土強度影響因素基礎上,選取混凝土配料中7個因素作為輸入值,混凝土28d強度作為輸出值建立了混凝土強度預測的bp網絡模型。討論了模型的學習樣本、網絡參數對預測精度的影響,選出最佳網絡參數配置。實例證明模型預測精度高。

采用人工神經網絡方法,建立高性能混凝土原材料配合比與其早齡期自干燥收縮之間的非線性映射關系。計算結果表明,該模型可以預測不同配合比混凝土的早齡期自干燥收縮,為高性能混凝土體積穩定性的研究提供一種思路。

通過對人工神經元及bp網絡的簡要介紹,結合三峽工程大壩混凝土試驗實測數據,應用人工神經網絡的理論和方法,利用matlab語言編制了基于神經網絡理論的混凝土抗裂指標預測程序,實現了對混凝土抗裂指標值的預測,證明了人工神經網絡在混凝土抗裂指標預測方面的可行性與可靠性。

基于神經網絡原理,建立預測泡沫混凝土性能的bp神經網絡模型,期望通過輸入配合比主要參數,得到泡沫混凝土強度及導熱性能的預測結果。將實驗數據分為訓練組和對照組,對訓練組進行非線性擬合,若擬合結果滿足誤差精度則模型建立完畢;通過擬合結果與對照組的比較,可驗證模型預測精度。結果表明,bp神經網絡模型能夠準確擬合實驗數據,利用其泛化能力進行預測的結果與對照組的誤差小于8%,該模型具有很高的預測精度。

人工神經網絡是在模仿人腦處理問題的過程中發展起來的新型智能信息處理理論,通過對人工神經網絡及bp網絡的基本原理與特征的分析,建立了工程估價預測模型.

本文利用神經網絡的模擬能力代替傳統的力學方法,對混凝土材料的循環本構關系進行了模擬研究.試驗結果和模擬結果的比較說明,該模型具有較高的精度和良好的泛化能力.為研究材料本構特性提供了一條新的途徑.