利用神经网络进行不同配合比设计、优化方法的比较.docx

上传人:王** 文档编号:369953 上传时间:2023-07-05 格式:DOCX 页数:9 大小:65.30KB
下载 相关 举报
利用神经网络进行不同配合比设计、优化方法的比较.docx_第1页
第1页 / 共9页
利用神经网络进行不同配合比设计、优化方法的比较.docx_第2页
第2页 / 共9页
利用神经网络进行不同配合比设计、优化方法的比较.docx_第3页
第3页 / 共9页
利用神经网络进行不同配合比设计、优化方法的比较.docx_第4页
第4页 / 共9页
利用神经网络进行不同配合比设计、优化方法的比较.docx_第5页
第5页 / 共9页
利用神经网络进行不同配合比设计、优化方法的比较.docx_第6页
第6页 / 共9页
利用神经网络进行不同配合比设计、优化方法的比较.docx_第7页
第7页 / 共9页
利用神经网络进行不同配合比设计、优化方法的比较.docx_第8页
第8页 / 共9页
利用神经网络进行不同配合比设计、优化方法的比较.docx_第9页
第9页 / 共9页
亲,该文档总共9页,全部预览完了,如果喜欢就下载吧!
资源描述

《利用神经网络进行不同配合比设计、优化方法的比较.docx》由会员分享,可在线阅读,更多相关《利用神经网络进行不同配合比设计、优化方法的比较.docx(9页珍藏版)》请在优知文库上搜索。

1、基于此,利用神经网络进行不同配合比设计、优化方法的比较是简便且可行的。1.1. 试验研究1.1. 1.试验设计为了建立神经网络模型,设计了一-组正交试验作为训练组,4组试验作为验证组。正交试验考虑4个因素,4个水平,详见表Io表1正交试!险因素、水平水胶比(WZB)硅灰(SF/C)砂胶比(S/B)钢纤维(V%)0.160.20.800.180.31.010.200.41.220.220.51.43基于表1,查询正交表,设计正交试验(训练组)见表2。表2正交试验(训练组)配合比参数编号水胶比(W/B)硅灰(SF/C)砂胶比(S/B)钢纤维(V%)10.160.20.8020.160.31.013

2、0.160.41.2240.160.51.4350.180.21.0360.180.30.8270.180.41.4180.180.51.2090.200.21.21100.200.31.40110.200.40.83120.200.51.02130.220.21.42140.220.31.23150.220.41.00160.220.50.81另外选取4组配合比试验作为验证组,这4组配合比不属于正交试验中的配合比,详见表3。表3验证组配合比参数编号水胶比(W/B)硅灰(SF/C)砂胶比(S/B)钢纤维(V%)A0.180.31.2IB0.200.41.02C0.220.51.43D0.180

3、.41.401.2. 2.配合比计算采用假定密度法进行配合比计算,根据经验假定RPC的容重为2500kgm计算结果见表4o表4试验配合比材料用量(单位:kgm3)编号水泥硅灰砂水减水剂钢纤维11051.7210.31009.7201.926.302854.9256.51111.4177.821.4783704.1281.61182.9157.717.61564586.3293.11231.2140.714.72345858.0171.61029.6185.321.52346901.9270.6938.0211.022.51567665.9266.41305.2167.816.6788695.4

4、347.71251.7187.817.409833.7166.71200.6200.120.87810734.2220.31336.3190.918.4011802.1320.8898.4224.620.123412705.0352.51057.4211.517.615613739.7147.91242.6195.318.515614714.6214.41114.8204.417.923415798.0319.21117.1245.819.9016792.8396.4951.4261.619.878A776.5233.01211.4181.719.478B754.9302.01056.9211

5、.418.9156C572.9286.51203.2189.114.3234D687.4275.01347.3173.217.20注:1.其中减水剂的质量为水泥的质量2.5%;2.钢纤维的密度以7800kg?计算。1.3. 3.试验方法试验步骤:1)先将称好的水泥、硅灰、砂倒入搅拌机中干拌4min。2)将称好的减水剂溶于水中,倒入搅拌机,搅拌4min。3)将钢纤维慢慢倒入搅拌机中(防止结团),再搅拌4min。4)测其容重,然后倒入IoommX100mmXIoomm三联模中,放到振动台上振实。24h后拆模养护,测其强度。养护方法:1)自然养护:自然养护24h拆模+标准养护,测28d抗压强度。2)

6、蒸压养护:自然养护24h拆模+蒸压养护8h,测7d抗压强度。试验方法:强度测量方法详见GB/T50081-2002普通混凝土力学性能试验方法标准。1.4. 4.试验结果试验结果见表5o表5试验结果组容重(kg)自然养护28d抗压强度fn(MPa)蒸压养护7d抗压强度fa(MPa)坍落度(mm)1213080.5103.229022365121.8161.723532378143.6191.74042464139.1167.005230097.6124.727062267111.0139.628072322100.5122.81608216792.3112.92459210481.197.926

7、510205369.981.4260112369120.0171.6250122280111.2129.024013208971.785.526014208971.592.827015204770.083.329016216792.6116.2280A219892.6116.6200B2273103.2132.5240C220096.0120.0210D221390.4115.22001.15.实际钢纤维掺量的调整根据实际测得的容重,对钢纤维的实际体积掺量进行调整,计算结果见表6。表6钢纤维实际掺量计算组别设计掺量(V%)实际容重(kgm3)实际体积(m3)实际掺量(V%)1021301.17

8、3708920.002123651.0570824520.953223781.0513036161.904324621.0154346062.955323001.0869565222.766222671.1027790031.817123221.0766580530.938021671.1536686660.009121041.1882129280.8410020531.2177301510.0011323691.0552975942.8412222801.0964912281.8213220891.1967448541.6714320891.1967448542.5115020471.221

9、2994630.0016121671.1536686660.87A121981.1373976340.88B222731.0998680161.82C322001.1363636362.64D022131.1296882060.001.2.神经网络建立与验证1.2.1.神经网络建立基于试验数据,建立用于性能预测的神经网络模型。其中输入层有4个神经元,分别是水胶比(W/B)、硅灰掺量(用硅灰占水泥质量比,SF/C表示)、砂胶比(S/B)、钢纤维掺量(体积掺量,V%),输出层有2个神经元,分别是自然养护28d抗压强度(MPa),蒸压养护7d抗压强度(MPa)。隐含层10个神经元,模型见图U图1神经

10、网络模型图隐含层的传递函数为:tansig()=2/(l+exp(-2)-l,输出层的传递函数为线性函数,对神经网络进行训练。在训练之前,首先对输入输出数据进行归一化处理。数据归一化处理把所有输入、输出数据按照一定的方法转化为0,1或-1,1之间的数(本文中是转换成-1,1之间的数),其目的是取消各维数据之间的数量级差别,避免因为输入、输出数据数量级差别较大而造成网络预测误差较大(如本文中第3组输入数据为0.16、0.4、1.2、2,输出数据是191.7,数量级相差较大)。编写代码如下:P=0,160.160.160.160.180.180.180.180.20.20.20.20.220.22

11、0.220.22;0.2030.40.50.20.30.40.50.20.30.40.50.20.30.40.5;0.8I1.21.410.81.41.21.21.40.8I1.41.210.8;00.951.902.952.761.810.9300.8402.841.821.672.5100.87%训练组输入数据P1,ps1=mapminmax(P)%数据归一化,使矩阵Pl的每一行的最低和最高值映射到默认区间处理方式存为PSIT=f80.5121.8143.6139.197.6111.0100.592.381.169.9120.0111.271.771.570.092.6;103.2161.

12、7191.7167.0124.7139.6122.8112.997.981.4171.6129.085.592.883.3116.2%训练组输出数据(T1,ps2=mapminmax(T)%数据归一化,使矩阵Tl的每一行的最低和最高值映射到默认区间-1,1,处理方式存为ps2net=newff(minmax(P1),10,2,tansig,purelin,)net.trainparam.epochs=1000net.trainparam.goal=0.000000000000001%神经网络建立与参数设置net=train(net,P1,T1)%对神经网络进行训练P_test=ro.l80.20.220.18;0.30.40.50.4;1.211.41.4;0.881.822.640%测试组输入数据P_test1=mapminmax(,apply,P-test,ps1)%应用psi的处理方式处理P_testT_test=92.6103.296.090.4;116.6132.5120.0115.2%测试组输出数据T_test1=mapminmax(apply,T_test,ps2)%应用ps2的处理方式处理Tjesty_test1=sim(ne

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 医学/心理学 > 神经内外科

copyright@ 2008-2023 yzwku网站版权所有

经营许可证编号:宁ICP备2022001189号-2

本站为文档C2C交易模式,即用户上传的文档直接被用户下载,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有。装配图网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私,请立即通知装配图网,我们立即给予删除!