基于遗传算法的RPC配合比优化设计.docx

上传人:王** 文档编号:370114 上传时间:2023-07-05 格式:DOCX 页数:13 大小:84.97KB
下载 相关 举报
基于遗传算法的RPC配合比优化设计.docx_第1页
第1页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第2页
第2页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第3页
第3页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第4页
第4页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第5页
第5页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第6页
第6页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第7页
第7页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第8页
第8页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第9页
第9页 / 共13页
基于遗传算法的RPC配合比优化设计.docx_第10页
第10页 / 共13页
亲,该文档总共13页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述

《基于遗传算法的RPC配合比优化设计.docx》由会员分享,可在线阅读,更多相关《基于遗传算法的RPC配合比优化设计.docx(13页珍藏版)》请在优知文库上搜索。

1、基于遗传算法的RPC配合比优化设计。遗传算法(geneticalgorithm,GA)是-种借鉴自然界中自然选择和进化机制的搜索算法。它使用了群体搜索技术,一代种群代表一组问题解,它通过对当前种群施加选择、交叉、变异等遗传操作,来产生新一代的种群(新的解),就这样逐步使种群进化到包含近视最优解的状态。1.1.建立预测工作性的神经网络模型坍落度结果见下表。表1试验结果组容重(kgm3)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slump(mm)1213080.5103.229022365121.8161.723532378143.6191.74042464139

2、.1167.005230097.6124.727062267111.0139.628072322100.5122.81608216792.3112.92459210481.197.926510205369.981.4260112369120.0171.6250122280111.2129.024013208971.785.526014208971.592.827015204770.083.329016216792.6116.2280A219892.6116.6200B2273103.2132.5240C220096.0120.0210D221390.4115.2200按照建立强度神经网络的方法

3、,建立坍落度的预测模型。此时神经网络的输入层只有1个神经元,具体编码如下:P=0160.160.160.160.180.180.180.180.20.20.20.20.220.220.220.22;0.20.30.40.50.20.30.40.50.20.30.40.50.20.30.40.5;0.811.21.410.81.41.21.21.40.811.41.210.8;00.951.902.952.761.810.9300.8402.841.821.672.5100.87%训练组输入数据Pl,psl=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-1

4、,1,处理方式存为psiT=290235400270280160245265260250240260270280275%训练组输出数据,此处为坍落度数据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s2net=newff(minmax(PI)410,1,tansig,purelin)net.trainparam.epochs=1000net.trainparam.goal=0.000000000000001%神经网络建立与参数设置,输出层只有1个神经元net=train(net,Pl,Tl)%对神经网络进行训练P.tes

5、t=0.180.20.220.18;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=200240210200%测试组输出数据,此处为坍落度数据T_test1=mapminmax(apply,T_test,ps2)%应用ps2的处理方式处理T.testy_testl=sim(net,P_testl)%测试组结果预测y_test=mapminmax(reverse,y_test1,ps2)%对测试组预测结果进行反归一化error_tes

6、t=y_test-T_test%误差计算当迭代到第5次时,均方误差MSE达到650e-23,即达到精度要求,训练结束。止匕时,神经网络模型的权值与阙值见表2、表3。表2输入层和隐含层的权值和阙值隐含层权值阙值水胶比(W/B)硅灰(SF/C)砂胶比(S/B)钢纤维(V%)11.63480.72000.40011.5451-2.577920.05841.5804-1.4885-1.2243-1.938730.4629-1.7159-1.17361.3000-1.24714-2.0158-0.86760.38241.22540.77735-1.1006-1.4021-0.19901.62020.55

7、7461.6795-1.08760.0366-1.46800.12647-1.61030.9526-0.0105-1.6060-0.67938-0.7963-1.7880-1.3359-0.8265-1.413891.45430.7585-1.45941.23651.9495101.8856-0.8855-0.7726-1.70992.2145表3隐含层和输出层的权值和阙值输出层权值阙值12345678910slump-0.0862-0.830.2404-0.49820.14690.020.02590.2335-0.07270.59770.4110利用上述模型对测试组进行验证,验证结果见表4。

8、表4预测结果及误差组ABCD坍落度(mm)试验结果200.00240.00210.00200.00预测结果199.52235.05211.37207.32误差-0.48-4.951377.32从上述结果可看出,预测结果已较为准确。1.2.目标函数混凝土配合比优化的目标,应是在满足性能(强度、工作性)要求的基础上,找到最经济的混凝土配合比。因此,应将强度、工作性作为约束条件,经济效益作为目标函数,选择目标函数如下:/(X,,*3,4,冗5,/)=+a2X2+3%3+4冗4+a5X5。6工6式中彳工2,工3,工4,工5,工6分别为水泥、硅灰、砂、水、钢纤维、减水剂的用量,%,2,。3,4,。5,。

9、6分别为水泥、硅灰、砂、水、钢纤维、减水剂的单价。在优化的过程中,假设各个组分材料的类型保持不变,则每种材料的价格是固定的,目标函数就仅是材料用量七的函数。1. 3.约束条件1.1. 3.L材料用量的约束水泥的用量范围是6001000kgm3,硅灰的用量范围是15O4OOkgr113,砂的用量范围是9001350kgm3,水的用量范围是15O27Okgn,钢纤维的用量范围是0234kgn,减水剂的用量范围是1525kgm3水胶比为0.16-0.22,硅灰与水泥质量比为0.20.5,砂胶比为0.81.4,钢纤维的体积掺量为0%3%(同钢纤维的用量范围),减水剂的用量为水泥质量的2.5%。这些材料

10、的用量范围是根据正交试验确定的。各原材料的用量范围就是对各决策变量的边界约束条件,可表示为Xj=Lj,U/Z=1,2,.,5(2)式中为常数,即各材料用量的上下限。水胶比是水的用量与胶凝材料(水泥与硅灰)用量之比,其约束条件可用下式表示:0.16x4/(xl+x2)0.22(3)硅灰与水泥的质量比约束条件表示如下:0.2x2xl0.5(4)砂胶比为砂的用量与胶凝材料用量之比,其约束条件表示如下:0.8x3/(x1+x2)1.4(5)以上约束条件用形如Ar?的矩阵表示如下:-0.160.160-1000-0.22-0.22OlOO00.2-100000(6)-0.51000000.80.8-10

11、000-1.4-1.410000减水剂与水泥质量比的约束条件可用如下等式表示:0.025x1-X6=O除以上各材料与各参数的约束外,还应满足绝对体积为1的一般约束,约束条件表示如下:JJJ区+J.O16=l(8)PPz03PAPsPs式中gr1=1,2,.,6分别表示水泥、硅灰、砂、水、钢纤维、减水剂的表观密度,在不使用引气型外加剂时,。可取为1。1.3. 2.强度的约束强度是评价混凝土性能最重要的指标之一。强度的大小与原材料的品质和用量、制备工艺、养护条件等多种因素有着重要的关系。在本文中,在原材料种类相同,制备工艺和养护条件一致的情况下,RPC的强度和水胶比、硅灰掺量、砂胶比、钢纤维掺量有

12、着复杂的非线性关系。为了评价混凝土的强度性能,引入之前建立的预测RPC强度的神经网络模型StrenghoRPC的试配强度应满足下式条件:,o+16457(9)式中工,o混凝土的配制强度(MPa)力,混凝土立方体抗压强度标准值(MPa)b-混凝土的强度标准值,当无统计资料时,其值按下表取用。表5b值(MPa)混凝土强度等级低于C20C20C35高于C354.05.06.0工作性也是评价混凝土性能的重要指标之一。本文中用坍落度来表示工作性,在本文中考虑水胶比、硅灰掺量、砂胶比、钢纤维掺量对坍落度的影响,引入之前建立的预测RPC坍落度的神经网络模型M卬作为评价工作性的依据。RPC的坍落度满足约束条件

13、:T*n(W)式中筌加根据实际工程确定。1.4. 基于Matlab遗传算法工具箱的配合比优化设计利用gatool命令打开遗传算法的工具箱界面,界面如下:图1遗传算法工具箱界面首先编写个体适应度函数(FitneSSfUnCtiOn),在遗传算法中,个体适应度的大小被用来确定该个体被遗传到下一代群体中的概率,适应度函数值越小,遗传到下一代的概率就越大。由于工具箱总是在查找适应度函数的最小值,而本次优化是以成本最低为目标,所以目标函数和适应度函数是等价的。functionz=cost(x,y)p(5)=7800%钢纤维密度设定f=100t=140%抗压强度、坍落度约束设定a(l)=1.2a(2)=2.9a=0.07a(4)=0.00038a(5)=3a(6)=10%材料单价设定,a(i),i=l,2,.,6分别表示水泥、硅灰、砂、水、钢纤维、减水剂的单价y(l)=x(4)(x(l)+x(2)y(2)=x(2)x(l)y(3)=x(3)(x(l)+x(2)y(4)=x(5)p(5)%由随机选择的变量值来确定4个配合比设计参数loadStrengh%导入抗压强度神经网络预测模型loadpsilloadpsll%导入抗压强度输入与输出归一化处

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > IT计算机 > 数据结构与算法

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!