自密實混凝土流動性神經網絡預測模型比較研究

劉華良 屈慧瓊 鄧仕軍 雷慧娟

1南華大學城市建設學院（421001）2南華大學核資源工程學院（421001）

自密實混凝土(Self Compacting Concrete，簡稱SCC)組分復雜多樣，各組分之間相互影響、制約，其拌和物的工作性能很難用單因素的回歸關系加以描述,常常是僅僅知道自密實混凝土材料成分、制備工藝和工作性能之間的相關數據，但其內在規律尚不清楚。為此，研究人員利用具有高度并行處理，聯想記憶，良好自適應和自組織能力的人工神經網絡(Artificial Neural Network，縮寫ANN)模型對SCC配合比與新拌狀態下工作性能之間關系進行模擬和函數逼近，以實驗或實測數據為基礎，經過有限次的迭代計算，根據系統輸入和輸出找到它們之間的非線性關系，反映實驗或實測數據內在規律。在自密實混凝土工作性能模擬研究領域，李本強、郭奇等[1-2]探討了自密實混凝土性能預測的神經網絡模型，周紹青、劉華良等[3-4]研究了自密實混凝土流動性預測模擬，邵巧希、孫仲健等[5-6]模擬了自密實混凝土間隙通過性。但因為自密實混凝土組分的復雜性和多樣性,選擇不同的神經網絡模型和算法，會產生不同的模擬結果，模型和算法有優有劣，這里以自密實混凝土流動性神經網絡預測模擬為例來比較分析模型和算法的優劣。

1 自密實混凝土流動性試驗數據

在本研究中采用的自密實混凝土配置試驗原材料、自密實混凝土配合比、流動性測試試驗方法及試驗結果數據見文獻[4]的“1自密實混凝土流動性試驗”部分。

2 新拌SCC V型漏斗試驗流出時間預測的人工神經網絡模型

2.1 訓練樣本的確定

以文獻[4]表1中的粗集料最大粒徑、減水劑用量、砂率和水膠比作為人工神經網絡模型的輸入數據，以文獻[4]表2中的坍落度、擴展度和時間T500作為輸出數據，隨機選取其中8組（試驗次序分別為 2、6、12、13、19、28、33、37）為預測樣本，其余 30組作為訓練樣本。因為數據中數值過大，為了簡化訓練過程，應對數據進行歸一標準化處理。

2.2 神經網絡類型和訓練算法的選擇

在試驗中應用cascade-forward backprop、Elman backprop、Feed-forward backprop 和 Timedelay backprop四種bp神經網絡來訓練和預測V漏斗試驗數據，V漏斗試驗神經網絡模型見圖1。在訓 練 算 法 上 選 擇 了 TRAINBFG、TRAINBR、TRAINCGB、TRAINCGF、TRAINCGP、TRAINGD、TRAINGDM、TRAINGDA、TRAINGDX、TRAINLM、TRAINOSS、TRAINR、TRAINRP 和 TRAINSCG 共 14種算法。統一設定目標goal=0.001,訓練次數一般設為10 000次。

圖1 V漏斗試驗神經網絡模型

圖2 V漏斗試驗神經網絡模型訓練過程圖（部分失敗的訓練算法）

通過神經網絡類型和訓練算法組合，建立了56種不同的網絡模型。對此56種模型進行從9-1000個不等的隱含層節點數的選擇并訓練，得到V漏斗試驗神經網絡模型訓練過程曲線（圖2、圖3），以及神經網絡類型、訓練算法的選擇結果（表1）。

圖3 V漏斗試驗神經網絡模型訓練過程圖（部分成功的訓練算法）

通過分析圖2、圖3和表1，發現如下結果：

1）cascade-forward backprop、Feed-forward backprop和Time-delay backprop三種bp神經網絡能夠進行V型漏斗試驗模擬，而Elman backprop神經網絡不能模擬V型漏斗試驗；

2）14 種訓練算法中，TRAINBFG、TRAINGD、TRAINLM、TRAINR四種算法無法模擬V型漏斗試驗（見圖2），其他算法大多能有效模擬V型漏斗試驗，但訓練次數、隱含層節點數、占用CPU、內存資源等情況有差異；

3）在V型漏斗試驗模擬中，cascade-forward backprop、Feed-forward backprop兩種神經網絡類型比較理想，TRAINCGB、TRAINCGF、TRAINCGP、TRAINGDM、TRAINGDA、TRAINGDX、TRAINOSS、TRAINRP和TRAINSCG 9種訓練算法比較好。

2.3 神經網絡類型和訓練算法的比較分析

根據上述發現,在V型漏斗試驗模擬中選擇cascade-forward backprop（簡稱CFBP神經網絡）、Feed-forward backprop（簡稱FFBP神經網絡）兩種神 經 網 絡 類 型 和 TRAINCGB、TRAINCGF、TRAINCGP、TRAINGDM、TRAINGDA、TRAINGDX、TRAINOSS、TRAINRP和 TRAINSCG 9種訓練算法，共組合成18種模型，統一設定目標goal=0.001，隱含層節點數700，訓練次數一般設為10 000次。以此來對模型和訓練算法進行比較。通過模擬訓練，得到18種模型模擬過程中網絡類型、訓練算法及隱含層結點關系曲線如圖4所示。

表1 神經網絡類型、訓練算法選擇結果比較表

圖4 模型模擬過程中網絡類型、訓練算法及隱含層節點關系曲線

分析圖4曲線，可以看出：

1）CFBP神經網絡和FFBP神經網絡兩種網絡類型在訓練和預測V漏斗試驗中具有比較好的性能；

2）在訓練算法上,TRAINOSS、TRAINRP、TRAINSCG三種訓練算法隱含層節點區域分布比較廣，訓練次數比較少；

3）TRAINCGB、TRAINCGF、 TRAINCGP 三種訓練算法隱含層節點區域分布相對較窄，訓練次數比較少；

4）TRAINGDM、TRAINGDA、TRAINGDX 三 種訓練算法隱含層節點區域分布相對較窄，訓練次數比較多，當節點數較小時訓練時間比較長。

2.4 神經網絡預測結果與試驗結果的比較

采用CFBP和FFBP兩種神經網絡類型建立V漏斗試驗預測模型。通過對模型進行訓練和預測，得到V漏斗預測樣本的預測值（表2）。將預測值與文獻[4]中的試驗值進行比較分析，得出兩者絕對差值與誤差值如圖5和圖6，可以看出預測值和目標值相當接近，相對誤差值在可接受的范圍。用以上神經網絡模型模擬和預測不同配合比SCC的流動性是切實可行，預測結果比較準確可信。

表2 V漏斗神經網絡預測結果

圖5 V漏斗試驗值與預測值比較（單位：s）

圖6 V漏斗試驗值與預測值誤差分析

3 結論

1）CFBP神經網絡和FFBP神經網絡兩種網絡類型能夠較好地訓練和預測自密實混凝土流動性，應用該模型對自密實混凝土V漏斗流出時間進行預測,其預測結果與試驗結果能夠比較準確的吻合，誤差較小。

2）合理選擇神經網絡類型和訓練算法能減少訓練次數和隱含層節點數，優化神經網絡模型。在訓練算法上，TRAINOSS、TRAINRP、TRAINSCG 三種訓練算法隱含層節點區域分布較廣，訓練次數較少；TRAINCGB、TRAINCGF、 TRAINCGP 三種訓練算法隱含層節點區域分布相對較窄，訓練次數較少；TRAINGDM、TRAINGDA、TRAINGDX 三種訓練算法隱含層節點區域分布相對較窄,訓練次數較多，當節點數較小時訓練時間較長。

[1]李本強.自密實混凝土性能預測的神經網絡模型[J].五邑大學學報(自然科學版),2004,(02)：11～13.

[2]郭奇,李悅.自密實混凝土工作性能和強度的BP神經網絡預測[J].國外建材科技,2007,(06)：30～33.

[3]周紹青,石建軍,楊曉鋒,雷林.神經網絡在自密實混凝土流動性能中的應用[J].水利與建筑工程學報,2005,(04)：44～47.

[4]劉華良,顧楊圣,石建軍,屈慧瓊,付強.自密實混凝土流動性試驗及其神經網絡預測研究[J].混凝土,2010,(05)：10～12+15.

[5]邵巧希,寧嚴慶,石建軍.基于神經網絡正交試驗的自密實混凝土間隙通過性研究[J].混凝土,2009,(07)：33～39.

[6]孫仲健.基于GRNN理論的自密實混凝土間隙通過性研究[J].混凝土,2011,(08)：30～33+36.