基于BP神經網絡的混凝土熱學參數反演

周紹維

摘 要：為了確定施工現場混凝土熱學參數，根據現場實測數據，運用BP神經網絡與遺傳算法相結合的方法和混凝土溫度場有限元仿真計算，對現場混凝土熱學參數進行反演。結果表明，基于反演結果計算的溫度值與現場實測溫度值吻合較好，對后續溫度場仿真計算具有重要意義。

關鍵詞：BP神經網絡；熱學參數；反演；混凝土

中圖分類號：U445.57 文獻標志碼：A 文章編號：2095-2945（2019）01-0032-02

Abstract： In order to determine the thermal parameters of concrete in construction site， the thermal parameters of field concrete are retrieved using the method of combining BP neural network with genetic algorithm and the finite element simulation calculation of concrete temperature field according to the field measured data. The results show that the calculated temperature value based on the retrieval results is in good agreement with the field measured temperature value， which is of great significance to the subsequent simulation calculation of temperature field.

Keywords： BP neural network； thermal parameter； inversion； concrete

引言

在壩工領域中，大體積混凝土由于自身水化熱作用和外界環境的影響，使混凝土內外存在較大的溫差，容易形成混凝土表面裂縫和貫穿性裂縫[1]，影響壩體結構安全性能[2]。因此，諸多學者針對壩體溫控防裂這一課題做了大量的研究[3、4]，利用數值模擬和有限元仿真計算混凝土溫度

場，預先判斷混凝土溫度分布狀態，提前做好溫控防裂措施。但在計算混凝土溫度場時受到諸多因素的影響，如冷卻通水參數、外界環境氣溫以及混凝土熱學參數的影響。通常，外界環境氣溫和冷卻通水參數可通過監測設備獲取。而混凝土熱學參數一般采用室內試驗值或設計值，由于室內試驗環境與施工現場環境存在較大差異以及施工現場混凝土配合比和級配動態變化，使得室內試驗值與實際現場混凝土熱學存在差別，導致進行混凝土溫度場仿真計算時，結果出現較大的偏差。

因此，本文基于施工現場實測數據，綜合考慮現場實際環境與通水參數的影響，采用BP神經網絡-遺傳算法反演混凝土熱學參數。

1 分析方法

1.1 非穩定溫度場計算原理

1.2 參數反演理論

熱學參數反演過程實質上是利用優化算法調用溫度場仿真計算程序進行多次迭代的過程。傳統的優化算法調用溫度場的方法具有局部搜索能力差、對初始值依懶性強，在復雜問題上，對全局最優解的搜索概率低、無法保證能夠搜索到最優解，并且還存在計算量大、計算時間長等問題。為了高效地反演實際現場混凝土熱學參數，本文將利用BP神經網絡與優化算法相結合的方法，反演現場混凝土熱學參數。

1.2.1 BP神經網絡

BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，它由輸入層、隱含層和輸出層構成。通過構建訓練樣本以及測試樣本，建立以及訓練神經網絡。其基本思想是梯度下降法，在訓練中多次調整網絡參數，使網絡誤差均方差為最小[6]。BP神經網絡具有強大的非線性映射能力。

1.2.2 遺傳算法

遺傳算法基于生物界的“適者生存，優勝劣汰”遺傳機制演化而來的隨機化搜索算法。操作過程由選擇、交叉、變異3個算子完成，具有很好的穩健性和全局尋優能力[7]。 1.3 反演目標函數

2 算例

2.1 待反演參數確定

混凝土自身水化熱作用對混凝土溫度影響較大，通常在溫度場計算中以絕熱溫升代替水化熱，本文計算所用的絕熱溫升表達式采用雙曲線式，因此對絕熱溫升？茲和溫升規律n進行反演；混凝土塊與外界環境進行熱交換時，主要受表面放熱系數β的影響，而其他熱學參數一般可通過室內試驗獲取準確值，因此，本文選取絕熱溫升？茲、溫升規律參數n和表面放熱系數β作為反演參數，根據設計值與參考資料，取值范圍為θ∈[20，30]℃，n∈[1.5，5.5]，β∈[100，600]kJ/（m2·d·℃）。

2.2 有限元模型

本文以某混凝土壩澆筑倉作為研究對象，建立2倉有限元模型，第一倉作為基礎部分，不考慮進行反演計算。單倉層厚為3m。模型如圖1所示，共剖分了3003個節點，2400個單元。計算時：澆筑倉的臨空面為第三類溫度邊界，通水流量、通水水溫、通水時間、澆筑倉外界氣溫、間歇期時間均采用現場實際值。

2.3 混凝土熱學參數反演及結果驗證

利用均勻設計方法，獲取30組熱學參數計算方案作為訓練樣本，利用Excel隨機生成7組測試樣本計算方案，對訓練結果進行驗證。利用溫度場仿真計算程序，對訓練與測試樣本進行溫度場仿真計算，獲得目標函數，具體見表1。

將表1中的目標函數e作為輸出，3種熱學參數作為輸入，建立并訓練BP神經網絡，最后利用遺傳算法調用神經網絡對樣本組合進行尋優，得出絕熱溫升為23.52℃，溫升規律為3.55，表面放熱系數為503.34kJ/（m2·d·℃）。將反演結果，代入溫度場仿真程序計算，計算溫度與實測溫度變化趨勢對比如圖2所示

從圖2可以看出，基于反演參數的溫度場仿真結果與實測資料總體趨勢一致，兩者吻合較好，誤差較小。說明反演結果具有較高的可信度。

3 結束語

本文采用BP神經網絡-遺傳算法相結合的方法反演混凝土熱學參數，基于反演結果計算出的溫度值與實測溫度值吻合較好，說明反演結果與壩體混凝土實際熱學參數接近，對后續溫度場仿真計算和溫控防裂措施的制定具有重要的意義。

參考文獻：

[1]喻正富，張筱雨，劉來君，等.基于遺傳算法的大體積混凝土熱力學參數反演分析[J].建筑科學與工程學報，2015（05）：81-88.

[2]李文偉，樊啟祥，李新宇，等.特高拱壩專用低熱硅酸鹽水泥研究與應用[J].水力發電學報，2017，36（3）：113-120.

[3]杜平，劉書賢，譚廣柱，等.基于四維溫度場理論的大體積混凝土數值分析[J].遼寧工程技術大學學報：自然科學版，2014，31（4）：526-530.

[4]劉杏紅，創兵，常曉林，等.大體積混凝土溫度裂縫擴展過程模擬[J].巖土力學，2010，31（8）：2666-2670，2676.

[5]朱伯芳.大體積混凝土凝土溫度應力與溫度控制[M].第二版.北京：中國水利水電出版社，2012.

[6]王放，周宜紅，趙春菊，等.考慮測點靈敏度的大體積混凝土熱學參數反演方法研究[J].水力發電學報，2017（12）：95-104.

[7]張宇鑫，宋玉普，王登剛.基于遺傳算法的混凝土三維非穩態溫度場反分析[J].計算力學學報，2004（03）：338-342.