BP神經網絡預測PVA-ECC在抗鹽凍下的結構壽命

侯慧芳 閆敏

摘 要：為了預測不同纖維含量下的聚乙烯醇纖維增強水泥基復合材料（PVA-ECC）在氯鹽浸漬、凍融循環作用下的使用壽命，以試驗結果為訓練樣本值，建立BP神經網絡預測模型。結果表明，采用Trainlm訓練函數的神經網絡能夠達到目標精度0.01。不同纖維含量下的PVA-ECC在氯鹽浸漬環境下，所能承受的凍融循環次數各不相同，最優配合比為1%的纖維含量，在經過475次凍融循環作用后才發生破壞。

關鍵詞：聚乙烯醇纖維;氯鹽環境;凍融循環;BP人工神經網絡

普通混凝土抗鹽凍性經過大量的研究和工程實際已經證明較差，難以滿足現代土木工程新的結構形式及在特殊環境建造的建筑物對輕質、高強、高耐久性的要求。自從PVA纖維增強水泥基復合材料出現后，國內外的一些學者、專家對PVA纖維增強水泥基復合材料的力學性能進行了一系列的試驗研究，并取得了一些研究成果^[1][2]。本文采用不同纖維含量下的PVA-ECC ，研究其在氯鹽浸漬、快速凍融循環作用下的相對動彈性模量。試驗結果表明，經過300次凍融循環作用后，部分PVA-ECC試件沒有破壞，為了預測這部分試件的使用壽命，以試驗數據為樣本值，建立基于BP神經網絡的使用壽命預測模型。

一、試驗概況及結果

根據《普通混凝土長期性能和耐久性能試驗方法》（GBJ82-85）中抗凍性能試驗的快凍法的規定，試驗制作了8組尺寸為100mm×100mm×400mm的棱柱體試件，每組3個;養護后放入濃度為3.5%的NaCl溶液中浸泡，凍融循環作用，每經過25次凍融循環作用后測定相對動彈性模量值，試驗結果如表1所示。

二、BP神經網絡預測模型的建立

（一）人工神經網絡模型模型

神經元是建立人工神經網絡模型的關鍵，本文采用的是基于模擬生物神經元信息的傳遞特性，即輸入、輸出關系。 輸入層節點數一般由建立網絡時所考慮的因素的個數確定^{【3】【4】}，在本文中考慮的影響因素主要有水泥含量、粉煤灰含量、硅粉含量、PVA纖維含量以及凍融循環次數，所以網絡輸入層的節點數為5。輸出層節點的個數由輸出的變量數確定。在本文中輸出的變量只有一個即相對動彈性模量，所以輸出層的節點數為1。所以采用的節點數為5-N-1，其中N表示隱層節點數。

本文采用公式1來討論神經網絡隱層節點數的確定^[4]，在本文中=5， =1，所以N的取值范圍為7-16之間的常數。

當隱層節點數N=13時，運行結果如下：

從圖1中可以看出，5-13-1的結構在經過8693次訓練后，其誤差平方和就達到0.0099938，，所以5-13-1結構無論在迭代次數、訓練誤差、耗時和測試樣本精度方面都滿足要求。因此，本研究確定的網絡結構為5-13-1三層網絡。

輸入層采用tansig正切S型傳遞函數神經元，輸出層采用logsig對數s型傳遞函數神經元，訓練函數為trainlm（Levenberg-Marquardt的BP算法訓練函數）^[5]，最多訓練次數為30000次，目標精度為0.01。

（二）BP神經網絡的訓練與預測

對于已經建立好的神經網絡結構，為驗證該結構的準確性，本文采用試驗取得的部分數據作為訓練與對比樣本。表2所示為預測點與實測點相對動彈性模量之間的對比圖，從表中可以看出，實測值與預測值比較接近，誤差較小。

（三）凍融循環作用下的結構壽命預測

《普通混凝土長期性能試驗方法標準》規定：凍融條件下的混凝土結構壽命準則以其相對動彈性模量下降到60%為準^[6]。從表1中可以看出，不同纖維、硅粉、粉煤灰、水泥含量下的PVA-FRCC試件，經歷相同次數凍融循環作用下的破壞程度不相同。故將水泥含量、粉煤灰含量、硅粉含量、PVA纖維含量以及凍融循環次數作為變量，輸入到人工神經網絡中，得到如表3所示的壽命預測值。

表3分析可知，纖維含量0%的試件可經受200次凍融循環作用就發生破壞，0.5%的試件經受425次凍融循環作用破壞，1%的試件經歷475次發生破壞，2%的試件經歷450次。

綜上分析可知，PVA纖維摻量的加入可提高試件的抗鹽凍性能，纖維摻量為1%的試件的性能最好;粉煤灰、硅粉的摻量對試件的性能影響不大。

三、結論

1.建立的BP人工神經網絡能較好的預測PVA-FRCC試件在不同纖維含量下的的相對動彈性模量。

2.PVA-FRCC試件的相對動彈性模量下降到60%時的凍融循環次數隨著纖維含量的增加呈先增加后減少的趨勢，纖維摻合量為1%時試件的抗鹽凍性能最好，能承受475次凍融循環作用后才發生破壞。

3.在PVA-FRCC試件中加入硅粉、粉煤灰，對試件的抗鹽凍性能影響不大。

參考文獻

[1] 王陣地，姚燕，王玲.凍融循環與氯鹽侵蝕作用下混凝土變形和損傷分析[J].硅酸鹽學報，2012，40（8）?：1133-1138.

[2] 王立軍，王鐵成.人工神經網絡的鹽害侵蝕混凝土強度預測[J].哈爾濱工業大學學報，2009，141（2）：196-201.

[3] 楊志遠.普通混凝土強度預測的BP網絡模型[J].長安大學學報，2003，23（3）：50-53.

[4] 付義祥，劉杰.基于人工神經網絡模型的C25混凝土配合比的預測方法[J].武漢理工大學學報，2002，26（4）：536-540.

[5] 王繼宗，倪宏光.混凝土強度預測和模擬的智能化方法[J].土木工程學報，2003，36（10）：25-29.

[6] EngineeringmanualforconstructionandqualitycontroloftrapezoidalCSGdam[R]JapanEngineeringCenterReport2007.