基于神經網絡結合遺傳算法的混凝土彈模與強度性能預測

賴澤涵， 宋 健， 付 軍， 周 軍， 左雪娜

(1.武漢理工大學，湖北 武漢 430063；2.中交一公局第三工程有限公司, 北京 101102；3.湖北交投宜昌投資開發有限公司，湖北 宜昌 443000；4.比亞迪勘察設計有限公司，廣東 深圳 518118)

1 測混凝土試件強度和彈性模量的試驗方法

1.1 混凝土標準試件的抗壓試驗

1.1.1 混凝土強度等級

混凝土的強度等級是指混凝土的抗壓強度。混凝土的強度等級應以混凝土立方體抗壓強度標準值劃分,并采用符號C與立方體抗壓強度標準值(以MPa計)表示?；炷恋某叽绾蛽Q算系數見表1。其中棱柱體抗壓強度采用的是150 mm×150 mm×300 mm的棱柱體作為標準試件。

表1 混凝土試塊尺寸及強度換算系數

1.1.2 試驗方法

(1) 按試驗成型試件,經標準養護條件下養護到規定齡期。

(2) 試件取出,先檢查其尺寸及形狀,相對兩面應平行,表面傾斜偏差不得超過0.5 mm。量出棱邊長度,精確至1 mm。試件受力截面積按其與壓力機上下接觸面的平均值計算。試件如有蜂窩缺陷,應在試驗前3 d用濃水泥漿填補平整,并在報告中說明。在破型前,保持試件原有濕度,在試驗時擦干試件,稱出其質量。

(3) 以成型時側面為上下受壓面,試件妥放在球座上,球座置壓力機中心,幾何對中(指試件或球座偏離機臺中心在5 mm以內,下同),以0.3～0.8 MPa/s的速度連續而均勻地加荷,小于C30的低強度等級混凝土取0.3～0.5 MPa/s的加荷速度,強度等級不低于C30時取0.5～0.8 MPa/s的加荷速度,當試件接近破壞而開始變形時,應停止調整試驗機油門,直至試件破壞,記下破壞極限荷載(圖1)。

圖1 混凝土受壓裂縫圖

1.1.3 試驗結果計算

(1) 混凝土立方體試件抗壓強度 (以MPa計)按下式計算:

(1)

式中:F為極限荷載,N;A為受壓面積;k為強度換算系數，見表1;fcu為水泥混凝土的抗壓試驗強度。

(2) 以3個試件測值的算術平均值為測定值。如任一個測值與中值的差超過中值的15%時,則取中值為測定值;如有2個測值的差值均超過上述規定,則該組試驗結果無效。試驗結果計算至0.1 MPa。

(3) 混凝土抗壓強度以150 mm×150 mm×150 mm的方塊為標準試件,其他尺寸試件抗壓強度換算系數見表1,并應在報告中注明。

1.2 回彈法測混凝土強度測試

1.2.1 回彈值的測定方法

回彈法測定混凝土的強度應遵循我國《回彈法檢測混凝土抗壓強度技術規程》(JGJ/T 23-2011)有關規定。測量回彈值時,回彈儀的軸線應始終垂直于混凝土檢測面,緩慢施壓,準確讀數,快速復位(圖2)。測點宜在測區范圍內均勻分布,相鄰兩測點的凈距離不宜小于20 mm;測點距外露鋼筋、預埋件的距離不宜小于30 mm;測點不應在氣孔或外露石子上,同一測點應只彈擊1次,測試應在事先劃定的測區內進行,每一構件測區數不少于10個,每個測區面積200 mm×200 mm,每一測區設16個回彈點,然后從測區的16個回彈值中分別剔除3個最大值和3個最小值,取余下10個有效回彈值的平均值作為該測區的回彈值。

圖2 回彈法測混凝土強度

1.2.2 回彈值的計算

(1) 計算測區平均回彈值時,應從該測區的16個回彈值中剔除3個最大值和3個最小值,其余的10個回彈值按下式計算。

(2)

式中：Rm為測區平均回彈值,精確至0.1;Ri為第i個測點的回彈值。

(2) 以3個試件測值的算術平均值為測定值。如任一個測值與中值的差超過中值的15%時,則取中值為測定值;如有2個測值的差值均超過上述規定,則該組試驗結果無效。試驗結果計算至0.1MPa。

2 神經網絡結合遺傳算法對混凝土強度與彈性模量的預測

2.1 神經網絡結合遺傳算法對混凝土彈性模量和強度的預測

首先是要到相關檢測單位進行數據采集,收集通過混凝土抗壓試驗、回彈法及鉆芯法得到的混凝土強度與彈性模量的試驗數據共200組,并將數據進行整理。將試驗所得的前100組數據作為訓練神經網絡結合遺傳算法程序的樣本,通過對閾值及權系數的不斷修改,進行多次迭代,最終使網絡收斂。然后利用后100組數據對該神經網絡結合遺傳算法程序進行檢驗,驗證該程序的準確度,以便得到可使用的程序。

2.2 試驗值與程序預測值的對比

將后100組試驗數值與經過神經網絡結合遺傳算法程序預測的混凝土強度及彈性模量值進行對比，見表2、表3。

表3 彈性模量試驗值與程序預測值的對比

2.2.1 結論

由表2、表3可知,經訓練后的神經網絡結合遺傳算法對混凝土強度及彈性模量的預算,其預測結果與試驗結果的誤差值及誤差百分比較小。

2.2.2 誤差分析

神經網絡結合遺傳算法的優化計算是在現有材料基礎上對混凝土強度及彈性模量的預測,其結果存在偏差是正常的。

對于個別數據偏差較大可能的情況有:

(1) 數據采集時,記錄有偏差。

(2) 數據采集時,環境條件(如溫度、濕度)有偏差。

(3) 打回彈時,回彈儀與打回彈的面沒有保持垂直。

(4) 做壓裂試驗時,試件受壓面沒有打磨平整,導致受力不均。

(5) 神經網絡自身的缺陷導致。

3 結 論

神經網絡結合遺傳算法程序對于混凝土強度和彈性模量的預測,其測試結果與實際值之間誤差較小,且在合理范圍之內。試驗證明該種方法是可以對混凝土的強度和彈性模量進行程序預測的。這種方法可以建立混凝土三種測強方法之間的關系,這不僅可以減少工作量,降低試驗成本,而且可以有效地避免因天氣、溫度、路況等因素導致試驗無法進行以致延誤工期而造成的工程損耗。