自密实混凝土流动性神经网络预测模型比较研究

刘华良 屈慧琼 邓仕军 雷慧娟

1南华大学城市建设学院（421001）2南华大学核资源工程学院（421001）

自密实混凝土(Self Compacting Concrete，简称SCC)组分复杂多样，各组分之间相互影响、制约，其拌和物的工作性能很难用单因素的回归关系加以描述,常常是仅仅知道自密实混凝土材料成分、制备工艺和工作性能之间的相关数据，但其内在规律尚不清楚。为此，研究人员利用具有高度并行处理，联想记忆，良好自适应和自组织能力的人工神经网络(Artificial Neural Network，缩写ANN)模型对SCC配合比与新拌状态下工作性能之间关系进行模拟和函数逼近，以实验或实测数据为基础，经过有限次的迭代计算，根据系统输入和输出找到它们之间的非线性关系，反映实验或实测数据内在规律。在自密实混凝土工作性能模拟研究领域，李本强、郭奇等[1-2]探讨了自密实混凝土性能预测的神经网络模型，周绍青、刘华良等[3-4]研究了自密实混凝土流动性预测模拟，邵巧希、孙仲健等[5-6]模拟了自密实混凝土间隙通过性。但因为自密实混凝土组分的复杂性和多样性,选择不同的神经网络模型和算法，会产生不同的模拟结果，模型和算法有优有劣，这里以自密实混凝土流动性神经网络预测模拟为例来比较分析模型和算法的优劣。

1 自密实混凝土流动性试验数据

在本研究中采用的自密实混凝土配置试验原材料、自密实混凝土配合比、流动性测试试验方法及试验结果数据见文献[4]的“1自密实混凝土流动性试验”部分。

2 新拌SCC V型漏斗试验流出时间预测的人工神经网络模型

2.1 训练样本的确定

以文献[4]表1中的粗集料最大粒径、减水剂用量、砂率和水胶比作为人工神经网络模型的输入数据，以文献[4]表2中的坍落度、扩展度和时间T500作为输出数据，随机选取其中8组（试验次序分别为 2、6、12、13、19、28、33、37）为预测样本，其余 30组作为训练样本。因为数据中数值过大，为了简化训练过程，应对数据进行归一标准化处理。

2.2 神经网络类型和训练算法的选择

在试验中应用cascade-forward backprop、Elman backprop、Feed-forward backprop 和 Timedelay backprop四种bp神经网络来训练和预测V漏斗试验数据，V漏斗试验神经网络模型见图1。在训 练 算 法 上 选 择 了 TRAINBFG、TRAINBR、TRAINCGB、TRAINCGF、TRAINCGP、TRAINGD、TRAINGDM、TRAINGDA、TRAINGDX、TRAINLM、TRAINOSS、TRAINR、TRAINRP 和 TRAINSCG 共 14种算法。统一设定目标goal=0.001,训练次数一般设为10 000次。

图1 V漏斗试验神经网络模型

图2 V漏斗试验神经网络模型训练过程图（部分失败的训练算法）

通过神经网络类型和训练算法组合，建立了56种不同的网络模型。对此56种模型进行从9-1000个不等的隐含层节点数的选择并训练，得到V漏斗试验神经网络模型训练过程曲线（图2、图3），以及神经网络类型、训练算法的选择结果（表1）。

图3 V漏斗试验神经网络模型训练过程图（部分成功的训练算法）

通过分析图2、图3和表1，发现如下结果：

1）cascade-forward backprop、Feed-forward backprop和Time-delay backprop三种bp神经网络能够进行V型漏斗试验模拟，而Elman backprop神经网络不能模拟V型漏斗试验；

2）14 种训练算法中，TRAINBFG、TRAINGD、TRAINLM、TRAINR四种算法无法模拟V型漏斗试验（见图2），其他算法大多能有效模拟V型漏斗试验，但训练次数、隐含层节点数、占用CPU、内存资源等情况有差异；

3）在V型漏斗试验模拟中，cascade-forward backprop、Feed-forward backprop两种神经网络类型比较理想，TRAINCGB、TRAINCGF、TRAINCGP、TRAINGDM、TRAINGDA、TRAINGDX、TRAINOSS、TRAINRP和TRAINSCG 9种训练算法比较好。

2.3 神经网络类型和训练算法的比较分析

根据上述发现,在V型漏斗试验模拟中选择cascade-forward backprop（简称CFBP神经网络）、Feed-forward backprop（简称FFBP神经网络）两种神 经 网 络 类 型 和 TRAINCGB、TRAINCGF、TRAINCGP、TRAINGDM、TRAINGDA、TRAINGDX、TRAINOSS、TRAINRP和 TRAINSCG 9种训练算法，共组合成18种模型，统一设定目标goal=0.001，隐含层节点数700，训练次数一般设为10 000次。以此来对模型和训练算法进行比较。通过模拟训练，得到18种模型模拟过程中网络类型、训练算法及隐含层结点关系曲线如图4所示。

表1 神经网络类型、训练算法选择结果比较表

图4 模型模拟过程中网络类型、训练算法及隐含层节点关系曲线

分析图4曲线，可以看出：

1）CFBP神经网络和FFBP神经网络两种网络类型在训练和预测V漏斗试验中具有比较好的性能；

2）在训练算法上,TRAINOSS、TRAINRP、TRAINSCG三种训练算法隐含层节点区域分布比较广，训练次数比较少；

3）TRAINCGB、TRAINCGF、 TRAINCGP 三种训练算法隐含层节点区域分布相对较窄，训练次数比较少；

4）TRAINGDM、TRAINGDA、TRAINGDX 三 种训练算法隐含层节点区域分布相对较窄，训练次数比较多，当节点数较小时训练时间比较长。

2.4 神经网络预测结果与试验结果的比较

采用CFBP和FFBP两种神经网络类型建立V漏斗试验预测模型。通过对模型进行训练和预测，得到V漏斗预测样本的预测值（表2）。将预测值与文献[4]中的试验值进行比较分析，得出两者绝对差值与误差值如图5和图6，可以看出预测值和目标值相当接近，相对误差值在可接受的范围。用以上神经网络模型模拟和预测不同配合比SCC的流动性是切实可行，预测结果比较准确可信。

表2 V漏斗神经网络预测结果

图5 V漏斗试验值与预测值比较（单位：s）

图6 V漏斗试验值与预测值误差分析

3 结论

1）CFBP神经网络和FFBP神经网络两种网络类型能够较好地训练和预测自密实混凝土流动性，应用该模型对自密实混凝土V漏斗流出时间进行预测,其预测结果与试验结果能够比较准确的吻合，误差较小。

2）合理选择神经网络类型和训练算法能减少训练次数和隐含层节点数，优化神经网络模型。在训练算法上，TRAINOSS、TRAINRP、TRAINSCG 三种训练算法隐含层节点区域分布较广，训练次数较少；TRAINCGB、TRAINCGF、 TRAINCGP 三种训练算法隐含层节点区域分布相对较窄，训练次数较少；TRAINGDM、TRAINGDA、TRAINGDX 三种训练算法隐含层节点区域分布相对较窄,训练次数较多，当节点数较小时训练时间较长。

[1]李本强.自密实混凝土性能预测的神经网络模型[J].五邑大学学报(自然科学版),2004,(02)：11～13.

[2]郭奇,李悦.自密实混凝土工作性能和强度的BP神经网络预测[J].国外建材科技,2007,(06)：30～33.

[3]周绍青,石建军,杨晓锋,雷林.神经网络在自密实混凝土流动性能中的应用[J].水利与建筑工程学报,2005,(04)：44～47.

[4]刘华良,顾杨圣,石建军,屈慧琼,付强.自密实混凝土流动性试验及其神经网络预测研究[J].混凝土,2010,(05)：10～12+15.

[5]邵巧希,宁严庆,石建军.基于神经网络正交试验的自密实混凝土间隙通过性研究[J].混凝土,2009,(07)：33～39.

[6]孙仲健.基于GRNN理论的自密实混凝土间隙通过性研究[J].混凝土,2011,(08)：30～33+36.