基于BP神经网络的混凝土热学参数反演

周绍维

摘 要：为了确定施工现场混凝土热学参数，根据现场实测数据，运用BP神经网络与遗传算法相结合的方法和混凝土温度场有限元仿真计算，对现场混凝土热学参数进行反演。结果表明，基于反演结果计算的温度值与现场实测温度值吻合较好，对后续温度场仿真计算具有重要意义。

关键词：BP神经网络；热学参数；反演；混凝土

中图分类号：U445.57 文献标志码：A 文章编号：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

在坝工领域中，大体积混凝土由于自身水化热作用和外界环境的影响，使混凝土内外存在较大的温差，容易形成混凝土表面裂缝和贯穿性裂缝[1]，影响坝体结构安全性能[2]。因此，诸多学者针对坝体温控防裂这一课题做了大量的研究[3、4]，利用数值模拟和有限元仿真计算混凝土温度

场，预先判断混凝土温度分布状态，提前做好温控防裂措施。但在计算混凝土温度场时受到诸多因素的影响，如冷却通水参数、外界环境气温以及混凝土热学参数的影响。通常，外界环境气温和冷却通水参数可通过监测设备获取。而混凝土热学参数一般采用室内试验值或设计值，由于室内试验环境与施工现场环境存在较大差异以及施工现场混凝土配合比和级配动态变化，使得室内试验值与实际现场混凝土热学存在差别，导致进行混凝土温度场仿真计算时，结果出现较大的偏差。

因此，本文基于施工现场实测数据，综合考虑现场实际环境与通水参数的影响，采用BP神经网络-遗传算法反演混凝土热学参数。

1 分析方法

1.1 非稳定温度场计算原理

1.2 参数反演理论

热学参数反演过程实质上是利用优化算法调用温度场仿真计算程序进行多次迭代的过程。传统的优化算法调用温度场的方法具有局部搜索能力差、对初始值依懒性强，在复杂问题上，对全局最优解的搜索概率低、无法保证能够搜索到最优解，并且还存在计算量大、计算时间长等问题。为了高效地反演实际现场混凝土热学参数，本文将利用BP神经网络与优化算法相结合的方法，反演现场混凝土热学参数。

1.2.1 BP神经网络

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，它由输入层、隐含层和输出层构成。通过构建训练样本以及测试样本，建立以及训练神经网络。其基本思想是梯度下降法，在训练中多次调整网络参数，使网络误差均方差为最小[6]。BP神经网络具有强大的非线性映射能力。

1.2.2 遗传算法

遗传算法基于生物界的“适者生存，优胜劣汰”遗传机制演化而来的随机化搜索算法。操作过程由选择、交叉、变异3个算子完成，具有很好的稳健性和全局寻优能力[7]。 1.3 反演目标函数

2 算例

2.1 待反演参数确定

混凝土自身水化热作用对混凝土温度影响较大，通常在温度场计算中以绝热温升代替水化热，本文计算所用的绝热温升表达式采用双曲线式，因此对绝热温升？兹和温升规律n进行反演；混凝土块与外界环境进行热交换时，主要受表面放热系数β的影响，而其他热学参数一般可通过室内试验获取准确值，因此，本文选取绝热温升？兹、温升规律参数n和表面放热系数β作为反演参数，根据设计值与参考资料，取值范围为θ∈[20，30]℃，n∈[1.5，5.5]，β∈[100，600]kJ/（m2·d·℃）。

2.2 有限元模型

本文以某混凝土坝浇筑仓作为研究对象，建立2仓有限元模型，第一仓作为基础部分，不考虑进行反演计算。单仓层厚为3m。模型如图1所示，共剖分了3003个节点，2400个单元。计算时：浇筑仓的临空面为第三类温度边界，通水流量、通水水温、通水时间、浇筑仓外界气温、间歇期时间均采用现场实际值。

2.3 混凝土热学参数反演及结果验证

利用均匀设计方法，获取30组热学参数计算方案作为训练样本，利用Excel随机生成7组测试样本计算方案，对训练结果进行验证。利用温度场仿真计算程序，对训练与测试样本进行温度场仿真计算，获得目标函数，具体见表1。

将表1中的目标函数e作为输出，3种热学参数作为输入，建立并训练BP神经网络，最后利用遗传算法调用神经網络对样本组合进行寻优，得出绝热温升为23.52℃，温升规律为3.55，表面放热系数为503.34kJ/（m2·d·℃）。将反演结果，代入温度场仿真程序计算，计算温度与实测温度变化趋势对比如图2所示

从图2可以看出，基于反演参数的温度场仿真结果与实测资料总体趋势一致，两者吻合较好，误差较小。说明反演结果具有较高的可信度。

3 结束语

本文采用BP神经网络-遗传算法相结合的方法反演混凝土热学参数，基于反演结果计算出的温度值与实测温度值吻合较好，说明反演结果与坝体混凝土实际热学参数接近，对后续温度场仿真计算和温控防裂措施的制定具有重要的意义。

参考文献：

[1]喻正富，张筱雨，刘来君，等.基于遗传算法的大体积混凝土热力学参数反演分析[J].建筑科学与工程学报，2015（05）：81-88.

[2]李文伟，樊启祥，李新宇，等.特高拱坝专用低热硅酸盐水泥研究与应用[J].水力发电学报，2017，36（3）：113-120.

[3]杜平，刘书贤，谭广柱，等.基于四维温度场理论的大体积混凝土数值分析[J].辽宁工程技术大学学报：自然科学版，2014，31（4）：526-530.

[4]刘杏红，创兵，常晓林，等.大体积混凝土温度裂缝扩展过程模拟[J].岩土力学，2010，31（8）：2666-2670，2676.

[5]朱伯芳.大体积混凝土凝土温度应力与温度控制[M].第二版.北京：中国水利水电出版社，2012.

[6]王放，周宜红，赵春菊，等.考虑测点灵敏度的大体积混凝土热学参数反演方法研究[J].水力发电学报，2017（12）：95-104.

[7]张宇鑫，宋玉普，王登刚.基于遗传算法的混凝土三维非稳态温度场反分析[J].计算力学学报，2004（03）：338-342.