基于神经网络结合遗传算法的混凝土弹模与强度性能预测

赖泽涵， 宋 健， 付 军， 周 军， 左雪娜

(1.武汉理工大学，湖北 武汉 430063；2.中交一公局第三工程有限公司, 北京 101102；3.湖北交投宜昌投资开发有限公司，湖北 宜昌 443000；4.比亚迪勘察设计有限公司，广东 深圳 518118)

1 测混凝土试件强度和弹性模量的试验方法

1.1 混凝土标准试件的抗压试验

1.1.1 混凝土强度等级

混凝土的强度等级是指混凝土的抗压强度。混凝土的强度等级应以混凝土立方体抗压强度标准值划分,并采用符号C与立方体抗压强度标准值(以MPa计)表示。混凝土的尺寸和换算系数见表1。其中棱柱体抗压强度采用的是150 mm×150 mm×300 mm的棱柱体作为标准试件。

表1 混凝土试块尺寸及强度换算系数

1.1.2 试验方法

(1) 按试验成型试件,经标准养护条件下养护到规定龄期。

(2) 试件取出,先检查其尺寸及形状,相对两面应平行,表面倾斜偏差不得超过0.5 mm。量出棱边长度,精确至1 mm。试件受力截面积按其与压力机上下接触面的平均值计算。试件如有蜂窝缺陷,应在试验前3 d用浓水泥浆填补平整,并在报告中说明。在破型前,保持试件原有湿度,在试验时擦干试件,称出其质量。

(3) 以成型时侧面为上下受压面,试件妥放在球座上,球座置压力机中心,几何对中(指试件或球座偏离机台中心在5 mm以内,下同),以0.3～0.8 MPa/s的速度连续而均匀地加荷,小于C30的低强度等级混凝土取0.3～0.5 MPa/s的加荷速度,强度等级不低于C30时取0.5～0.8 MPa/s的加荷速度,当试件接近破坏而开始变形时,应停止调整试验机油门,直至试件破坏,记下破坏极限荷载(图1)。

图1 混凝土受压裂缝图

1.1.3 试验结果计算

(1) 混凝土立方体试件抗压强度 (以MPa计)按下式计算:

(1)

式中:F为极限荷载,N;A为受压面积;k为强度换算系数，见表1;fcu为水泥混凝土的抗压试验强度。

(2) 以3个试件测值的算术平均值为测定值。如任一个测值与中值的差超过中值的15%时,则取中值为测定值;如有2个测值的差值均超过上述规定,则该组试验结果无效。试验结果计算至0.1 MPa。

(3) 混凝土抗压强度以150 mm×150 mm×150 mm的方块为标准试件,其他尺寸试件抗压强度换算系数见表1,并应在报告中注明。

1.2 回弹法测混凝土强度测试

1.2.1 回弹值的测定方法

回弹法测定混凝土的强度应遵循我国《回弹法检测混凝土抗压强度技术规程》(JGJ/T 23-2011)有关规定。测量回弹值时,回弹仪的轴线应始终垂直于混凝土检测面,缓慢施压,准确读数,快速复位(图2)。测点宜在测区范围内均匀分布,相邻两测点的净距离不宜小于20 mm;测点距外露钢筋、预埋件的距离不宜小于30 mm;测点不应在气孔或外露石子上,同一测点应只弹击1次,测试应在事先划定的测区内进行,每一构件测区数不少于10个,每个测区面积200 mm×200 mm,每一测区设16个回弹点,然后从测区的16个回弹值中分别剔除3个最大值和3个最小值,取余下10个有效回弹值的平均值作为该测区的回弹值。

图2 回弹法测混凝土强度

1.2.2 回弹值的计算

(1) 计算测区平均回弹值时,应从该测区的16个回弹值中剔除3个最大值和3个最小值,其余的10个回弹值按下式计算。

(2)

式中：Rm为测区平均回弹值,精确至0.1;Ri为第i个测点的回弹值。

(2) 以3个试件测值的算术平均值为测定值。如任一个测值与中值的差超过中值的15%时,则取中值为测定值;如有2个测值的差值均超过上述规定,则该组试验结果无效。试验结果计算至0.1MPa。

2 神经网络结合遗传算法对混凝土强度与弹性模量的预测

2.1 神经网络结合遗传算法对混凝土弹性模量和强度的预测

首先是要到相关检测单位进行数据采集,收集通过混凝土抗压试验、回弹法及钻芯法得到的混凝土强度与弹性模量的试验数据共200组,并将数据进行整理。将试验所得的前100组数据作为训练神经网络结合遗传算法程序的样本,通过对阈值及权系数的不断修改,进行多次迭代,最终使网络收敛。然后利用后100组数据对该神经网络结合遗传算法程序进行检验,验证该程序的准确度,以便得到可使用的程序。

2.2 试验值与程序预测值的对比

将后100组试验数值与经过神经网络结合遗传算法程序预测的混凝土强度及弹性模量值进行对比，见表2、表3。

表3 弹性模量试验值与程序预测值的对比

2.2.1 结论

由表2、表3可知,经训练后的神经网络结合遗传算法对混凝土强度及弹性模量的预算,其预测结果与试验结果的误差值及误差百分比较小。

2.2.2 误差分析

神经网络结合遗传算法的优化计算是在现有材料基础上对混凝土强度及弹性模量的预测,其结果存在偏差是正常的。

对于个别数据偏差较大可能的情况有:

(1) 数据采集时,记录有偏差。

(2) 数据采集时,环境条件(如温度、湿度)有偏差。

(3) 打回弹时,回弹仪与打回弹的面没有保持垂直。

(4) 做压裂试验时,试件受压面没有打磨平整,导致受力不均。

(5) 神经网络自身的缺陷导致。

3 结 论

神经网络结合遗传算法程序对于混凝土强度和弹性模量的预测,其测试结果与实际值之间误差较小,且在合理范围之内。试验证明该种方法是可以对混凝土的强度和弹性模量进行程序预测的。这种方法可以建立混凝土三种测强方法之间的关系,这不仅可以减少工作量,降低试验成本,而且可以有效地避免因天气、温度、路况等因素导致试验无法进行以致延误工期而造成的工程损耗。