一种基于神经网络的高性能混凝土强度预测方法

摘要

本发明公开了一种基于神经网络的高性能混凝土强度预测方法，包括以下步骤：S1、收集样本数据，输入N组样本数据原始输入量和原始输出量；S2、设定期望响应，并对样本数据进行预处理；S3、基于初始化的输入向量和输出向量，采用APSO算法应用于RBF神经网络参数优化，构建APSO‑RBF复合神经网络函数模型；S4、网络的训练，根据设定参数调用train函数对RBF神经网络进行训练；S5、调用sim函数对RBF神经网络进行仿测试，若测试结果和期望响应结果相差过大，则需要重新选择样本数据和调整网络结果和各项参数；S6、随机给定真实输入向量，由训练好的网络函数模型对其进行预测，得出高性能混凝土的强度预测值。

说明书

技术领域

本发明涉及混凝土检测技术领域，特别是一种基于神经网络的高性能混凝土强度预测方法。

背景技术

近些年来，随着土木行业的发展混凝土自身的强度问题，越来越受到国内外的广泛关注。高性能混凝土所具有的提高经济效益和改善生态的特点，使其在我国可持续发展战略中有很大优势。大量工程实践证明控制好混凝土的质量，对建筑结构的安全性和耐久性极为重要，因此为了能满足工程中对混凝土质量的要求，迫切需要对高性能混凝土的强度预测。

中国发明专利《一种基于混合模型的混凝土强度预测方法》(201510372029.7)基于三种建模方法的优缺点扬长避短，但是在应用中却因为没有将纤维因素考虑在内，无法满足高性能混凝土强度预测。中国发明专利《一种混凝土强度的预测方法》(201410254050.2)其利用非线性支持向量回归法和神经网络法获得数据模型。使用支持向量机或反向传播学习算法(BP神经网络)，无法处理大量数据，容易出现收敛速度慢，进而导致预测效率低。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于神经网络的高性能混凝土强度预测方法。

为解决上述问题，本发明采用如下的技术方案。

一种基于神经网络的高性能混凝土强度预测方法，包括以下步骤：

S1、收集样本数据，输入N组样本数据原始输入量和原始输出量；

S2、设定期望响应，并对样本数据进行预处理；

S3、基于初始化的输入向量和输出向量，采用APSO算法应用于RBF神经网络参数优化，构建APSO-RBF复合神经网络函数模型；

S4、网络的训练，根据设定参数调用train函数对RBF神经网络进行训练；

S5、调用sim函数对RBF神经网络进行仿测试，若测试结果和期望响应结果相差过大，则需要重新选择样本数据和调整网络结果和各项参数；

S6、随机给定真实输入向量，由训练好的网络函数模型对其进行预测，得出高性能混凝土的强度预测值。

作为本发明的进一步改进，所述步骤S2中对样本数据进行预处理，其具体公式如下：

式中：x

作为本发明的进一步改进，所述步骤S3中的APSO-RBF复合神经网络函数模型具体为：

RBF神经网络中，参数分布在隐含层和输出层，隐含层第k个神经元的输出为：

网络输出为：

其中，神经网络参数中心值μk、宽度σk及连接权值w

其中，K为隐含层神经元数，粒子空间维数为：

D＝(2+n)K，

其中n为输入变量数。

作为本发明的进一步改进，利用APSO算法的强大搜索能力最小化网络误差函数，达到预测效果，样本实际输出与网络输出之间的相对误差函数(RMSE)作为适应度函数。适应度函数公式如下：

本发明的有益效果

相比于现有技术，本发明的优点在于：

相比与现有技术，本发明通过大量高性能混凝土配合比参数，用APSO算法应用于RBF神经网络参数优化，可以更有效的对参数进行处理。对比单纯的RBF神经网络，有更好的预测精度。采用本发明提出的基于神经网络对高性能混凝强度预测方法能更高效、更准确得出强度预测值。本发明可以有效的节约人力、物力、时间成本，指导高性能混凝土的生产。

附图说明

图1是本发明的方法流程示意图；

图2是本发明神经网络示意图。

图3是本发明神经网络空间结构更新过程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1至图3，一种基于神经网络的高性能混凝土强度预测方法，包括以下步骤：

S1、收集样本数据，输入N组样本数据原始输入量和原始输出量；

S2、设定期望响应，并对样本数据进行预处理；

S3、基于初始化的输入向量和输出向量，采用APSO算法应用于RBF神经网络参数优化，构建APSO-RBF复合神经网络函数模型；

S4、网络的训练，根据设定参数调用train函数对RBF神经网络进行训练；

S5、调用sim函数对RBF神经网络进行仿测试，若测试结果和期望响应结果相差过大，则需要重新选择样本数据和调整网络结果和各项参数；

S6、随机给定真实输入向量，由训练好的网络函数模型对其进行预测，得出高性能混凝土的强度预测值。

进一步的，所述APOS-RBF神经网络组合预测的原理是：将参加组合的各个单项预测结果作为输入，将对应的实际值作为输出构建RBF神经网络。利用APOS优化算法优化RBF神经网络，并通过训练该网络，并使参加组合的各单项的结果的预测值和实际值之间形成非线性关系，训练好后的神经网络即可作为有效的组合预测。

进一步的，所述输入向量为多组水泥x1、水胶比x2、粗骨料x3、细骨料x4、减水剂x5、硅灰x6、粉煤灰x7、钢纤维x8、养护龄期X9，所述输出向量为性能混凝土强度y。

进一步的，所述步骤S2中对样本数据进行预处理，其具体公式如下：

式中：x

进一步的，所述步骤S3中的APSO-RBF复合神经网络函数模型具体为：

RBF神经网络中，参数分布在隐含层和输出层，隐含层第k个神经元的输出为：

其中，神经网络参数中心值μk、宽度σk及连接权值w

其中，K为隐含层神经元数，粒子空间维数为：

D＝(2+n)K，

其中n为输入变量数。APSO-RBF神经网络空间结构如图3所示

为了利用APSO算法的强大搜索能力最小化网络误差函数，达到预测效果，样本实际输出与网络输出之间的相对误差函数(RMSE)作为适应度函数。适应度函数公式如下：

其中，y

训练后满足预测精度条件的APSO-RBF神经网络即为基于神经网络对高性能混凝强度预测方法，之后随机给定真实输入向量，通过适应度函数来验证本发明提出方法的预测精度。

由于篇幅有限本实施例以10组数据作为预测精度的比较和验证。输入向量越多、精度越高。

表1

根据表1的10组数据，通过本发明的预测模型，得到表2的预测精度，根据表2所示，本试验的预测值和实际值得均方误差均在相对误差在1.6以下。足以证明该发明的预测误差小，预测精度高。

表2

以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。