基于神經(jīng)網(wǎng)絡(luò)的泡沫混凝土性能預(yù)測.pdf

1、泡沫混凝土的導(dǎo)熱系數(shù)和抗壓強度一直是工程應(yīng)用中的兩個重要指標，兩者存在耦合關(guān)系。目前對于泡沫混凝土的性能預(yù)測，主要通過于數(shù)學模型或有限元模型的孔結(jié)構(gòu)來進行研究，已經(jīng)取得了諸多有價值的成果，但仍沒有一套成熟公認的預(yù)測體系。本文嘗試將神經(jīng)網(wǎng)絡(luò)原理運用在泡沫混凝土的性能預(yù)測上，利用神經(jīng)網(wǎng)絡(luò)良好的泛化能力，通過輸入配合比主要參數(shù)，得到泡沫混凝土的強度及導(dǎo)熱性能預(yù)測結(jié)果。研究內(nèi)容主要有以下幾個方面：
　　1.介紹了泡沫混凝土、神經(jīng)網(wǎng)絡(luò)、孔結(jié)

2、構(gòu)與導(dǎo)熱性能、孔結(jié)構(gòu)與抗壓強度等內(nèi)容。并引入了幾種常見的復(fù)合材料導(dǎo)熱系數(shù)模型。
　　2.本文引入歸一化函數(shù)對實驗數(shù)據(jù)進行預(yù)處理，利用Matlab分別對標準梯度下降算法、自適應(yīng)學習速率算法、Levenberg-Marquardt訓練算法進行編程建模，對三種不同算法分別進行五次網(wǎng)絡(luò)訓練，比較了三者在訓練用時、擬合精度上的性能優(yōu)劣。通過比較三者所用時間的平均值和擬合精度的平均值，發(fā)現(xiàn)Levenberg-Marquardt訓練算法具有較短

3、的訓練時間和較高的精度，故本文選取Levenberg-Marquardt算法作為BP神經(jīng)網(wǎng)絡(luò)模型的訓練算法。最終結(jié)果顯示在數(shù)據(jù)量和隱含層神經(jīng)元數(shù)目均較小的情況下，Levenberg-Marquardt訓練算法的誤差不大于30％，并且網(wǎng)絡(luò)模型在訓練時的收斂速度較快，其平均耗時小于0.01秒。
　　3.本文利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱建立了預(yù)測泡沫混凝土導(dǎo)熱系數(shù)和抗壓強度的BP神經(jīng)網(wǎng)絡(luò)模型，并選取Levenberg-Marquard

4、t算法作為網(wǎng)絡(luò)的訓練算法。本文將實驗數(shù)據(jù)分為訓練組和對照組，神經(jīng)網(wǎng)絡(luò)通過訓練組的數(shù)據(jù)進行非線性擬合，當擬合結(jié)果滿足誤差精度時模型訓練完畢。多次訓練后選擇擬合較好的一組模型，將訓練完成的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果與對照組進行比較，即可驗證模型預(yù)測精度。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型能夠準確擬合實驗數(shù)據(jù)，利用其泛化能力進行預(yù)測的結(jié)果與對照組的誤差小于8%。
　　4.本文對傳統(tǒng)Levy模型提出了一種新的可能假設(shè)，將不加發(fā)泡劑的混凝土基體（含氣孔