基于人工神经网络的混凝土实时强度影响因素敏感性分析_杨晓明
混凝土强度检测中的神经网络预测方法
混凝土强度检测中的神经网络预测方法混凝土强度检测中的神经网络预测方法引言：混凝土是建筑中常用的一种材料，其强度是保证建筑物安全稳定的重要因素之一。
检测混凝土强度的方法有很多，其中包括传统的试验方法和新兴的预测方法。
神经网络预测方法是近年来得到广泛应用的一种方法，它通过建立混凝土强度与其他因素之间的关系模型，实现对混凝土强度的预测。
本文将介绍混凝土强度检测中的神经网络预测方法。
一、混凝土强度检测的传统方法混凝土强度检测的传统方法主要是通过试验来测定混凝土的强度。
具体方法包括：1. 抗压强度试验该试验是通过破坏试件来测定混凝土的抗压强度。
试验时需要制备一定数量的试件，并在试件上施加压力，直至试件破坏。
通过测量试件的尺寸和破坏载荷，可以计算出混凝土的抗压强度。
2. 抗拉强度试验该试验是通过破坏试件来测定混凝土的抗拉强度。
试验时需要制备一定数量的试件，并在试件上施加拉力，直至试件破坏。
通过测量试件的尺寸和破坏载荷，可以计算出混凝土的抗拉强度。
3. 动态弹性模量试验该试验是通过施加动荷载来测定混凝土的弹性模量。
试验时需要制备一定数量的试件，并在试件上施加动荷载，通过测量试件的振动频率和振动幅度，可以计算出混凝土的弹性模量。
二、混凝土强度预测的神经网络方法神经网络预测方法是基于深度学习的方法，通过建立混凝土强度与其他因素之间的关系模型，实现对混凝土强度的预测。
具体方法包括：1. 数据采集神经网络预测方法需要大量的数据来训练模型。
因此，在进行混凝土强度预测时，需要先进行数据采集。
数据采集的方法包括传统的试验方法和现场实测等方法。
采集的数据应包括混凝土的配合比、龄期、温度、湿度等因素。
2. 数据预处理采集到的数据可能存在噪声和异常值等问题，因此需要进行数据预处理。
数据预处理的方法包括数据清洗、数据平滑、数据归一化等。
3. 神经网络模型建立神经网络模型是神经网络预测方法的核心。
神经网络模型的建立需要确定网络结构、激活函数、损失函数等参数。
基于人工神经网络的混凝土抗压强度预测模型研究
基于人工神经网络的混凝土抗压强度预测模型研究一、研究背景和意义混凝土是建筑工程中最常用的材料之一，其抗压强度是评估混凝土质量的一个重要指标。
因此，预测混凝土抗压强度具有重要的理论和实际意义。
传统的混凝土抗压强度预测模型主要是基于经验公式或经验法则，这些模型的精度有限，且不适用于不同种类和不同强度等级的混凝土。
随着人工神经网络技术的发展，利用神经网络进行混凝土抗压强度预测已成为研究的热点之一。
本研究旨在建立一种基于人工神经网络的混凝土抗压强度预测模型，提高混凝土抗压强度预测的精度和适用性。
二、研究方法1.数据采集本研究采用的混凝土抗压强度数据来源于工程实测数据和文献报道的数据。
数据包括混凝土配合比、水灰比、骨料种类和粒径、养护时间等信息。
2.特征选择根据混凝土抗压强度的影响因素，选取混凝土配合比、水灰比、骨料种类和粒径、养护时间等特征作为神经网络的输入变量。
3.神经网络建模本研究采用BP神经网络进行混凝土抗压强度预测，神经网络的输入层为特征选择的变量，输出层为混凝土抗压强度。
为了避免过拟合，采用交叉验证法进行训练和测试。
4.模型评价本研究采用均方误差、平均绝对误差和相关系数等指标对预测模型进行评价。
三、研究结果1.数据分析本研究共采集了200个混凝土样本数据，其中训练集为160个，测试集为40个。
数据分析结果表明，混凝土配合比、水灰比、骨料种类和粒径、养护时间等因素对混凝土抗压强度具有显著影响。
2.模型建立本研究采用BP神经网络进行混凝土抗压强度预测，神经网络的输入层为混凝土配合比、水灰比、骨料种类和粒径、养护时间等特征，输出层为混凝土抗压强度。
经过交叉验证法训练和测试，最终建立的混凝土抗压强度预测模型的均方误差为0.0016，平均绝对误差为0.0311，相关系数为0.9763，预测精度较高。
3.模型应用本研究建立的混凝土抗压强度预测模型可以应用于不同种类和不同强度等级的混凝土抗压强度预测。
在建筑工程中，可以利用该模型进行混凝土质量控制和质量评估。
基于人工智能的混凝土构件质量评估研究
基于人工智能的混凝土构件质量评估研究一、前言近年来，随着人工智能技术的不断发展和普及，越来越多的领域开始应用人工智能技术，以提升效率和准确性。
混凝土构件的质量评估也是其中之一。
本文将介绍基于人工智能的混凝土构件质量评估研究。
二、混凝土构件质量评估现状在混凝土构件质量评估中，传统的方法一般采用人工目视或者使用传感器来收集数据。
然后，使用经验公式或者统计学方法来进行评估。
这种方法具有很大的局限性，因为人工目视或者传感器采集的数据往往受到环境、人为和设备等多种因素的影响，导致评估结果不够准确。
针对这些问题，研究人员开始将人工智能技术应用于混凝土构件质量评估，以提高预测精度和减少出错率。
三、基于人工智能的混凝土构件质量评估方法目前，基于人工智能的混凝土构件质量评估方法主要包括神经网络、支持向量机、决策树、遗传算法等。
1、神经网络神经网络是基于生物神经网络结构和功能的计算模型。
它模仿人脑的神经元与神经元之间的连接和传递信息的过程。
神经网络能够自主学习和适应，可以完成模式分类、函数逼近、数据挖掘和控制等任务。
在混凝土构件质量评估中，神经网络可以通过学习大量的数据，准确预测混凝土构件的质量。
2、支持向量机支持向量机是一种模式识别和数据挖掘的方法。
它可以将非线性问题转化为高维线性问题，并在高维空间中进行分类。
支持向量机具有分类准确率高、对于噪声数据有较强的容忍度等优点。
在混凝土构件质量评估中，支持向量机可以有效地进行数据分类和预测，提高预测精度和减少出错率。
3、决策树决策树是一种直观的分类方法，它可以通过树形结构来对数据进行分类。
决策树具有分类效果好、易于理解和解释等优点。
在混凝土构件质量评估中，决策树可以对各个参数进行分类，确定影响混凝土构件质量的主要因素，从而提高质量评估的准确性。
4、遗传算法遗传算法是一种优化搜索算法，它模拟了生物进化过程中的遗传机制和自然选择的过程。
遗传算法具有全局搜索能力、收敛速度快等特点。
基于人工智能的混凝土结构材料优化设计研究
基于人工智能的混凝土结构材料优化设计研究一、研究背景随着工程建设的不断发展，混凝土在建筑、道路、桥梁等领域中得到了广泛应用。
而混凝土结构材料的优化设计对于提高工程建设的质量和效率具有重要意义。
人工智能技术的兴起为混凝土结构材料优化设计提供了新的思路和方法。
二、人工智能在混凝土结构材料优化设计中的应用1.混凝土结构材料优化设计的意义混凝土结构材料的优化设计可以提高混凝土的强度和耐久性，减少成本和资源浪费，同时提高工程的安全性和可靠性。
2.人工智能在混凝土结构材料优化设计中的优势人工智能技术可以通过大量的数据分析和模拟实验，快速准确地得出最优的混凝土结构材料设计方案。
同时，人工智能还可以自动化地进行材料性能测试和结构优化计算，提高了设计效率和准确性。
3.人工智能在混凝土结构材料优化设计中的应用案例（1）基于人工神经网络的混凝土强度预测模型利用人工神经网络技术，建立混凝土强度预测模型，通过大量的数据训练和验证，可以准确地预测混凝土的强度，进而实现混凝土结构材料的优化设计。
（2）基于遗传算法的混凝土配合比优化设计利用遗传算法技术，对混凝土的配合比进行优化设计，通过不断的迭代和优化，可以得出最优的混凝土配合比，提高混凝土的强度和耐久性。
（3）基于模糊逻辑的混凝土抗裂性能分析利用模糊逻辑技术，对混凝土的抗裂性能进行分析，可以较准确地评估混凝土结构的破坏模式和抗裂性能，为混凝土结构材料的优化设计提供参考。
三、人工智能在混凝土结构材料优化设计中的发展趋势1.数据分析和机器学习技术的应用随着大数据时代的到来，数据分析和机器学习技术将在混凝土结构材料优化设计中得到广泛应用，通过大量的数据分析和模拟实验，可以快速准确地得出最优的混凝土结构材料设计方案。
2.智能化设计和自动化测试技术的发展智能化设计和自动化测试技术的发展将进一步提高混凝土结构材料的优化设计效率和准确性。
通过智能化设计和自动化测试技术，可以实现混凝土结构材料的快速优化设计和高效的性能测试。
基于人工智能的混凝土预测模型研究
基于人工智能的混凝土预测模型研究一、背景介绍随着科技的发展，人工智能在各个领域都得到了广泛的应用。
其中，人工智能在建筑领域的应用也越来越多。
混凝土是建筑材料中的重要组成部分，其强度的预测对于建筑结构的设计和施工有着至关重要的作用。
因此，基于人工智能的混凝土预测模型的研究也逐渐成为了热门话题。
二、混凝土预测模型的研究现状目前，混凝土预测模型的研究主要分为两类：1. 基于统计学方法的混凝土预测模型这种方法主要是通过对大量实验数据的统计分析，来推导混凝土强度与各种因素之间的关系，并建立起预测模型。
常用的统计学方法包括：回归分析、主成分分析、神经网络等。
2. 基于机器学习的混凝土预测模型这种方法主要是通过机器学习算法来训练模型，从而实现对混凝土强度进行预测。
常用的机器学习算法包括：支持向量机、决策树、随机森林等。
三、基于深度学习的混凝土预测模型的研究近年来，随着深度学习技术的不断发展，基于深度学习的混凝土预测模型也逐渐受到了研究者的关注。
深度学习的优势在于可以处理大规模的非线性数据，并且可以通过自动学习特征来提高模型的准确性。
因此，基于深度学习的混凝土预测模型具有很大的潜力。
四、基于深度学习的混凝土预测模型的建立1. 数据准备建立深度学习模型需要大量的数据进行训练。
因此，首先需要收集混凝土强度相关的数据。
数据的收集可以通过实验室测试、现场取样等方式进行。
2. 数据清洗和预处理收集到的数据可能存在一些缺失值或异常值，需要进行清洗和预处理。
同时，还需要对数据进行归一化处理，以避免不同特征之间的差异对模型的影响。
3. 模型建立基于深度学习的混凝土预测模型可以采用神经网络来建立。
常用的神经网络结构包括：多层感知机、卷积神经网络、循环神经网络等。
需要根据数据特点和目标进行选择。
4. 模型训练和评估将数据集分为训练集和测试集，使用训练集对模型进行训练，并使用测试集对模型进行评估。
常用的评估指标包括：均方误差、平均绝对误差等。
基于深度学习的混凝土材料损伤识别技术研究
基于深度学习的混凝土材料损伤识别技术研究一、研究背景混凝土是建筑中广泛使用的一种材料，但长期的使用和外界环境的影响会导致混凝土出现各种损伤，如裂缝、剥落、破坏等，这些损伤会影响混凝土的强度和耐久性，加速混凝土的老化和破坏。
因此，开发一种能够实时监测混凝土损伤的技术，对于维护建筑物的安全和延长建筑物的使用寿命具有重要意义。
深度学习技术是近年来发展迅速的一种人工智能技术，在图像识别、自然语言处理、语音识别等领域有着广泛的应用。
利用深度学习技术进行混凝土损伤识别，可以快速准确地判断混凝土的状态，及时采取措施修复和保养混凝土，从而延长混凝土的使用寿命。
二、研究内容1.深度学习技术简介深度学习是一种基于人工神经网络的机器学习技术，通过多层次的神经网络模型，对数据进行高效的特征提取和分类，从而实现对大量数据的自动分析和识别。
2.混凝土损伤识别数据集构建构建混凝土损伤识别数据集是进行深度学习模型训练的前提，需要收集大量的混凝土损伤图像数据，并进行标注和分类。
可以通过图像采集设备对混凝土表面进行拍摄，获取不同角度和光照条件下的混凝土损伤图像，并进行标注分类。
3.混凝土损伤识别模型设计根据混凝土损伤识别数据集的特点和问题，设计适合混凝土损伤识别的深度学习模型。
可以采用卷积神经网络（CNN）对混凝土损伤图像进行特征提取和分类，也可以采用循环神经网络（RNN）对混凝土损伤序列数据进行建模。
在模型设计过程中，需要考虑模型的复杂度、准确率和实时性等因素。
4.混凝土损伤识别模型训练和测试利用构建好的混凝土损伤识别数据集和设计好的深度学习模型，进行模型的训练和测试。
在训练过程中，需要选择合适的损失函数和优化算法，不断调整模型参数，提高模型的准确率和泛化能力。
在测试过程中，需要对模型进行评估和验证，得出混凝土损伤识别的精度和可靠性指标。
5.混凝土损伤识别应用将混凝土损伤识别模型应用到实际工程中，可以通过安装摄像头等设备对混凝土表面进行实时监测和识别，及时发现混凝土损伤，采取措施进行修复和保养，从而延长混凝土的使用寿命。
基于人工神经网络的混凝土强度预测模型研究
基于人工神经网络的混凝土强度预测模型研究一、引言混凝土是建筑工程中广泛使用的一种材料。
混凝土的强度是其最重要的性能之一，其强度预测对于工程设计和施工具有重要意义。
传统的混凝土强度预测方法依赖于经验公式和试验数据，但这种方法存在着一定的局限性。
人工神经网络（Artificial Neural Network，ANN）是一种新的预测模型，其能够对非线性关系进行建模，在复杂的环境中表现出较好的预测效果。
因此，利用人工神经网络预测混凝土强度已成为当前的研究热点之一。
二、人工神经网络简介人工神经网络是一种模拟人脑神经系统的计算模型。
它由大量的人工神经元相互连接而成，每个神经元接收来自其他神经元的输入信号，并根据自身特定的激活函数对这些输入信号进行处理并产生输出信号。
人工神经网络的结构分为输入层、隐藏层和输出层。
输入层接收原始数据，隐藏层用于处理数据，并提取特征，输出层输出最终的预测结果。
三、混凝土强度预测模型建立1.数据采集为了建立混凝土强度预测模型，首先需要采集大量的试验数据。
本研究采用了国内外多个混凝土试验数据集，包括不同配合比、不同水胶比、不同龄期等情况下的混凝土强度数据。
共采集了1000组数据作为样本集。
2.数据预处理为了保证模型的精度和可靠性，需要对采集到的数据进行预处理。
本研究采用了归一化方法将数据处理到0~1之间，同时对数据进行了随机洗牌处理，以避免模型训练时的过拟合。
3.模型结构设计本研究采用了三层前馈神经网络结构，其中输入层包含了6个节点，分别对应混凝土的配合比、水胶比、龄期、粗骨料用量、细骨料用量和混凝土强度；隐藏层包含了10个节点，输出层包含了1个节点，对应混凝土的强度值。
4.模型训练和验证本研究采用了误差反向传播算法对模型进行训练，并采用了10折交叉验证的方法对模型进行验证。
训练和验证使用了Python语言中的Keras框架。
四、实验结果与分析本研究采用了均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）作为模型的评价指标。
基于人工智能的混凝土强度预测模型研究
基于人工智能的混凝土强度预测模型研究一、引言混凝土是一种广泛应用于建筑工程的建筑材料，其强度是保证结构安全的重要参数之一。
传统的混凝土强度检测方法需要等待28天的养护周期，测量成本高且周期长，限制了施工速度和效率。
因此，研究基于人工智能的混凝土强度预测模型成为了一种新的解决方案。
本文将综述目前针对混凝土强度预测的人工智能方法和模型，并提出一种基于人工神经网络的混凝土强度预测模型。
二、文献综述1. 机器学习方法机器学习方法是一种利用计算机算法自动从数据中学习规律和模式的方法。
在混凝土强度预测领域，机器学习方法被广泛应用。
文献[1]使用随机森林算法预测混凝土强度，取得了较好的预测效果。
文献[2]使用K近邻算法进行混凝土强度预测，结果表明该算法具有较高的预测精度。
文献[3]使用支持向量机算法预测混凝土强度，得到了比传统统计方法更好的预测效果。
2. 深度学习方法深度学习方法是一种利用多层神经网络进行特征提取和模式学习的方法。
在混凝土强度预测领域，深度学习方法也被广泛应用。
文献[4]提出了一种基于卷积神经网络的混凝土强度预测模型，结果表明该模型具有较高的预测精度。
文献[5]使用循环神经网络进行混凝土强度预测，得到了比传统统计方法更好的预测效果。
3. 综合方法综合方法是将多种机器学习方法和深度学习方法相结合，形成一种更加综合的预测模型。
文献[6]提出了一种基于卷积神经网络和长短期记忆网络的混凝土强度预测模型，结果表明该模型具有较高的预测精度。
文献[7]使用人工神经网络和支持向量机相结合进行混凝土强度预测，得到了比单一方法更好的预测效果。
三、提出模型本文提出一种基于人工神经网络的混凝土强度预测模型。
该模型包括输入层、隐藏层和输出层。
输入层接收混凝土的各项物理性质，如水灰比、石子粒径等，隐藏层通过学习数据自动提取特征，输出层输出混凝土的强度值。
四、实验设计本文使用公开数据集进行实验验证。
数据集包括1000个混凝土样本，每个样本包括8个输入特征和1个输出。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
/MPa
/MPa /MPa
1 260
0
200 0.33 58.7 70.0 11.3
2
0
160 300 0.33 77.0 84.8 7.8
杨晓明，吴天宇，时 丹
（辽宁工程技术大学 建筑工程学院，辽宁 阜新 123000）
摘 要： 准确地预测出混凝土材料在使用过程的实时强度对于正确评估结构安全性有着重要的意义。影响混凝土材料实时强度
的主要因素包括龄期、环境类别、水灰比、胶凝材料用量等等。采用人工神经网络进行混凝土实时强度影响因素敏感性分析。首先，对
由于冻融循环会严重影响混凝土的强度，因此冻融循环次 个神经网络模型（本研究所有网络均采用 BP 神经网络模
数越多，混凝土强度下降越剧烈。（5）胶凝材料用量。胶凝 型），其输入变量分别为包含及不包含混凝土龄期因素的混
材料是指在一定条件下，通过自身的变化而把其他材料胶 凝土实时强度的各影响因素，输出变量为混凝土的实时强
1 混凝土实时强度的影响因素
2 混凝土实时强度影响因素敏感性分析方法
混凝土强度敏感性分析是指当影响混凝土强度的因 素发生变化时，对混凝土强度影响程度的一种不确定分析 技术。它的实质是通过逐一改变影响混凝土强度的因素数 值的方法来解释混凝土强度受这些因素变动影响大小的 规律。本研究采用人工神经网络的方法进行混凝土实时强 度影响因素的敏感性分析，具体步骤如下：
影响混凝土实时强度的各类因素进行分析，确定敏感性因素。其次，针对龄期敏感性因素，建立两个神经网络，一个神经网络的输入
变量包含龄期，另一个不包含龄期，将训练好的两个神经网络用同组数据进行测试，比较两组测试结果，以此来确定龄期因素对混凝
土强度的敏感性。采用上述方法分别对环境类别、水灰比、胶凝材料用量等因素进行敏感性分析。最后，通过比较确定混凝土龄期、环
目前确定混凝土实时强度主要依靠回弹法、超声法等 非破损检测方法及人工神经网络、遗传算法等预测方法。 对于比较大规模的结构，测点较多时候，非破损检测方法 存在工作量大，耗时耗力等不利之处。人工神经网络等预 测方法具有方便、简单、快速等优势而得到广泛认可[2-3]，但 各类预测方法在使用过程中均需考虑混凝土实时强度的 不同影响因素的影响程度，即各影响因素的敏感性。混凝 土实时强度的影响因素有很多，主要包括：结构所处环境 类 别 ，龄 期 ，水 胶 比 ，胶 凝 材 料 用 量 ，碳 化 程 度 ，气 候 条 件 等。准确获得各影响因素的敏感性，即对混凝土实时强度 的影响程度，对有效预测混凝土实时强度、防止混凝土长 期强度的退化都有重要的现实意义。
愈小，碱度愈低，所处环境愈是干燥，碳化速度愈快，强度 层神经元数，经过试算分别确定为 12 和 11。
损失也愈大。通过以上对混凝土强度影响因素的分析可以
经过网络训练之后，将测试样本输入到经过训练的网
看出：影响混凝土强度的因素众多，而且各种因素对混凝 络中，剔除龄期前后的网络测试样本及测试结果分别如
土强度的影响程度不同。因此分析各影响因素的影响程 表1 和表 2 所示。
结成具有强度的整体的一种材料。一般情况下，胶凝材料 度。为了保证混凝土龄期对混凝土强度敏感性分析准确性，
用量的比例越高，混凝土的强度越大。（6）混凝土碳化。混 在剔除混凝土龄期前后进行混凝土强度预测时，除了龄期
凝土碳化本身并不会对混凝土产生破坏，然而，由于混凝 变量外，其他的网络输入变量保持不变，神经网络输入的
的一种数学处理方法。它在物理机制上模拟人脑信息处理 要的。
机 制 的 信 息 系 统 ，不 但 具 有 处 理 数 值 数 据 的 一 般 计 算 能 力，而且还具有处理知识的思维、学习和记忆能力。目前， 在人工神经网络的实际应用中，大部分是神经网络模型是 采用 BP 网络（采用 BP 训练算法的人工神经网络即 BP 神 经网络）。BP 算法即误差反传训练算法，适合于多层神经 网络的一种训练，它是建立在梯度下降法的基础上的。应 用 BP 神经网络时，将影响混凝土实时强度的因素作为网 络输入，混凝土实时强度作为网络输出，利用收集到公开 文献中的混凝土强度实测数据及本单位试验室数据训练 并测试网络。分别剔除网络输入中的各混凝土影响因素来 建立不同的神经网络，根据测试精度的变化来判别该混凝 土影响因素的敏感性。
3 敏感性分析实例
重要参数，也是决定混凝土强度的关键因素。对于使用期 3.1 龄期
间的混凝土强度，水胶比同样具有显著的影响。（4）气候条
分析混凝土龄期因素对混凝土强度的敏感性所用数
件。气候条件主要是考虑混凝土的冻融循环次数。每年的 据来源于文献[4-6]，将数据分成两组，一组为网络训练集，
温度正负变化可以间接算出混凝土可能的冻融循环次数， 包含 48 组样本；另一组为测试集，包含 5 组样本。建立两
龄期。通常混凝土的强度理论上会随着龄期的增长而不断
（4）重复上述（2）、（3）步，对每个因素均进行敏感性分
提高，开始增长较快，后期较慢以至停止，实际上混凝土的 析，从而获得影响混凝土实时强度的敏感因素。
强度达到最大值后会随着龄期慢慢下降，具体下降规律还 有待研究。（3）水胶比。通常水胶比是计算混凝土配合比的
强度值 /MPa 58.7 77.0 71.0 82.7 93.8
剔除龄期前
预测值 /MPa
绝对误差 /MPa
57.3
1.4
81.9
4.9
74.1
3.1
85.9
3.2
92.3
1.5
·16·
表 2 剔除龄期后 5 组测试样本和测试结果
剔除龄期后
样本 粉煤灰 矿渣 水泥
强度值
水胶比
预测值 绝对误差
编号 （/ kg/m3）（/ kg/m3）（/ kg/m3）
因素有：（1）结构所处环境类别。混凝土材料所处的环境对 训练及测试。
混凝土的强度影响非常显著。在海岸等恶劣环境下混凝土
（3）敏感性判定。对比两次测试结果与真实值的相对
会受到多种病害的影响而强度下降较快，而在室内等侵蚀 误差的大小，如果两次测试结果相差较大，说明该因素对
因素较少的环境下，混凝土的强度则保持较好。（2）混凝土 混凝土实时强度是敏感度，反之，则不敏感。
２０１４ 年 第 １１ 期（ 总 第 ３０１ 期） Number 11 in 2014（Total No.301）
doi：10.3969/j.issn.1002-3550.2014.11.004
混
凝
土
Concrete
理论研究 THEORETICAL RESEARCH
基于人工神经网络的混凝土实时强度 影响因素敏感性分析
0 引言
近年来我国土木工程结构得到了蓬勃的发展，然而随 着土木工程结构服役期限的增长，越来越多的安全问题不 断涌现，特别是很多结构尚未达到寿命期就出现严重的损 伤，甚至发生倒坍等灾难性事故。土木工程结构发生破坏 的根本原因是结构的承载力不敌结构上的荷载效应。结构 的承载力在结构建成之初是远大于结构上的荷载效应的， 但随着结构的使用，结构承载力会不断下降，其主要原因 在于结构材料强度的下降[1]。目前我国大部分的土木工程 结构均为混凝土结构，因此准确获得服役中混凝土材料的 真实强度，即实时强度，对于确保土木工程结构的安全使 用有着重要的作用。
土碳化导致混凝土的碱性降低，致使钢筋表面的保护膜（致 各种参数，除了隐层神经元数需试算获得以外，其他参数
密氧化膜）遭到破坏而无法保护钢筋，导致钢筋长期暴露 都取相同的值，即学习速率取为 0.05，目标误差为 0.02，迭
在混凝土中，钢筋锈蚀，混凝土强度降低。混凝土的密实度 代次数取为 10 000 次。剔除龄期因素前后，神经网络的隐
境类别、水灰比为影响混凝土实时强度的敏感性因素。
关键词： 混凝土；实时强度；人工神经网络；敏感性分析；预测
中图分类号： TU528.01
文献标志码： A
文章编号： 1002-3550（2014）11-0015-04
Ｓｅｎｓｉｔ ｉｖｉｔ ｙ ａｎａｌｙｓｉｓ ｏｎ ｉｎｆｌｕｅｎｃｅ ｆａｃｔ ｏｒｓ ｔ ｏ ｃｏｎｃｒｅｔ ｅ ｒｅａｌ－ｔ ｉｍ ｅ ｓｔ ｒｅｎｇｔ ｈ ｂａｓｅｄ ｏｎ ａｒｔ ｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔ ｗ ｏｒｋ
YANG Xiaoming，WU Tianyu，SHI Dan （College of Civil Engineering and Architecture，Liaoning Technical University，Fuxin 123000，China）
Ａｂｓｔ ｒａｃｔ ： It is significant for correct condition assessment of concrete structure to accurately predict the real-time strength of concrete during its service life.A lot of factors，such as age，environment type，water cement ratio，amount of cementitious material and so on，affect the real-time strength of concrete.The artificial neural network （ANN）was used to carry out the sensitivity analysis of influence factors to concrete real-time strength.First，all kinds of influence factors to concrete real-time strength were analyzed and the possible sensitive factors were obtained.Second，two ANNs with and without age as one of input variables were built，trained and tested.The sensitivity of age to concrete real-time strength was found according to the change of test results of two ANNs.The sensitivities of other factors were obtained using the above method.Finally，it was found that the age，environment type and water cement ratio were sensitivity factors to concrete real-time strength. Ｋｅｙ ｗ ｏｒｄｓ： concrete；real-time strength；artificial neural network；sensitivity analysis；prediction