基于神经网络的泡沫混凝土性能预测

发布时间：2017-09-14 09:45

  本文关键词：基于神经网络的泡沫混凝土性能预测

  更多相关文章： 泡沫混凝土 神经网络 抗压强度 导热系数 Levy模型 预测

【摘要】：泡沫混凝土的导热系数和抗压强度一直是工程应用中的两个重要指标,两者存在耦合关系。目前对于泡沫混凝土的性能预测,主要通过于数学模型或有限元模型的孔结构来进行研究,已经取得了诸多有价值的成果,但仍没有一套成熟公认的预测体系。本文尝试将神经网络原理运用在泡沫混凝土的性能预测上,利用神经网络良好的泛化能力,通过输入配合比主要参数,得到泡沫混凝土的强度及导热性能预测结果。研究内容主要有以下几个方面:1.介绍了泡沫混凝土、神经网络、孔结构与导热性能、孔结构与抗压强度等内容。并引入了几种常见的复合材料导热系数模型。2.本文引入归一化函数对实验数据进行预处理,利用Matlab分别对标准梯度下降算法、自适应学习速率算法、Levenberg-Marquardt训练算法进行编程建模,对三种不同算法分别进行五次网络训练,比较了三者在训练用时、拟合精度上的性能优劣。通过比较三者所用时间的平均值和拟合精度的平均值,发现Levenberg-Marquardt训练算法具有较短的训练时间和较高的精度,故本文选取Levenberg-Marquardt算法作为BP神经网络模型的训练算法。最终结果显示在数据量和隐含层神经元数目均较小的情况下,Levenberg-Marquardt训练算法的误差不大于30%,并且网络模型在训练时的收敛速度较快,其平均耗时小于0.01秒。3.本文利用Matlab神经网络工具箱建立了预测泡沫混凝土导热系数和抗压强度的BP神经网络模型,并选取Levenberg-Marquardt算法作为网络的训练算法。本文将实验数据分为训练组和对照组,神经网络通过训练组的数据进行非线性拟合,当拟合结果满足误差精度时模型训练完毕。多次训练后选择拟合较好的一组模型,将训练完成的神经网络模型的预测结果与对照组进行比较,即可验证模型预测精度。结果表明,BP神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%。4.本文对传统Levy模型提出了一种新的可能假设,将不加发泡剂的混凝土基体(含气孔结构),视为一种均质基体(不含气孔结构),提出公式v=v2-v1,v为发泡剂产生的孔隙率,v2为当前实测孔隙率,v1为混凝土未加发泡剂时的固有孔隙率。依据此种假设,运用Levy模型进行导热系数预测的结果,优于传统的Levy模型。同时对预测结果进行分析,并与BP神经网络模型的预测结果进行比较。结果显示,Levy模型随着孔隙率增大而预测精度下降,BP神经网络模型对同一数据的预测误差是Levy模型的58.4%。
【关键词】：泡沫混凝土 神经网络 抗压强度 导热系数 Levy模型 预测
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU528.2;TP183
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-17
• 1.1 泡沫混凝土概况9-11
• 1.1.1 泡沫混凝土的定义和制备方式9
• 1.1.2 泡沫混凝土的特性9-11
• 1.2 泡沫混凝土结构形成机理11
• 1.3 国内外研究进展11-16
• 1.3.1 国外泡沫混凝土的发展历史11-13
• 1.3.2 国内泡沫混凝土的发展历史13-15
• 1.3.3 神经网络对混凝土性能预测研究进展15-16
• 1.4 本文研究的主要内容16-17
• 第二章 泡沫混凝土强度及导热性能分析17-22
• 2.1 物质导热机理17-18
• 2.1.1 热传导17
• 2.1.2 热对流17
• 2.1.3 热辐射17-18
• 2.2 泡沫混凝土气孔结构研究18-20
• 2.2.1 泡沫混凝土气孔结构和导热系数的关系18
• 2.2.2 泡沫混凝土气孔结构和抗压强度的关系18-20
• 2.3 泡沫混凝土导热系数模型20-21
• 2.3.1 并联和串联模型20
• 2.3.2 Maxwell-Eucken模型20-21
• 2.3.3 Levy模型21
• 2.4 本章小结21-22
• 第三章 神经网络原理22-26
• 3.1 BP神经网络概述22-23
• 3.2 单一神经元模型23-24
• 3.3 BP神经网络程序流程24-25
• 3.4 本章小结25-26
• 第四章 神经网络预测模型26-37
• 4.1 实验数据分析26-27
• 4.2 数据预处理27-28
• 4.3 程序代码简述28-30
• 4.4 标准梯度下降训练网络30-31
• 4.5 自适应学习速率训练网络31-32
• 4.6 Levenberg-Marquardt训练网络32-33
• 4.7 训练结果分析33-36
• 4.7.1 网络预测结果分析35-36
• 4.8 本章小结36-37
• 第五章 Levy预测模型37-48
• 5.1 Levy模型基本假设37
• 5.2 实验数据分析37-38
• 5.3 Levy模型预测38-39
• 5.4 Levy修正模型预测39-42
• 5.4.1 均匀性假设的提出39-40
• 5.4.2 基于均匀性假设的Levy模型预测40-42
• 5.5 神经网络训练结果与Levy模型比较42-46
• 5.5.1 修正Levy模型预测42-45
• 5.5.2 修正Levy模型与神经网络预测结果比较45-46
• 5.6 本章小结46-48
• 主要结论与展望48-50
• 参考文献50-55
• 攻读硕士学位期间发表的学术论文55-56
• 致谢56

【参考文献】

中国期刊全文数据库 前10条

1 张萌;田清波;徐丽娜;孔德钰;代金山;郭怀泉;;发泡水泥的研究现状及展望[J];硅酸盐通报;2014年10期

2 陈伟;倪文;黄迪;李倩;吴志豪;;矿渣-钢渣发泡混凝土的制备及反应机理[J];土木建筑与环境工程;2014年04期

3 朱明;王方刚;张旭龙;王发洲;;泡沫混凝土孔结构与导热性能的关系研究[J];武汉理工大学学报;2013年03期

4 闫振甲;;泡沫混凝土发展状况与发展趋势[J];墙材革新与建筑节能;2011年06期

5 皮文山;周红标;胡金平;;基于BP神经网络混凝土抗压强度预测[J];低温建筑技术;2011年04期

6 尤杰;车轶;仲伟秋;;基于BP神经网络的既有建筑混凝土强度预测[J];建筑科学与工程学报;2011年01期

7 彭军芝;彭小芹;;加气混凝土的结构与性能研究进展[J];材料导报;2011年01期

8 李翔宇;赵霄龙;郭向勇;曹力强;;泡沫混凝土导热系数模型研究[J];建筑科学;2010年09期

9 李福畴;;泡沫混凝土的生产应用现状[J];广东化工;2010年05期

10 周顺鄂;卢忠远;严云;;泡沫混凝土导热系数模型研究[J];材料导报;2009年06期

，

本文编号：849324