《基于人工智能的混凝土配合比优化设计课件》由会员分享，可在线阅读，更多相关《基于人工智能的混凝土配合比优化设计课件（99页珍藏版）》请在金锄头文库上搜索。
1、基于人工智能的混凝土配合比优化设计,授课老师：季韬 （博士、教授、博导） 工作单位：福州大学土木工程学院,主要内容,第一章 引言 第二章 混凝土骨料性能研究 第三章 基于人工神经网络的混凝土配合比设计试验 第四章 基于人工神经网络的混凝土性能预测 和参数分析 第五章 基于遗传算法的混凝土配合比优化设计 第六章 基于最少浆体理论的混凝土配合比 优化试验研究 结论与展望,摘要,利用人工神经网络建立砂石混合体密实度预测模型 ，并与Toufar模型比较。 进行正交试验，分析配合比各参数对混凝土性能的影响。 利用试验数据建立混凝土性能人工神经网络预测模型。 实现以人工神经网络性能模型为约束条件的遗传算法
2、对混凝土配合比的优化设计，并引入最大密实理论以提高程序运行速率。 基于最少浆体理论对混凝土配合比进行优化试验。,第一章 引言 第二章 混凝土骨料性能研究 第三章 基于人工神经网络的混凝土配合比设计试验 第四章 基于人工神经网络的混凝土性能预测 和参数分析 第五章 基于遗传算法的混凝土配合比优化设计 第六章 基于最少浆体理论的混凝土配合比 优化试验研究 结论,第一章 引言,主要内容： 混凝土的渗透性及抗渗试验方法 人工神经网络及其在土木工程中的应用 遗传算法及其在配合比优化设计中的应用 传统配合比设计方法与人工智能配合比优化设计方法区别 本文的研究意义及目的 本文的研究内容,混凝土的渗透性及抗渗
3、试验方法,概括地说，混凝土的渗透性是指气体、液体或离子受压力、化学势或电场作用在混凝土中渗透、扩散或迁移的难易程度。 直流电量法 抗渗试验方法 氯离子扩散系数 交流电测量混凝土渗透性 饱盐混凝土电导率法,第一章,人工神经网络及其在土木工程中的应用,混凝土配合比的设计 钢筋腐蚀量的预测 强度的预测 坍落度的预测,第一章,遗传算法及其在配合比优化设计中的应用,遗传算法是模拟生物在自然环境中的遗传和进化过程而开发的一种自适应的随机搜索和全局优化的算法。 遗传算法解决有约束最优化问题，只需要给出目标函数、变量取值范围和需满足的其他等式和不等式约束条件，就可以通过迭代，逐步搜索到最优解。遗传算法的出现为
4、混凝土配合比优化设计的研究增添了新的手段。,第一章,传统配合比设计方法与配合比优化设计方法,传统方法存在的缺陷： 设计周期较长 设计的变量较少 考虑的性能较单一 不利于混凝土生产的计算机控制 优化配合比设计十分困难,优化设计方法： 最优化数学方法 全局计算法 最少浆体理论 密实理论 配合比设计和质量控制的计算机系统,第一章,本文的研究意义及目的,高性能混凝土配合比优化设计方法 正交试验 人工神经网络 最大密实理论 遗传算法,第一章,本文的研究内容,第一章,密实度模型,配合比试验,性能模型,最少浆体理论优化,遗传算法优化设计,第一章 引言 第二章 混凝土骨料性能研究 第三章 基于人工神经网络的混
5、凝土配合比设计试验 第四章 基于人工神经网络的混凝土性能预测 和参数分析 第五章 基于遗传算法的混凝土配合比优化设计 第六章 基于最少浆体理论的混凝土配合比 优化试验研究 结论,第二章 混凝土骨料性能研究,主要内容： 主要原材料及其基本参数的测试 骨料试验概况 人工神经网络预测砂石混合体密实度 骨料Toufar模型与神经网络模型的比较,主要原材料及其基本参数的测试,第一批骨料： 福清碎石：大石子粒径范围(531.5mm)，小石子粒径范围(2.516mm) 砂：闽江中砂，细度模数2.3 第二批骨料： 霞浦上湾山隧道碎石：大石子粒径范围(2.531.5mm)，小石子粒径范围(2.510mm) 砂：
6、闽江中砂，细度模数2.7 水泥：海螺牌散装42.5水泥 粉煤灰：华能散装级粉煤灰 矿渣：新丰散装复合矿粉 减水剂：福建省建筑科学研究院TW-11B高效减水剂,第二章,表2-1 第一批砂的颗粒级配,表2-2 第一批小石子的颗粒级配,第二章,表2-3 第一批大石子的颗粒级配,表2-4 第二批砂的颗粒级配,第二章,表2-5 第二批小石子的颗粒级配,表2-6 第二批大石子的颗粒级配,第二章,表2-7 第二批大小石子的颗粒级（,=0.25）,注：小石子掺量,，其中，,、,分别为小石子、大石子的用量。,表2-8 第二批大小石子的颗粒级配（,=0.30）,第二章,表2-9 第二批大小石子的颗粒级配（,=0.
7、35）,表2-10 第一批骨料基本参数表,第二章,表2-11 第二批骨料基本参数表,表2-12 胶凝材料基本参数表,第二章,表2-13 第一批砂石比表面积,第二章,骨料试验概况,表2-14 不同小石子掺量的第一批大小石子混合体的紧密堆积密度,第二章,表2-15,时第一批砂石混合体的紧密堆积密度,注： 砂率，其中， 、 、 分别为砂、小石子、大石子的用量。,第二章,表2-16 第一批骨料不同砂石掺量混合体的紧密堆积密度 单位：,表2-17 第二批骨料不同砂石掺量混合体的紧密堆积密度 单位：,第二章,表2-18 骨料密实度模型学习样本数据,第二章,表2-19 骨料密实度模型测试样本数据,第二章,密
8、实度神经网络预测模型的建立,隐含层的传递函数：,输出层的传递函数：,第二章,当迭代次数达到6次时，网络学习均方误差 (其中， 为神经网络模型预测密实度值， 为实际密实度值)达到8.64747e-005，说明网络学习效果已非常好；测试组的预测均方误差 =7.42389e-05 ，说明预测结果与实际吻合得很好。,表2-20 输入层与隐含层之间的权值和阈值,第二章,图2-2 学习样本实际密实度和预测密实度,图2-3 测试组实际密实度和预测密实度,表2-21 隐含层与输出层之间的权值和阈值,第二章,图2-4 学习组砂石混合体密实度随,的变化,图2-5 测试组砂石混合体密实度随,的变化,第二章,骨料To
9、ufar模型与神经网络模型的比较,第二章,图2-6实际密实度,与Toufar密实度,、神经网络密实度,表2-24 神经网络模型和Toufar模型计算误差 单位：%,第一章 引言 第二章 混凝土骨料性能研究 第三章 基于人工神经网络的混凝土配合比设计试验 第四章 基于人工神经网络的混凝土性能预测 和参数分析 第五章 基于遗传算法的混凝土配合比优化设计 第六章 基于最少浆体理论的混凝土配合比 优化试验研究 结论与展望,第三章 基于人工神经网络的混 凝土配合比设计试验,主要内容： 配合比试验设计 基于人工神经网络的混凝土配合比计算 混凝土试验结果分析,表3-1 正交试验因素水平表,注：,其中,、,、
10、,、,、,、,、,分别为单方混 凝土的砂、小石子、大石子、水泥、粉煤灰、矿渣、水的用量。,第三章,配合比试验设计,表3-3 测试组配合比参数表,第三章,基于人工神经网络的配合比计算,1、计算1 砂石混合体所对应的孔隙体积 ：,第三章,2、1,砂石混合体所对应的浆体体积 ：,3、计算1,混凝土所对应的浆体体积 ：,4、按绝对体积法计算：,第三章,砂,、小石子,、大石子,的用量为：,5、计算1,混凝土所需的水泥,、粉煤灰,、水,的用量,由上述四式得：,第三章,表3-6 正交试验混凝土配合比(,),表3-7 测试组混凝土配合比(,),第三章,图3-2 真空饱盐装置,第三章,混凝土试验,湿密度、坍落度
11、、28d抗压强度、劈裂抗拉强度、氯离子扩散系数,图3-3 NEL测试装置,第三章,表3-8 正交组混凝土试验结果,表3-9 测试组混凝土试验结果,第三章,试验结果分析,方差分析法,表3-10 因素对坍落度的影响,第三章,表3-11 因素对抗压强度的影响,第三章,表3-12 因素对劈裂抗拉强度的影响,第三章,表3-13 因素对氯离子扩散系数的影响,第三章,直观分析法 1、对坍落度的影响,表3-14 坍落度直观分析表,图3-4 坍落度因素关系图,第三章,2、对抗压强度的影响,表3-15 抗压强度直观分析表,图3-5 抗压强度因素关系图,第三章,3、对劈裂抗拉强度的影响,表3-16 劈裂抗拉强度直观
12、分析表,图3-6 劈裂抗拉强度因素关系图,第三章,4、对氯离子扩散系数的影响,表3-17 氯离子扩散系数直观分析表,图3-7 氯离子扩散系数因素关系图,第三章,第一章 引言 第二章 混凝土骨料性能研究 第三章 基于人工神经网络的混凝土配合比设计试验 第四章 基于人工神经网络的混凝土性能预测 和参数分析 第五章 基于遗传算法的混凝土配合比优化设计 第六章 基于最少浆体理论的混凝土配合比 优化试验研究 结论,第四章 基于人工神经网络的混 凝土性能预测和参数分析,主要内容： 性能预测模型的建立 坍落度的预测 抗压强度的预测 氯离子扩散系数的预测,性能预测模型的建立,第四章,隐含层的传递函数 ：,输出
13、层的传递函数：,线性函数,表4-1 人工神经网络训练数据表,表4-2 人工神经网络测试组,注：括号内为神经网络模型预测性能值,第四章,当迭代次数达到19次时，网络学习均方误差 达到3.9998e-016，说明网络学习效果已非常好；测试组的预测均方误差 ，说明预测结果与试验结果吻合较好。,表4-3 坍落度计算模型输入层与隐含层之间的权值和阈值,坍落度的预测,第四章,表4-4 坍落度计算模型隐含层与输出层之间的权值和阈值,图4-2 小石子掺量对混凝土坍落度的影响,图4-3 砂率对混凝土坍落度的影响,第四章,图4-4 粉煤灰与胶凝材料用量比 对混凝土坍落度的影响,图4-5 矿渣与胶凝材料用量比 对混
14、凝土坍落度的影响,图4-6 骨料平均浆体厚度对混凝土坍落度的影响,第四章,当迭代次数达到32次时，网络学习均方误差 达到4.59888e-025，说明网络学习效果已非常好；测试组的预测均方误差 ，说明预测结果与试验结果吻合较好。,表4-5 抗压强度计算模型输入层与隐含层之间的权值和阈值,28d抗压强度的预测,第四章,表4-6 抗压强度计算模型隐含层与输出层之间的权值和阈值,28d,图4-8 小石子掺量对混凝土28d抗压强度的影响,图4-9 砂率对混凝土28d抗压强度的影响,第四章,图4-10 粉煤灰与胶凝材料用量比 对混凝土28d抗压强度的影响,图4-11 矿渣与胶凝材料用量比 对混凝土28d
15、抗压强度的影响,图4-12 骨料平均浆体厚度对混凝土28d抗压强度的影响,第四章,当迭代次数达到12次时，网络学习均方误差 达到1.35318e-024，说明网络学习效果已非常好；测试组的预测均方误差 ，说明预测结果与试验结果吻合较好。,表4-7 氯离子扩散系数计算模型输入层与隐含层之间的权值和阈值,氯离子扩散系数的预测,第四章,表4-8 氯离子扩散系数计算模型隐含层与输出层之间的权值和阈值,图4-14 小石子掺量对混凝土28d氯 离子扩散系数的影响,图4-15 砂率对混凝土28d氯 离子扩散系数的影响,第四章,图4-16 粉煤灰与胶凝材料用量比对混 凝土28d氯离子扩散系数的影响,图4-17 矿渣与胶凝材料用量比对混 凝土28d氯离子扩散系数的影响,图4-18 骨料平均浆体厚度对混凝土28d氯离子扩散系数的影响,第四章,第一章 引言 第二章 混凝土骨料性能研究 第三章 基于人工神经网络的混凝土配合比设计试验 第四章 基于人工神经网络的混凝土性能预测 和参数分析 第五章 基于遗传算法的混凝土配合比优化设计 第六章 基于最少浆体理论的混凝土配合比 优化试验研究 结论与展望,第五
