首页 RBF神经网络预测水泥水化热研究

RBF神经网络预测水泥水化热研究

举报
开通vip

RBF神经网络预测水泥水化热研究 国防交通工程与技术 � � 2011 第 3期 � � 收稿日期: 2011�02�28 � � 作者简介:杨 � 丹 ( 1977 � ) ,男, 助教, 2001 年毕业于河北理工 学院计算机技术及应用专业,工学学士。主要从事计算机教学与科 研工作 RBF 神经网络预测水泥水化热研究 杨 丹 (武警石家庄指挥学院训练部信息技术教研室,河北 石家庄 050061) 摘 � 要: 利用 RBF 神经网络对水泥水化热进行预测, 根据水泥水化热的影响因素, 建立了 12 个输入节点、1 个输出节点的 RBF 神...

RBF神经网络预测水泥水化热研究
国防交通 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 与技术 � � 2011 第 3期 � � 收稿日期: 2011�02�28 � � 作者简介:杨 � 丹 ( 1977 � ) ,男, 助教, 2001 年毕业于河北理工 学院计算机技术及应用专业,工学学士。主要从事计算机教学与科 研工作 RBF 神经网络预测水泥水化热研究 杨 丹 (武警石家庄指挥学院训练部信息技术教研室,河北 石家庄 050061) 摘 � 要: 利用 RBF 神经网络对水泥水化热进行预测, 根据水泥水化热的影响因素, 建立了 12 个输入节点、1 个输出节点的 RBF 神经网络模型。通过 27 组试验数据, 验证了模型的可靠性,并与 BP 神经网络进行了比 较。结果 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明, RBF 神经网络预测效果明显优于 BP神经网络, 前者不仅预测速度快, 而且预测精度高, 相对 误差小于 4% ,在水泥水化热预测中具有广阔的应用前景。 关键词: 水化热;直接法; RBF 神经网络; 预测模型 中图分类号: TP183; T Q172. 12� 文献标识码: A � 文章编号: 1672�3953( 2011) 03�0031�04 在进行大体积混凝土温度控制计算时, 必须要 知道混凝土的绝热温升值 [ 1] , 而混凝土绝热温升设 备一般每次只能测试一个试件, 如果用于筛选混凝 土配合比,就会使试验周期变的非常漫长。例如, 某 工程要对拟定的 12种混凝土配合比进行筛选,若每 个配比的绝热温升试验做 28 d, 则全部试验完成至 少要一年的时间。所以, 研究人员一般通过测试水 泥的水化热、骨料的比热等原材料性能来估算混凝 土的最终绝热温升。目前, 水泥水化热的测试方法 主要分为两种[ 2] :一种是溶解热法,按照一定的水胶 比将水泥净浆拌制以后, 密封养护至规定龄期,用酸 溶解的办法测定水泥水化热; 另一种是直接法,将砂 浆拌好后,放入绝热容器中,通过温度计测量水泥放 热量。溶解热法水化热测定的缺点是需要等待到一 定龄期(对于大坝混凝土一般要测 180 d 水化热) , 并且溶解热法水化热测定仪一般每次也只能做 1~ 2个试样;直接法的优点是单次测量试样数量多, 适 合批量对比,缺点是需要每隔 1 h读一次数,试验不 能持续很长时间,一般只测试到7 d。而采用 1~ 7 d 水化热数据预测 28 d水化热时,仅用水化热测值绘 制曲线,采用双曲函数或者多参数指数函数进行拟 合,不考虑水泥细度和矿物组成对曲线特征的影响, 势必影响预测结果的准确性。 人工神经网络可以很好的解决这种非线性映射 问题。人工神经网络是一个将知识储存在网络权系 数中的大规模的分布式处理器, 具有储存并利用经 验知识的能力及很强的非线性建模能力, 在处理与 解决问题时无需人们预先给定公式的形式,而是以 试验数据为基础, 经过有限次的迭代计算,就可获得 一个反映试验数据内在规律的数学模型。在常用的 神经网络中, RBF 神经网络是一种特殊的三层网 络,其参数由于 RBF 中心的固定而得以线性化, 隐 层充当了无调节参数固定的非线性转化环节,它将 输入空间映射到一个新空间,唯一的调节参数是线 性叠加权值,这些参数可以采用线性最小方差( LS) 得到[ 3] ,因此, 该神经网络在逼近能力、训练速度等 方面均优于 BP 网络。基于以上原因, 选择 RBF 神 经网络对水泥水化热进行预测(并与 BP 网络进行 比较) , 建立基于 RBF 神经网络的 28 d水化热预测 模型,以期简化今后水化热测试的工作量,提高试验 效率,这对实际的研究工作具有一定的指导意义和 应用价值。 1 试验部分 1. 1 原材料 全国各地选取了 27种水泥,水泥的勃氏比表面 积和化学成分见表 1。 1. 2 水化热试验 按照水泥水化热测试方法 ( GB/ T 12959 � 2008)中的直接法进行水泥水化热试验[ 2]。测试龄 期为 28 d,表 2给出了 3 d、7 d、28 d水泥水化热的 测试值[ 4] 。 2 RBF网络预测模型的建立 通过对水泥 28 d 强度值相关影响因素[ 4] 的分 析,最后确定与其值关系密切且容易测得的 12个参 31 研究 Research and Design � � � 与设计 国防交通工程与技术 � � 2011 第 3期 表 1� 水泥比表面积和化学成分 编号# 比表面积/ ( m2 � kg - 1 ) � � � � � � � � � � � � � � � � � � 化学成分/ % � � � � � � � � � � � � � � � � � � SiO2 Al2O3 Fe2O3 CaO MgO SO3 Na2O K 2O 烧失量 1 285 24. 0 4. 4 3. 2 64. 6 1. 3 1. 2 0. 22 0. 4 0. 7 2 291 22. 2 5. 1 2. 1 65. 8 1. 1 1. 6 0. 04 0. 19 1. 8 3 294 21. 4 5. 1 3. 4 64. 3 2 1. 8 0. 23 0. 44 1. 3 4 306 21. 5 6. 4 2. 3 64 2. 6 1. 8 0. 12 0. 13 1 5 306 24. 1 4. 5 3. 2 64. 5 1. 3 1. 3 0. 21 0. 43 0. 6 6 310 21. 5 5. 9 3. 1 65. 2 1. 1 1. 7 0. 08 0. 43 0. 9 7 311 22. 5 5 3. 9 62. 8 3. 2 1. 4 0. 24 0. 37 0. 6 8 312 21. 4 5. 1 3. 5 64. 6 2. 1 1. 7 0. 23 0. 46 1. 1 9 313 21. 6 6. 2 2. 3 63. 7 3. 1 1. 5 0. 31 0. 4 0. 7 10 318 21. 5 6. 3 2. 4 63. 6 3. 1 1. 6 0. 28 0. 4 0. 6 11 319 20. 8 6. 1 2. 4 63. 8 3. 7 1. 6 0. 21 0. 51 1 12 319 22. 7 4. 9 4. 9 62. 1 2. 2 1. 9 0. 21 0. 54 0. 6 13 323 20. 4 6. 1 2. 5 67 0. 8 1. 9 0. 08 0. 23 0. 9 14 328 21. 5 4. 9 5. 4 64. 3 0. 9 1. 5 0. 59 0. 14 0. 7 15 329 22. 4 5 3 63. 1 2. 5 1. 7 0. 06 1. 3 0. 9 16 335 23 4. 9 5 59. 6 3 2 0. 06 1. 19 1. 3 17 335 25. 3 3. 9 3. 1 63. 6 1. 1 1. 9 0. 33 0. 01 0. 8 18 336 26. 4 3 2. 7 63. 1 1. 8 1. 5 0. 16 0. 26 1. 9 19 337 20. 9 5. 1 4. 8 61. 4 3. 1 1. 8 0. 06 1. 3 1. 4 20 343 21. 6 6. 4 2. 2 64. 2 2. 6 1. 7 0. 14 0. 13 0. 9 21 344 23. 2 5. 2 4. 5 61. 2 1. 6 2. 1 1 0. 08 1. 7 22 352 20. 8 6. 1 2. 3 63. 8 3. 7 1. 5 0. 22 0. 51 1. 2 23 354 24. 5 3. 5 3. 3 64. 3 1. 7 1. 4 0. 08 0. 22 0. 8 24 431 20. 5 4. 2 3. 3 65. 6 2. 5 1. 7 0. 28 0. 28 1. 5 25 439 20. 6 5. 5 2. 4 65. 7 1. 5 2. 2 0. 21 0. 46 1. 4 26 443 20. 2 5. 5 2. 5 65. 6 1. 4 2. 3 0. 21 0. 44 1. 5 27 489 20. 4 5. 4 2. 1 64. 7 3. 3 2. 2 0. 23 0. 22 1. 5 表 2 水泥水化热测试结果 J/ g No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 3 d 191 212 245 253 194 254 182 252 231 241 261 196 298 194 7 d 255 269 308 339 251 331 262 331 328 348 339 255 366 229 28 d 332 349 372 418 332 426 359 382 411 417 394 307 452 346 No. 15 16 17 18 19 20 21 22 23 24 25 26 27 3 d 267 188 150 155 218 255 191 274 182 288 326 326 338 7 d 326 221 193 176 271 344 247 370 227 351 395 385 400 28 d 360 275 273 248 321 428 301 420 307 404 421 424 446 数作为预测模型的输入数据: 比表面积( m2 / kg ) , 各物质组分( SiO 2 , Al2O3 , Fe2O3 , CaO, MgO, SO 3 , Na2O, K2O, 烧失量,单位% ) , 3 d水化热( J/ g ) , 7 d 水化热( J/ g )。模型的输入变量为上述的 12个变 量, RBF 神经网络预测模型结构为: 输入原始数据 �数据的归一化处理 �RBF 神经网络训练与测试 �水泥 28 d水化热。 RBF 网络模型采用三层结构[ 5, 6] , 隐层采用高 斯径向基函数,输出层节点采用线性传递函数, 结构 参数如下: � 网络输入层节点数 R = 12, 输出层节 点数 s = 1,隐含层节点数可在训练中自动获得最佳 值; � 网络均方误差目标值= 0. 01,径向基函数的 分布系数为 1. 5。根据训练目标网络进行训练, 训 练结束后,观察其拟合情况和输出误差是否满足要 32 �研究与设计� � � � � � � � RBF 神经网络预测水泥水化热研究 � 杨 � 丹 � � � � � � � � � � � � 国防交通工程与技术 � � 2011 第 3期 求,如这些性能满足要求, 可输入校验样本, 观察网 络的泛化能力, 若网络的泛化能力达到预定目标, 建 模过程结束。 3 RBF神经网络预测 28 d水化热 但是由于文献中一般缺少采用直接法测试的 28 d水泥水化热结果,所以任意选择表 1中 22组数 据为训练样本, 5组数据为测试样本, 利用 RBF 和 BP 神经网络计算得到结果与实测结果见表 3[ 4]。 从表 3可见,用 RBF 神经网络预测 28 d水化热 可以得到比较满意的效果,预测误差小于 4% ,预测 结果明显优于BP 神经网络(预测误差小于 16. 8%)。 这说明 RBF 模型的跟踪性能较好,能较好地跟踪实 测值,且能达到较高的精度, 也即 RBF 模型的问题 逼近能力更强。这主要是因为[ 6, 7, 8] : 虽然 BP 神经 网络和 RBF 神经网络一样可以近似任何的连续非 线性函数,但两者的主要差别在于各使用不同的作 用函数,前者结构中使用的是 Sigmoid函数, 其在输 入空间中无限大范围内为非零值,用于函数逼近时, 权值的调节采用的是负梯度下降法, 这种权值调节 的方法有它的局限性, 即存在收敛速度慢、存在局部 极小值等缺陷,所以对问题逼近能力相对较弱; 而后 者结构中隐含层采用局部的径向基函数作为网络的 激活函数,实现输入空间到隐层空间的变换。输入 层到隐含层的变换是非线性的, 而隐含层到输出层 的映射是线性的。RBF 网络的输出和权值成线性 关系,可以采用保证全局优化的线性算法,不存在局 部最优问题,因此, 在网络基函数中心选择适当时, 可以获得很好的逼近效果。 表 3 RBF、BP 神经网络对 28 d水泥水化热的误差预测结果 编号# � 实测值/ ( J � g- 1) � RBF BP � 预测值/ ( J� g - 1 ) � RBF BP � � 差值/ ( J � g - 1 ) � � RBF BP � � 相对误差/ % � � RBF BP 7 359 359 355. 78 298. 70 3. 22 60. 301 0. 90 16. 80 10 417 417 423. 32 422. 57 - 6. 32 - 5. 570 1. 52 - 1. 34 13 452 452 447. 30 437. 99 4. 70 14. 01 1. 03 3. 10 16 275 275 284. 10 248. 80 9. 10 26. 20 3. 31 9. 53 23 307 307 302. 67 285. 51 4. 33 21. 49 1. 41 7. 00 4 结论 采用 RBF 神经网络和 BP 神经网络,利用水泥 细度、化学成分以及 3 d、7 d水化热实测结果等指 标,进行水泥水化热的预测分析,前者预测效果明显 优于后者,不仅预测速度快,而且相对误差小, 具有 良好的实用价值。 参考文献 [ 1]朱伯芳. 大体积混凝土温度应力与温度控制 [ M ] . 北京: 中国电力出版社. 1999 [ 2]中国国家 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化管理委员会. GB/ T12959� 2008 水泥水 化热测定方法[ S] .北京: 中国标准出版社, 2008 [ 3]王 欢, 张增光,李海滨. 基于 RBF神经网络的水泥强度 预测[ J] . 自动化与仪表, 2007( 2) : 7�9 [ 4] Shux ia Ren, Dan Yang , Fengqiu Ji. Applicat ion o f g en� er alized r egr ession neural netwo rk in pr ediction o f cement pr operties[ J] . ICCDA , 2010( 2) : 385�388 [ 5]郭一军,段杏林. 基于 RBF 神经网络水泥强度预测模型 的研究[ J] . 工业仪表与自动化装置, 2009( 2) : 99�101 [ 6]王晓伟.基于 RBF 网络的混凝土抗压强度的预测[ J] . 路 面机械与 施工 文明施工目标施工进度表下载283施工进度表下载施工现场晴雨表下载施工日志模板免费下载 技术, 2006( 10) : 23�26 [ 7]余雪娟. 基于神经网络的混凝土强度预测[ J] . 工程质量, 2008( 7( A) ) : 40�42, 46 [ 8]葛哲学,孙志强. 神经网络理论与 MATLAB R2007 实现 [ M ] .北京: 电子工业出版社, 2007 The Prediction of the Hydration Heat of Cement with the RBF Neural Network Yang Dan ( Department of Informat ion Technology, S hijiazhuang Command Ins titute of th e People's Arm ed Police T roop s, Shijiazh uang 050061, Ch ina) Abstract: An RBF neutral netw ork model is pr oposed and used for predicting the hydration heat of cement in the paper . Ac� co rding to the influentia l factor s o f the hydration heat of cement, a prediction model of RBF netwo rk w ith 12 input vector s and 1 output vector s is established, whose reliability is pro ved w ith 27 gr oups of test va lues. And a compar ison between the RBF model and the BP neutr al netwo rk model is conducted, to o. T he results show that the predicted values taken (下转第 37页) 33 �研究与设计� � � � � � � � RBF 神经网络预测水泥水化热研究 � 杨 � 丹 � � � � � � � � � � � � 国防交通工程与技术 � � 2011 第 3期 图 7� 谐波长时间激励下MTMD抑制结构振动的效果时程曲线 态和荷载激励时间关系较大。当荷载激励时间足够 长,且结构振动时程表现为共振状态时,抑制振动的 效果最佳;而当荷载激励时间较短,且结构振动经过 较少周期就达到最大振幅时, 减振效果较差。但是, 对结构经过 3个周期以上的振动才达到最大振幅值 的情况, M TMD具有较好的减振效果。 参考文献 [ 1] Yamaguchi, N . Harnpornchai. Fundamental character is� tics of multiple tuned mass damper s fo r suppressing har� monically for ced o scillat ions[ J] . Earthquake Engineer ing and St ructur al Dynamics, 1993, 22: 51�62 [ 2 ] H ir oki Yamaguchi, Napat H arnpornchai. Fundamental characterist ics o f mult iple tuned mass dampers fo r sup� pressing harmonically for ced oscillations [ J] . Earthquake eng. st ruct . dyn. , 1993, 22: 51�62 [ 3] Ahsan Kareem, Samuel K line. Per formance o f multiple mass damper s under random loading [ J ] . Journal o f Str uctural Eng ineering , 1995, 121( 2) : 348�361 [ 4] A. S. Joshi , R. S. Jang id. Opt imum parameter s of multiple t uned mass dampers for base�excited damped systems[ J] . Journal of Sound and Vibration, 1996, 202( 5) : 657�667 Analysis of the Effects of Multiple�Tuned Mass Dampers on Suppressing the Structural Unstable�State Vibration Zhang Wenhua ( T he Fourth Reconnaissance and Design Inst itut ion Grou p of th e Railw ay Building Corporat ion of C hina,Wuhan 430063, Chin a) Abstract: When a sho rt�term lo ad, such as an earthquake or a foot� walk load, is applied to t he actual str uctur e, and ow ing to the excitation per iod being relativ ely shor t, the structural vibr ation is still at the t ransitional stage, the steady�state v ibration can not be attained, in which case the effects o f the MTM D on suppressing the st ructur al vibr ation are, t o a cert ain ex tent , re� lated t o the length o f the t ime of the lo ad excitation. T hrough the analysis of the mechanism of the T MD and the M TMD sup� pressing t he str uctural sympathet ic vibrat ion, the r elationship bet ween t he effects of the M TMD suppressing the structural v i� brat ion and the lengt h o f the t ime of load excitation is explored in the paper. The r esults show that w hen t he duration o f the load excitation is long enough and the st ruct ur e is in the state of resonant v ibration, t he effect of the MT MD suppressing the v i� brat ion is the best . However, w hen the durat ion of the lo ad excitation is short and t he max imum amplitude of v ibration is reached w ithin shor t cy cles, t he effect of the multiple�tuned mass damper s on suppressing the st ruct ur al unstable�state v ibration is poor . Key words: multiple�tuned mass damper( MTMD) ; str uctural vibr ation; restrain; excit ation by load (上接第 33页) from t he RBF neutral netw ork model are even closer t o the r eal exper imental ones than the BP neutr al net� w ork model, and the r elative err or s of t he former ar e less than 4% , both o f w hich show that the RBF model pro vides a new met hod o f quickly pr edicting the hydration heat of cement and has a w ider application in the future. Key words: hydration heat; dir ect met hod; RBF neura l net wo rk; prediction model 37 �研究与设计� � � � � � 非稳态振动下 MTMD抑制结构振动效果分析 � 张文华 � � � � � � � � � �
本文档为【RBF神经网络预测水泥水化热研究】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
下载需要: 免费 已有0 人下载
最新资料
资料动态
专题动态
is_522149
暂无简介~
格式:pdf
大小:3MB
软件:PDF阅读器
页数:4
分类:
上传时间:2011-08-07
浏览量:22