大體積混凝土主要的特點就是體積大，一般實體最小尺寸大于或等于1m.它的表面系數(shù)比較小，水泥水化熱釋放比較集中，內(nèi)部升溫比較快。本文是一篇工程師職稱論文范文，主要針對大體積混凝土溫度場預測的人工智能方法進行了一些研究。
　　摘 要：大體積混凝土的溫度場是受到諸多因素影響的非穩(wěn)態(tài)溫度場，采用傳統(tǒng)的熱傳導理論求解這種瞬態(tài)溫度場是非常困難的。本文探索采用BP 神經(jīng)網(wǎng)絡針對大體積混凝土溫度場的特性，提出了一種基于L-M算法的溫度場預測模型。預測結果表明，該模型收斂速度快，預測精度較高。

　　關鍵詞：大體積混凝土,溫度場,人工神經(jīng)網(wǎng)絡,水化熱,LM算法

　　Abstract： The temperature field of mass concrete is unsteady temperature field is affected by many factors， the heat conduction theory for solving the transient temperature field of tradition is very difficult. Using the BP neural network according to the characteristics of large volume concrete temperature field， a prediction model of L-M algorithm is proposed based on temperature field. The predicted results show that， the model has fast convergence speed， high prediction accuracy.

　　Keywords： Massive concrete; temperature field; artificial neural network; hydration reaction; LM algorithm

　　0.引 言

　　大體積混凝土一次澆筑量大，混凝土體積厚，導熱系數(shù)比較低，水泥水化產(chǎn)生的熱量不能及時散失，使混凝土內(nèi)部溫度逐漸升高，造成較大的溫度梯度。如果不采取措施控制混凝土的溫度，混凝土就會開裂[1]。如果在施工以前能夠成功地對混凝土溫度場進行預測，可為設計、施工、采取溫控措施、防止混凝土開裂提供依據(jù)。這對于提高工程質(zhì)量有重要意義。

　　但由于水泥水化過程中，系統(tǒng)的溫度、生熱率、熱流率、熱邊界條件等隨時間都有明顯變化。因此，采用傳統(tǒng)的熱傳導理論求解這種瞬態(tài)溫度場是非常困難的。本文探索性地采用BP 神經(jīng)網(wǎng)絡，從混凝土結構出發(fā)，以結構尺寸及邊界條件、澆筑溫度、環(huán)境溫度、絕熱溫升、導溫系數(shù)作為輸入?yún)��?shù)，混凝土內(nèi)部溫度最大值和溫度梯度最大值作為輸出參數(shù)，采用LM(Levenberg-Marquardt)優(yōu)化算法對學習樣本進行優(yōu)化，建立大體積混凝土溫度場的預測模型，對溫度場進行預測。

　　1.大體積混凝土溫度場構成因素分析

　　用有限元分析軟件ANSYS對某大體積混凝土剪力墻進了瞬態(tài)溫度場分析，如圖1所示。

　　通過溫度場有限元分析我們可以看出混凝土內(nèi)部最高溫度一般發(fā)生在結構物的中心位置。另外，如下五種因素對大體積混凝土溫度場有重要影響：

　　1.1混凝土的澆筑溫度

　　在絕熱條件下，混凝土內(nèi)部的最高溫度，是澆筑溫度Ti與水泥水化熱溫升的總和。降低混凝土的澆筑溫度，亦就是相應地降低了混凝土內(nèi)部的最高溫度，并減小了結構物的溫度梯度。

　　1.2混凝土的最高絕熱溫升

　　混凝土內(nèi)部溫度升高的根本原因是水泥水化放熱�；炷�土的最高絕熱溫升可由下式計算[3]：

　　由于不同混凝土結構的水泥用量、水泥水化熱、混凝土容重、比熱等不盡相同。本文通過引入混凝土的最高絕熱溫升Tm作為大體積混凝土溫度場預測模型輸入?yún)��?shù)之一，綜合考慮了不同混凝土結構的以上不同因素。

　　1.3邊界條件和結構尺寸[4]

　　混凝土建筑物中，廣泛適用的是第三類邊界條件，即假定經(jīng)過混凝土表面的熱流量與混凝土表面溫度和混凝土周圍介質(zhì)溫度之差成正比，但第三類邊界條件在數(shù)學上處理比較困難。因此在分析中，對第三類邊界條件的處理，采用自真實邊界向外延伸一個虛擬厚度，得到一個虛邊界，如圖2所示，在虛邊界上混凝土表面溫度等于外界介質(zhì)溫度。

　　如果混凝土的實際厚度為h，則在計算中采用的計算厚度為：

　　式中，為各種保溫材料的厚度(m);為各種保溫材料的導熱系數(shù)(W/m・K);βq為空氣層傳熱系數(shù)。

　　本文采用計算厚度：L=h+2d，把虛厚度同結構尺寸及保溫層導熱系數(shù)結合起來一并考慮。

　　1.4環(huán)境溫度

　　混凝土內(nèi)部溫度升高的同時要向外部環(huán)境散熱降溫。第三類邊界條件假定經(jīng)過混凝土表面的熱流量與混凝土表面溫度和混凝土周圍介質(zhì)溫度之差成正比。因此，環(huán)境溫度通過影響混凝土表面的熱流量來影響混凝土內(nèi)部溫度場。

　　1.5混凝土導溫系數(shù)

　　混凝土的導溫系數(shù)表示混凝土內(nèi)部熱量擴散特性，或表達混凝土內(nèi)部溫度的變化速率。導溫系數(shù)h2(m2/h)可由如下公式計算[5]：

　　本文通過引入混凝土的導溫系數(shù)作為大體積混凝土溫度場預測模型輸入?yún)��?shù)之一，把混凝土的導熱系數(shù)、比熱及容重結合起來一并考慮。

　　2.BP神經(jīng)網(wǎng)絡

　　2.1 BP人工神經(jīng)網(wǎng)絡的基本原理

　　人工神經(jīng)網(wǎng)絡 (ARTIFICIAL NEURAL NETWORK，簡稱ANN)是由大量簡單的處理單元(神經(jīng)元) 廣泛地互相連接而形成的復雜網(wǎng)絡系統(tǒng)。大量神經(jīng)元構成的網(wǎng)絡系統(tǒng)具有很強的存儲能力和計算能力。理論已證明，3層神經(jīng)網(wǎng)絡模型可以實現(xiàn)任何函數(shù)映射。

　　目前應用最廣、最成熟的是BP神經(jīng)網(wǎng)絡。標準的BP模型有輸入層、中間層(隱含層，可以是1層或多層)、輸出層3個神經(jīng)元層次，相鄰層神經(jīng)元之間兩兩連接，而同一層次的神經(jīng)元之間沒有連接。BP神經(jīng)網(wǎng)絡模型如圖3所示。 　　構建BP網(wǎng)絡之后，利用歷史數(shù)據(jù)進行訓練。訓練過程由兩部分組成：正向傳播和反向傳播。正向傳播時，輸入信息從輸入層經(jīng)隱含層處理后傳向輸出層，如果輸出層輸出與樣本值誤差超過規(guī)定值，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的神經(jīng)元連接通路返回。返回過程中，逐一修改各層神經(jīng)元連接的權值和閾值。BP神經(jīng)網(wǎng)絡算法流程如圖4所示。

　　2.2 Levenberg-Marquardt 算法

　　傳統(tǒng)的BP算法是梯度下降法，參數(shù)沿著與誤差梯度相反的方向移動，使誤差函數(shù)減小，直到取得極小值。這種基于梯度下降的方法只是線性收斂，速度很慢。而Levenberg-Marquardt 算法(簡稱LM算法) 是一種利用標準數(shù)值優(yōu)化技術的快速算法，它將梯度下降法與高斯-牛頓法相結合，既有高斯-牛頓法的局部收斂性，又有梯度下降法的全局性，揚長避短以實現(xiàn)收斂速度和穩(wěn)定性的統(tǒng)一[6]。它基于不計算既復雜又耗時的Hessian矩陣而設計的。LM算法克服了BP神經(jīng)網(wǎng)絡存在的收斂速度慢和局部極小問題，為其使用式如下：

　　式中： 為Jacobian 矩陣; 為正的常數(shù)(當 =0時該式即為高斯-牛頓法;如果 取值很大則接近于梯度下降法); 為單位矩陣; 為網(wǎng)絡誤差。

　　在實際計算過程中， 是一個試探性的參數(shù)，對于給定的 ，如果求得的 能使誤差指標函數(shù)降低，則 降低，反之， 增加。

　　LM算法由于利用了近似的二階導數(shù)信息，綜合了高斯-牛頓法的二階收斂速度與梯度下降法的收斂穩(wěn)定性，同時具備了牛頓法和梯度法的優(yōu)點，可以使收斂的迭代次數(shù)大大減少，學習速度和訓練速度大大加快，精度和穩(wěn)定性也有較多的提高[7]。

　　3.神經(jīng)網(wǎng)絡模型的建立

　　3.1算法及輸入輸出層的設計

　　預測模型采用BP 神經(jīng)網(wǎng)絡中的LM算法。其中，輸入和輸出層可以根據(jù)實際情況自由選定。本文選取結構尺寸及邊界條件、澆筑溫度、環(huán)境溫度、絕熱溫升、導溫系數(shù)作為輸入?yún)��?shù)，對應的輸入層維數(shù)為5;選取混凝土內(nèi)部最高溫度、溫度梯度最大值作為輸出參數(shù)，對應的輸出層維數(shù)為2;隱層采用正切S 型傳遞函數(shù)(tansig)，輸出層采用線性傳遞函數(shù)(purelin)。由于BP 神經(jīng)網(wǎng)絡要求值域在(0，1)內(nèi)，因而須將輸入值和輸出值分別進行歸一化和還原處理。

　　3.2隱層數(shù)及隱層結點數(shù)設計

　　根據(jù)kolmogorov定理，三層BP網(wǎng)絡可以完成任意n維到m 維的非線性映射，因此此處采用單隱層結構。

　　在BP網(wǎng)絡中，隱層節(jié)點數(shù)的選擇非常重要，若隱層節(jié)點數(shù)太少，網(wǎng)絡可能根本不能訓練或網(wǎng)絡性能很差。若隱層節(jié)點數(shù)太多，雖然可使網(wǎng)絡的系統(tǒng)誤差減小，但一方面使網(wǎng)絡訓練時間延長，另一方面，訓練容易陷入局部極小點而得不到最優(yōu)點，也是訓練時出現(xiàn)“過擬合”的內(nèi)在原因。但是目前理論上還沒有一種科學的和普遍的確定方法。為盡可能避免訓練時出現(xiàn)“過擬合”現(xiàn)象，保證足夠高的網(wǎng)絡性能和泛化能力，確定隱層節(jié)點數(shù)的最基本原則是：在滿足精度要求的前提下取盡可能緊湊的結構，即取盡可能少的隱層節(jié)點數(shù)。研究表明，隱層節(jié)點數(shù)不僅與輸入、輸出層的節(jié)點數(shù)有關，更與需解決的問題的復雜程度和轉(zhuǎn)換函數(shù)的型式以及樣本數(shù)據(jù)的特性等因素有關。

　　綜合考慮本網(wǎng)絡結構模型的復雜程度和誤差大小，用節(jié)點刪除法和擴張法確定，最終確定隱層結點數(shù)為11個。

　　3.3其他參數(shù)的設計

　　采用BP神經(jīng)網(wǎng)絡方法建模的首要和前提條件是有足夠多典型性好和精度高的樣本。而且，為監(jiān)控訓練(學習)過程使之不發(fā)生“過擬合”和評價建立的網(wǎng)絡模型的性能和泛化能力，必須將收集到的數(shù)據(jù)隨機分成訓練樣本、檢驗樣本(10%以上)和測試樣本(10%以上)3部分。本文選取50組實驗數(shù)據(jù)來進行神經(jīng)網(wǎng)絡模型的訓練和檢驗。其中44 組用于訓練，剩余6 組用于檢驗。另外，選定學習過程顯示的間隔次數(shù)為25，最大訓練步數(shù)為1000，目標誤差為0.02。

　　3.4預測模型的實現(xiàn)

　　利用Matlab 中的人工神經(jīng)網(wǎng)絡工具箱中的函數(shù)，實現(xiàn)了神經(jīng)網(wǎng)絡模型建立、初始化、學習、訓練、仿真和檢驗過程。其中，調(diào)用(newff)函數(shù)創(chuàng)建網(wǎng)絡;用(initff)函數(shù)實現(xiàn)了網(wǎng)絡權值的初始化;用(learngdm)函數(shù)進行學習;用(trainlm)函數(shù)實現(xiàn)了用LM規(guī)則訓練前饋網(wǎng)絡;用(simuff)函數(shù)進行仿真和檢驗。采用自編程方法實現(xiàn)了實際問題的BP網(wǎng)絡所必須的輸入數(shù)據(jù)的歸一化處理、數(shù)據(jù)的讀出和寫入，泛化誤差的測定以及數(shù)據(jù)的還原等工作。

　　3.5預測模型的訓練和檢驗

　　將44組樣本數(shù)據(jù)輸入建立的神經(jīng)網(wǎng)絡模型進行訓練，剩余6組用于檢驗，檢驗結果見表1。從表1中我們可以看到，相對誤差大部分都小于2%，僅小部分介于2%和3%之間，具有很高的精度。

　　4.預測模型的實際應用

　　蘭州大學榆中校區(qū)中子實驗室位于蘭州大學榆中校區(qū)院內(nèi)。該工程由一層實驗室、中子實驗廳和中子加速廳組成的框剪混凝土結構，總長68米，總寬45米。由于其實驗的特殊性(主要考慮防輻射)，其剪力墻厚2米，頂板厚1.5米，施工難度大，屬大體積混凝土結構。

　　該工程制定了嚴格的溫控措施，防止產(chǎn)生溫度裂縫，以避免在以后的實驗過程中產(chǎn)生輻射污染。施工過程中，在建筑物邊緣及結構變化較大的部位設置測溫點。測溫點分為深點和淺點，深點設在墻中間1米處，淺點設置在距表面0.1米處，深點與淺點間隔梅花形布置，共設置40個測溫點。每天每隔兩小時準時讀計測溫點、大氣、砼構件表面和保溫板溫度值各一次。積累了大量的實測數(shù)據(jù)。

　　利用訓練好的神經(jīng)網(wǎng)絡模型對結構物剪力墻和頂板的最高溫度和最大溫度梯度進行了預測，預測結果見表2。預測結果中誤差最大值為6.1%，最小值為2.3%，預測準確度較高。證明了該溫度場的預測模型的正確性和可行性。

　　5.結論

　　本文將人工神經(jīng)網(wǎng)絡方法引入大體積混凝土溫度場預測，建立了溫度場預測模型，并用其對實際工程的溫度場進行了預測，結果證明了該方法的可行性。

　　利用該模型在進行施工之前就能預測到結構物的溫度場的最大值，可以客觀地評價所制定的施工方案是否合理。為改進施工方案提供依據(jù)。

　　參考文獻

　　[1] 葉琳昌、沈義.大體積混凝土施工[M].北京：中國建筑工業(yè)出版社，1987：7-12

　　[2] 劉秉京.混凝土技術[M].北京：人民交通出版社，1998：530-531

　　[3] 龔召熊、張錫祥等.水工混凝土的溫控與防裂[M].北京：中國水利水電出版社，1999：105-111

　　[4] 富文權、韓素芳.混凝土工程裂縫分析與控制[M].北京：中國鐵道出版社，2002：28-29

　　[5] 黃豪彩等.基于LM算法的神經(jīng)網(wǎng)絡系統(tǒng)辨識[J].組合機床與自動化加工技術，2003.(2)6-8、11
　　工程師職稱論文發(fā)表期刊推薦《工程地質(zhì)學報》(雙月刊)是我國工程地質(zhì)學科綜合性的高級學術期刊。1993年批準創(chuàng)刊發(fā)行16開本，每期96頁，國內(nèi)外公開發(fā)行。工程地質(zhì)學報辦刊宗旨是加強學術交流，促進工程地質(zhì)科學的理論，應用和技術的發(fā)展，使工程地質(zhì)學科更好地為國民經(jīng)濟建設服務。

---

轉(zhuǎn)載請注明來自：http://www.jinnzone.com/shuililw/54708.html