超声回弹综合法检测混凝土强度_基于人工智能技术的综合法检测混凝土强度的研究
时间：2019-04-01 03:24:51 来源：雅意学习网 本文已影响 人 
摘要：在理论分析和试验研究的基础上，建立了混凝土强度回弹-超声-拔出综合法检测的人工神经网络模型。与传统的回归算法相比，采用人工神经网络模型推测出的混凝土强度具有更高的精度。
关键词：回弹-超声-拔出综合法；混凝土；强度；检测
Abstract: in the theoretical analysis and test research, it established concrete rebound-ultrasound-pulled out of the synthesis detection artificial neural network model. Comparing the traditional regression algorithm, the artificial neural network model of concrete strength has higher precision.
Keywords: rebound-ultrasound-pull out the synthesis; Concrete; Strength; detection
中图分类号： TU528 文献标识码：A 文章编号：
1 引言
混凝土的强度可采用无损检测的方法进行推定，如采用回弹法、声速法、拔出法或综合法。综合法由于采用多项物理参数，能较全面地反映构成混凝土强度的各种因素，并且还能够抵消部分影响强度与物理量相关关系的因素，因而它比单一物理量的无损检测方法具有更高的准确性和可靠性[1]。通过试验研究和工程实践积累的检测数据，建立了混凝土强度回弹-超声-拔出综合法神经网络模型。
2 试验设计
2.1 试件制作
设计C15、C20、C25、C30、C35、C40六个强度等级、三个龄期的混凝土，共制作标准养护100×100×100mm立方体试件180组用于回弹法、超声法检测，制作标准养护200×200×200mm立方体试件180组用于拔出法检测，同时制作相同组数的自然养护试件。试件均采用机械搅拌、机械振捣。
2.2 混凝土配合比及原材料基本性能
混凝土配合比及设计参数见表1。
表1 混凝土配合比及设计参数统计表
3 回弹-超声-拔出综合法人工神经网络的设计与模型建立
3.1网络设计与说明
3.1.1输入和输出层的设计
人工神经网络的输入、输出层数是完全根据使用者的要求来设计，问题确定下来，输入输出层也就确定了。
3.1.2隐含层单元的选择
隐含层单元个数的选择是一个十分复杂的问题，目前尚没有很好的解析表达式，隐含层单元的个数与问题的要求、输入输出单元的数量、训练样本的数量等都有直接关系。当隐含层单元的数量太少时会导致网络的容错性能降低，即训练不出理想的结果。但隐含层单元个数太多又往往会造成网络的训练时间过长，且网络的输出误差也不一定最小，因此目前主要依靠理论和经验确立合适的计算网络[2]。下面公式作为选择隐含层单元数的参考：
式中：n1为隐含层单元数，m为输出层单元数，n为输入层单元数，a为1-10之间的常数。
3.1.3初始值的选取
对于系统是非线性的，初始值对于学习是否达到局部最小和是否能够收敛的关系很大，一个重要的要求是希望初始权在输入累加时使每个神经元的状态接近于零，这样可以保证开始时不落到那些平坦区域上。权一般取随机数，而且要求比较小，这样可以保证每个神经元一开始都在它们转换函数变化最大的地方进行[3]。
3.1.4数据的归一化处理
由于输入数据的密集性，数据之间的差别太小，如超声值；同时由于采集的各数据单位不一致，直接将数据输入神经网络进行训练会引起混淆。因此，必须对输入数据和输出数据进行归一化处理（Normalization Processing），使得输入层的输入值介于[-1,1]之间，而输出层的输出值介于[0,1]之间。
神经网络训练结束后，在神经网络进行混凝土强度推测阶段（即仿真阶段），需要对数据进行反归一化处理。
3.2网络算法改进
3.2.1附加冲量(动量)法
附加冲量法修正网络参数时，不仅考虑误差函数的梯度下降，而且考虑误差曲面的变化趋势。没有附加冲量作用时，网络可能陷入局部极小或进入误差曲面平坦区，而附加冲量则有可能使网络跳出局部极小或滑过平坦区[4]。
3.2.2自适应学习速率
正确选择学习速率不是一件容易的事情，通常对训练初期合适的学习速率，随着训练的进行会变得不合适，因为误差曲面是非常复杂的。为了解决这一问题，设法让网络具有这样一种功能，根据自身的训练情况自动调整学习速率，即采用自适应学习速率[5]。
3.2.3 S型函数输出限幅算法
网络的连接权和阀值的调节量都与中间层输出b有关，当bj=0或b=l时，△vji=0或△wji=0或△θj=0，即当bj=0或bj=1时，不能对网络的权值和阀值进行调整。
3.3 网络训练和模型的建立
混凝土强度回弹-超声-拔出综合法神经
网络训练如图1示。经过训练，网络模型如
图2所示。
建立的神经网络的训练函数为Trainlm。
输入层数是3，即回弹值、超声值、拔出力；
输出层数是1，即混凝土立方体抗压强度。
隐含层是1层，单元数是5。初始学习速率
0.05，冲量系数0.9，允许学习次数3000，
学习样本数168，计算样本数15，初始权值和阈值为[-0.01，0.01]区间的随机数，输入层的输入值介于[-1，1]之间，输出层的输出值介于[0，1]之间。网络检测样本见表2所示。
4 人工神经网络与回归算法推测混凝土强度对比
4.1回归模型选择
根据试验数据情况拟选三种回归公式，通过回归指标综合评价这三种回归公式，然后选取既能反映混凝土实际工作状况又较为简单的回归公式作为综合法的测强公式 。
拟选用以下几种回归公式模型[6，7]：
幂函数方程 ：
线性方程：
指数方程：
式中；—混凝土强度计算值(MPa)；F—拔出力(kN)；N—回弹值；V—超声速度(km/s)；A、B、C、D—回归系数
4.2 综合法检测回归公式及试验结果分析
本次试验通过对576组150×150×150mm试块和90根750×200×200mm小梁180组进行拔出、回弹、超声检测。对试验数据利用Matlab进行回归分析，得到如下回归方程和相应的回归指标，见表3。
表3几种回归方程比较
将检测出的拔出值、回弹值、超声值分别代入以上回归公式而得出换算强度，并计算出这些换算强度与立方体抗压强度的相对误差。线性回归换算强度的相对误差最大值9.18%，最小值-11.69%；幂函数回归换算强度的相对误差最大值10.76%，最小值-11.67%； 指数函数回归换算强度的相对误差最大值11.26%，最小值-11.5 7% 。
比较线性回归、乘幂回归、指数回归指标可以看出乘幂函数、线性回归方程较为精确，由于线性回归方程使用方便，本文选则线性回归公式作为综合法的测强公式[8]。
