BP神经网络预测PVA-ECC在抗盐冻下的结构寿命

侯慧芳 闫敏

摘 要：为了预测不同纤维含量下的聚乙烯醇纤维增强水泥基复合材料（PVA-ECC）在氯盐浸渍、冻融循环作用下的使用寿命，以试验结果为训练样本值，建立BP神经网络预测模型。结果表明，采用Trainlm训练函数的神经网络能够达到目标精度0.01。不同纤维含量下的PVA-ECC在氯盐浸渍环境下，所能承受的冻融循环次数各不相同，最优配合比为1%的纤维含量，在经过475次冻融循环作用后才发生破坏。

关键词：聚乙烯醇纤维;氯盐环境;冻融循环;BP人工神经网络

普通混凝土抗盐冻性经过大量的研究和工程实际已经证明较差，难以满足现代土木工程新的结构形式及在特殊环境建造的建筑物对轻质、高强、高耐久性的要求。自从PVA纤维增强水泥基复合材料出现后，国内外的一些学者、专家对PVA纤维增强水泥基复合材料的力学性能进行了一系列的试验研究，并取得了一些研究成果^[1][2]。本文采用不同纤维含量下的PVA-ECC ，研究其在氯盐浸渍、快速冻融循环作用下的相对动彈性模量。试验结果表明，经过300次冻融循环作用后，部分PVA-ECC试件没有破坏，为了预测这部分试件的使用寿命，以试验数据为样本值，建立基于BP神经网络的使用寿命预测模型。

一、试验概况及结果

根据《普通混凝土长期性能和耐久性能试验方法》（GBJ82-85）中抗冻性能试验的快冻法的规定，试验制作了8组尺寸为100mm×100mm×400mm的棱柱体试件，每组3个;养护后放入浓度为3.5%的NaCl溶液中浸泡，冻融循环作用，每经过25次冻融循环作用后测定相对动弹性模量值，试验结果如表1所示。

二、BP神经网络预测模型的建立

（一）人工神经网络模型模型

神经元是建立人工神经网络模型的关键，本文采用的是基于模拟生物神经元信息的传递特性，即输入、输出关系。 输入层节点数一般由建立网络时所考虑的因素的个数确定^{【3】【4】}，在本文中考虑的影响因素主要有水泥含量、粉煤灰含量、硅粉含量、PVA纤维含量以及冻融循环次数，所以网络输入层的节点数为5。输出层节点的个数由输出的变量数确定。在本文中输出的变量只有一个即相对动弹性模量，所以输出层的节点数为1。所以采用的节点数为5-N-1，其中N表示隐层节点数。

本文采用公式1来讨论神经网络隐层节点数的确定^[4]，在本文中=5， =1，所以N的取值范围为7-16之间的常数。

当隐层节点数N=13时，运行结果如下：

从图1中可以看出，5-13-1的结构在经过8693次训练后，其误差平方和就达到0.0099938，，所以5-13-1结构无论在迭代次数、训练误差、耗时和测试样本精度方面都满足要求。因此，本研究确定的网络结构为5-13-1三层网络。

输入层采用tansig正切S型传递函数神经元，输出层采用logsig对数s型传递函数神经元，训练函数为trainlm（Levenberg-Marquardt的BP算法训练函数）^[5]，最多训练次数为30000次，目标精度为0.01。

（二）BP神经网络的训练与预测

对于已经建立好的神经网络结构，为验证该结构的准确性，本文采用试验取得的部分数据作为训练与对比样本。表2所示为预测点与实测点相对动弹性模量之间的对比图，从表中可以看出，实测值与预测值比较接近，误差较小。

（三）冻融循环作用下的结构寿命预测

《普通混凝土长期性能试验方法标准》规定：冻融条件下的混凝土结构寿命准则以其相对动弹性模量下降到60%为准^[6]。从表1中可以看出，不同纤维、硅粉、粉煤灰、水泥含量下的PVA-FRCC试件，经历相同次数冻融循环作用下的破坏程度不相同。故将水泥含量、粉煤灰含量、硅粉含量、PVA纤维含量以及冻融循环次数作为变量，输入到人工神经网络中，得到如表3所示的寿命预测值。

表3分析可知，纤维含量0%的试件可经受200次冻融循环作用就发生破坏，0.5%的试件经受425次冻融循环作用破坏，1%的试件经历475次发生破坏，2%的试件经历450次。

综上分析可知，PVA纤维掺量的加入可提高试件的抗盐冻性能，纤维掺量为1%的试件的性能最好;粉煤灰、硅粉的掺量对试件的性能影响不大。

三、结论

1.建立的BP人工神经网络能较好的预测PVA-FRCC试件在不同纤维含量下的的相对动弹性模量。

2.PVA-FRCC试件的相对动弹性模量下降到60%时的冻融循环次数随着纤维含量的增加呈先增加后减少的趋势，纤维掺合量为1%时试件的抗盐冻性能最好，能承受475次冻融循环作用后才发生破坏。

3.在PVA-FRCC试件中加入硅粉、粉煤灰，对试件的抗盐冻性能影响不大。

参考文献

[1] 王阵地，姚燕，王玲.冻融循环与氯盐侵蚀作用下混凝土变形和损伤分析[J].硅酸盐学报，2012，40（8） ：1133-1138.

[2] 王立军，王铁成.人工神经网络的盐害侵蚀混凝土强度预测[J].哈尔滨工业大学学报，2009，141（2）：196-201.

[3] 杨志远.普通混凝土强度预测的BP网络模型[J].长安大学学报，2003，23（3）：50-53.

[4] 付义祥，刘杰.基于人工神经网络模型的C25混凝土配合比的预测方法[J].武汉理工大学学报，2002，26（4）：536-540.

[5] 王继宗，倪宏光.混凝土强度预测和模拟的智能化方法[J].土木工程学报，2003，36（10）：25-29.

[6] EngineeringmanualforconstructionandqualitycontroloftrapezoidalCSGdam[R]JapanEngineeringCenterReport2007.