基于BP网络的混凝土抗冻性

运用改进的BP算法,建立了3 5 2及3 5 1混凝土抗冻性BP网络计算模型·模型(1)(3 5 2)以水灰比、单位水泥用量及砂率为输入,以冻融后混凝土质量损失及冻融后混凝土强度损失为输出;模型(2)(3 5 1)及模型(3)(3 5 1)的输入与模型(1)相同,输出分别为冻融后混凝土质量损失和冻融后混凝土强度损失·计算结果与试验结果符合较好·     

基于BP网络的粉煤灰混凝土钢筋握裹力计算

基于改进的BP算法,建立了2个粉煤灰混凝土钢筋握裹力BP网络计算模型,模型1为2-6-1型,即该模型输入层为2个神经元,隐含层为6个神经元,输出层为1个神经元,模型1的输入为水胶比及粉煤灰掺量,输出为混凝土钢筋握裹力;模型2为2-8-2型,即该模型输入层为2个神经元,隐含层为8个神经元,输出层为2个神经元,模型2的输入为水胶比及粉煤灰掺量,输出为混凝土强度及钢筋握裹力.模型1混凝土钢筋握裹力计算相对误差为0.019 08%~3.128 92%;模型2混凝土强度及钢筋握裹力计算相对误差分别为2.248 55%~6.808 00%和0.112 74%~9.773 29%.计算结果较为理想.     

基于灰色建模的再生混凝土碳化深度预测研究

在现有试验研究成果基础上,采用灰色模型,考虑水灰比、水泥用量和矿物掺和料三种因素,对再生混凝土碳化深度建模研究。研究表明灰色模型可以用于再生混凝土碳化深度预测;新陈代谢模型预测准确性最好。制作同条件碳化试件,获取碳化深度实测数据,采用灰色模型预测碳化深度,是一种实用的再生混凝土碳化深度预测方法。     

基于BP网络的HSRC节点骨架曲线的预测

结合5个在低周期反复荷载作用下的钢骨高强混凝土柱/钢筋高强混凝土梁框架节点的试验研究,描绘了节点的骨架曲线·利用神经网络的原理,通过建立神经网络的输入层、隐含层、输出层,确定输入单元、输出单元和隐含层节点数,从而建立了神经网络的模型,并根据已有的一些数据,对网络进行训练,使其具有分析和判断的功能,从而对钢骨高强混凝土框架节点的骨架曲线进行了预测·结果表明,这种方法是可行的·     

基于BP神经网络的GFSINS角速度预测

针对无陀螺捷联惯导系统(GFSINS)中传统角速度算法解算精度不高的问题,提出一种可避免复杂代数运算的反向传播(BP)神经网络算法来求解角速度.基于一种十加速度计构型方案,选择10个加速度计输出、采样周期和臂杆距离等12个已知量作为网络输入,以对数法得到的角速度值作为期望输出,针对5 000个样本在不同的隐含层层数、单层神经元个数以及学习步数等情况下进行网络训练,构建了一个含有30个隐含层神经元的3层BP网络模型.采用此模型对角速度进行实时预测,结果表明:网络具有很好的适应能力和实时性,角速度实时预测时间与对数法相当,且其预测精度比对数法提高大约3倍.     

BP算法的改进

针对多层神经网络中由于隐含层神经元饱和而引起的局部极小值问题,提出一种改进的BP算法.每一种训练模式在隐含层的神经元都采用各自的传递函数,该改进算法的思想是当网络输出没有取得期望的结果时,修改传递函数以防止隐含层神经元饱和,这种改进的算法既不用改变网络的拓扑结构,也不会消耗更多的计算时间.     

严重事故条件下安全壳混凝土气体渗透性预测

核电站发生严重事故时安全壳内部形成的高温、高湿、高压条件对安全壳混凝土的抗气体渗透能力有着极大的考验。本文基于理论分析模型建立数据样本，环境温度、水蒸气分压、升温速率和混凝土的水扩散系数作为为输入变量，安全壳混凝土气体渗透深度作为输出变量，利用BP算法设计了包含4个输入层节点、12个隐含层节点、1个输出层节点的人工神经网络结构，对严重事故工况下安全壳混凝土的抗气体渗透性能进行分析预测。模型测试结果的相对误差在5%以内，相关系数达到了0.999 7，研究结果表明反向传播神经网络（BPNN）有着有效可靠的预测能力，能对安全壳混凝土的气体渗透深度进行高精度预测。     

基于人工神经网络的碳/陶瓷复合材料性能预测

利用人工神经网络的BP算法,建立了碳/陶瓷复合材料性能与多组分掺杂含量之间的预测模型.模型由输入层、隐含层和输出层3层神经元组成,用以模拟人脑的结构.以掺杂物的质量分数为输入参数,经石墨化后测得的复合材料的电阻率和抗折强度为输出参数.选取了30组实验数据作为学习样本,任意的7组数据作为"未知样品"对网络进行验证.结果表明,实验值和预测值相比电阻率的最大误差不超过8%,抗折强度的最大误差不超过12%.所建的网络可为碳/陶瓷复合材料设计提供理论指导.     

粉煤灰混凝土碳化试验研究

随着环境的恶化,空气中的CO_2浓度越来越高,混凝土碳化现象越来越严重,导致混凝土耐久性不断下降,造成巨大的经济损失。通过快速碳化试验,研究了水胶比、水泥用量和粉煤灰掺量这三个指标对粉煤灰混凝土碳化深度的影响,并采用灰关联法分析了三个因素对碳化深度的影响程度。结果表明:随着水胶比和粉煤灰掺量的增大,碳化深度增大;一般情况下,水泥用量越多,碳化深度越小;在混凝土碳化过程中,粉煤灰掺量对碳化深度的影响最大。     

基于BP网络的水泥强度预测

运用改进的BP算法,建立了水泥强度预测模型.模型1用于预测水泥抗压强度,网络输入为水泥3 d抗压强度,网络输出为水泥28 d抗压强度;模型2用于预测水泥抗折强度,网络输入为水泥3 d抗折强度,网络输出为水泥28 d抗折强度.网络的改进主要采用附加冲量和自适应学习率等方法,网络运行良好.模型1的相对误差平均值为1.665 5%;模型2的相对误差平均值为3.834 1%,预测结果较为理想.     

混凝土碳化深度的人工神经网络分析与预测

基于水灰比、碳化龄期、相对湿度以及抗压强度对混凝土碳化深度影响的试验研究成果,利用BP网络和RBF网络按内推与外推两种方式,对混凝土碳化深度进行分析与预测.通过两种网络的分析与预测性能比较,建议优先采用RBF网络进行内推预测,对于外推预测则只能采用BP网络.     

细观层面的混凝土碳化过程数值模拟

为在细观层面上研究混凝土碳化问题,首先建立了基于积累分布函数的三维球形骨料生成方法,分析了随机性对模拟结果的影响,对骨料最大粒径、最小粒径和体积分数的选取原则进行了讨论.建立了简化的混凝土碳化数值模型,分析了骨料对宏观层面混凝土碳化行为的影响.结果表明,骨料的稀释效应和扭曲效应将降低混凝土的碳化深度;骨料在水泥浆中的非均匀分布将导致宏观上混凝土碳化深度的非均匀性.     

Effect of cement types, mineral admixtures, and bottom ash on the curing sensitivity of concrete

The curing sensitivity of concrete with cement Types 1, 3, and 5 as well as multiple powders consisting of cement, fly ash, and limestone powder was studied. Bottom ash was also used in the study as an internal curing agent and a partial substitution of fine aggregate. The curing sensitivity index was calculated by considering the performances of compressive strength and carbonation depth. Specimens were subjected to two curing conditions: continuously water-cured and continuously air-cured. The results show that cement Type 3 has a lower curing sensitivity, while cement Type 5 increases the curing sensitivity. For the mixes without bottom ash, the use of fly ash increases the curing sensitivity, while limestone powder reduces the curing sensitivity of concrete. The use of bottom ash in concrete reduces the curing sensitivity, especially at a lower mass ratio of water to binder. Concrete with limestone powder, together with bottom ash, is least sensitive to curing. The curing sensitivity calculated from carbonation depth also has a similar tendency as that derived by considering compressive strength. From the test results of compressive strength and curing sensitivity, bottom ash has been proven to be an effective internal curing agent.     

测试混凝土孔溶液的pH值研究混凝土的碳化性能

设计了单掺30%粉煤灰、单掺30%矿渣微粉、复掺粉煤灰和矿渣微粉总量为30%以及不加矿物掺合料的普通混凝土试件,运用混凝土孔溶液的表观pH值测试法对上述混凝土的碳化性能进行研究,并与酚酞溶液测试结果进行对比.研究表明,pH值测试法是一种能反映混凝土抗碳化能力的可靠测试方法.混凝土抗碳化能力越高,混凝土表层的pH值越大,该值在混凝土内部恒定时的深度越小.结合两种测试方法可将碳化混凝土内部分为完全碳化区、部分碳化区和未碳化区,两种测试方法得出的完全碳化区深度基本相等,部分碳化区深度约为完全碳化区深度的2倍.在钢筋混凝土抗碳化性能设计中,要求部分碳化区深度不允许超过混凝土保护层厚度更为科学.     

基于灰色理论预测电沉积处理后的混凝土抗碳化性能

选用ZnSO4,MgSO42种溶液,对带裂缝的砂浆试件进行了修复,测定了7d,14d,21d,28d,35d龄期试件裂缝处的碳化深度,并就采用MgSO4溶液进行电沉积处理后混凝土裂缝处的碳化深度进行了灰色预测.结果表明:带裂缝的砂浆试件经电沉积处理后,其抗碳化能力均有所提高,而且采用MgSO4溶液处理后,抗碳化能力的提高程度要高于ZnSO4溶液,GM(1,1)模型预测精度比较高,可以用于电沉积处理后混凝土抗碳化性能的灰色预测.     

上海地铁地下连续墙混凝土碳化深度预测模型

为了得到针对地下连续墙的碳化深度预测模型,对现场取制试件进行了快速碳化试验.试件取自建成已10年之久的上海地铁一号线,试验分别在CO2为20%,30%两种质量分数下进行.利用Matlab对试验数据进行回归得到了三种地下连续墙碳化深度预测模型:随时间以及CO2质量分数变化的预测模型;随混凝土抗压强度变化的预测模型;考虑碳化龄期和混凝土抗压强度变化的预测模型.分析表明,所得碳化深度预测模型有其可靠性和实用性.     

Accelerated carbonation and leaching behavior of the slag from iron and steel making industry

Ground granulated blast furnace slag(GGBFS)and steelmaking slag have been used as a raw material for cement production or as an aggregate to make concrete,which contribute aluminum,calcium,iron,and silicon oxides.The suitability of the slag for a particular application depends on its reactivity,cost,availability,and its influence on the properties of the resulting concrete.For the interest of durability studying of concrete in the presence of slag,the accelerated carbonation products and leaching behavior of the slag and Portland cement(PC)were studied.The experimental results confirmed that the slag was more resistant to carbonation compared to PC.The carbonation degree of GGBFS reduced by 17.74%;and the carbonation degrees of steelmaking slags reduced by 9.51%-11.94%.Carbonation neutralized the alkaline nature of the hydrated pastes and gave rise to the redox potential of the leachate slightly(30-77 mV).The carbonation also increased the release of most of the elements presented,except for calcium,to the aqueous environment.It is concluded that blend cements(PC plus slag)have economical advantages and better durability compared to PC.