基于灰色神經網絡預測橋梁基樁混凝土自由收縮應變

許紅葉 陳振富

1.南華大學城市建設學院，湖南 衡陽 421001

2.湖南高速鐵路職業(yè)技術學院，湖南 衡陽 421001

基于灰色神經網絡預測橋梁基樁混凝土自由收縮應變

許紅葉12陳振富1

1.南華大學城市建設學院，湖南 衡陽 421001

2.湖南高速鐵路職業(yè)技術學院，湖南 衡陽 421001

橋梁基樁混凝土的自由收縮應變是基樁變形研究的一個重要方面，受多種因素影響，建立計算模型比較困難。本文在試驗研究的基礎上，利用灰色神經網絡技術，在考慮多種影響因素的情況下，建立灰色神經網絡模型預測基樁混凝土的自由收縮應變，從而降低了工程造價，同時還可以得到較滿意的預測結果，為橋梁基樁混凝土自由收縮應變的研究提供了一種新方法和新思路，為工程實際應用提供了簡便的預測方法，具有重要意義。

基樁;GM(1,1)模型;灰色理論；神經網絡;自由收縮應變;預測

foundation pile; GM(1,1)model; gray theory；neural networks; free shrinkage strain; prediction

1 前言

橋梁結構混凝土耐久性的問題越來越引起工程界的重視。在橋梁領域，泵送混凝土澆筑的構件收縮量很大，因此經常出現(xiàn)收縮裂縫?；炷恋氖湛s機理至今尚未統(tǒng)一，但大多數(shù)的研究成果認為混凝土是具有大量孔隙的材料。

國內外有不少研究成果[1～3]，以往的研究成果多數(shù)以試驗數(shù)據為依據，建立的混凝土自由收縮應變的表達式，都能在特定條件下反映一定的規(guī)律。但是橋梁工程所處環(huán)境變化較多，因此沒有統(tǒng)一的公式。同時，對實際工程而言，不可能對每一個工程都做試驗，從而建立具體工程的混凝土自由收縮應變的表達式，如果建立橋梁工程樣本庫就能更好地解決問題，同時降低工程鑒定造價，成本降低，灰色神經網絡方法就具有這方面的優(yōu)勢。因此，本文基于灰色神經網絡來對這一問題進行探討。

2 混凝土自由收縮機理

混凝土的自由收縮是指混凝土在不受力的情況下，因變形產生的體積減小，一般說來，混凝土的自由收縮機理主要有以下3種[2]：

(1)硬化收縮 (2)失水收縮 (3)碳化收縮

在這三者中，以失水收縮最為顯著，大約占總體積收縮量的80%～90%，混凝土的收縮是一個長期發(fā)展的過程，但早期發(fā)展較快，后期會逐漸減緩，若收縮以30年計算，則收縮量的60%～85%是在第1年內完成。

混凝土的體積收縮是一種必然現(xiàn)象，由于結構的整體作用，每種構件都受到不同程度的約束，因此混凝土收縮必然在結構構件中產生內應力，當這些應力足夠大時，就會導致結構構件的開裂。

3 自由收縮應變的試驗評估模型

混凝土自由收縮經驗公式很多，經綜合分析，決定采用美國ACI209委員會方法[2]。

潮濕養(yǎng)護條件下的自由收縮

式中，t為養(yǎng)護終了以后的天數(shù)；εsh，(t)為某一天的收縮值；εsh,∞為極限收縮值。

式中，γcp為初始養(yǎng)護條件的校正系數(shù)；γλ為環(huán)境相對濕度校正系數(shù)；γh為平均厚度校正系數(shù)；γs為坍落度校正系數(shù)； γψ為細集料含量校正系數(shù)；γc為水泥含量校正系數(shù)；γa為空氣含量校正系數(shù)。

4 灰色神經網絡組合模型

4.1 理論基礎

灰色神經網絡是指將灰色系統(tǒng)和人工神經網絡相結合的算法，使兩者優(yōu)缺互補，從而提高計算精度和運算能力，更好地解決復雜的小確定性問題?；疑窠浘W絡組合模型的建模原理是將GM(1,1)模型所得的預測值作為BP神經網絡的輸入樣本，把真實值作為目標樣本，神經網絡進行訓練，可得到一系列對應于相應結點的權值與閾值[5]。然后再將第一步GM(1，l)模型的預測值作為神經網絡的輸入，進行仿真得到相應的輸出，即為組合模型的預測結果。該組合方法主要是通過3層BP神經網絡具有偏差和至少1個S型隱含層加上1個線性輸出層的網絡能逼近任何有理函數(shù)的特性，通過訓練使得神經網絡來模擬序列數(shù)據之間與序列之間的關系，如圖1所示。

圖1 灰色神經網絡組合模型示意圖

4.2 網絡建模

大量工程調查和研究結果表明[1,2,6-8]，混凝土自由收縮應變與水灰比、齡期、砂率和環(huán)境相對濕度有密切關系。隨著水灰比的降低、齡期的增長、砂率的提高及相對濕度的降低，基樁混凝土自由收縮應變是提高的。

因此，選取網絡模型為輸入層4個節(jié)點，分別為水灰比、齡期、砂率和環(huán)境相對濕度；輸出層為1個節(jié)點，為自由收縮應變；隱層取8個節(jié)點。

5 算例及分析

從實際工程中獲得試驗數(shù)據8組。以其中的5組構成訓練集，如表1所示，以其余3組作為測試集，如表2所示。

表1 灰色神經網絡學習結果與公式計算結果對比

表2 灰色神經網絡測試結果與公式計算結果對比

由表1、2可以看出，由灰色神經網絡得到的計算值與實測值的差異較小，較之其他方法[2]所得的結果更接近工程實際，建立的灰色自由收縮應變預測模型，其結果是令人滿意的。

6 結語

（1）研究混凝土自由收縮應變是研究鋼筋混凝土結構耐久性的一個關鍵問題。本文建立的混凝土自由收縮應變的預測模型，其結果是令人滿意的。

( 2)灰色神經網絡組合模型將GM ( 1, 1)模型與BP神經網絡模型優(yōu)點相結合，有實際的工程應用前景。

[1] 馬新偉,史壽國,張印成.高性能混凝土自由收縮與限制收縮[J].低溫建筑技術,2007(3):14-16.

[2] 周履, 陳永春.收縮徐變[M].北京:中國鐵道出版社,1994.

[3] Vivian W. Y. Tam C. M. Tam. Assessment of durability of recycled aggregate concrete produced by two-stage mixing approach[J]. J Mater Sci,2007(42):3592-3602.

[4] CARSTEN H.BOTTS. A shrinkage estimator for spectral densities[J]. Bilmetrika Trust,2006(93):179-185.

[5] 劉思峰等.灰色系統(tǒng)理論及其應用[M].北京:科學出版社,2004

[6] 彭振斌,陳迎明,劉安邦.混凝土收縮機理及其診治原理[J].混凝土,2003(3):30-31.

[7] 許東,吳錚.基于MATLAB6.x的系統(tǒng)分析與設計—神經網絡[M].第二版.西安:西安電子科技大學出版社,2002.

[8] 吳相豪.海洋環(huán)境中鋼筋混凝土構件銹脹開裂時間的解析解[J].上海海事大學學報,2006,27(3):22-26.

The Prediction of Free Shrinkage Strain of Reinforcement in Bridge Pile Concrete by Gray Neural Network

XU Hong-ye1,2CHEN Zhen-fu1
1. School of Urban Construction, University of South China, Hengyang 421001 2. Hunan Technical College of Railway High-Speed, Hengyang 421001

The free shrinkage strain of bridge pile concrete is an important aspect.It is influenced by many factors which make it difficult to build any calculation model. Based on the test results, gray neural network was introduced into the prediction of the free shrinkage strain of bridge pile in this paper. Considering multi-factors, gray neural network models were built. It is shown that satisfactory results can be achieved by the given models, whereas need no mathematical model. Therefore, gray neural network will break a new approach for the study on the free shrinkage strain of concrete, which will provide a simple calculation method for engineering in practice as well.

10.3969/j.issn.1001-8972.2012.10.046

TU375

A

許紅葉（1984.8）,女,職稱：講師，研究方向：建筑與土木工程

陳振富，男，職稱：教授，研究方向：建筑與土木工程。