3 混凝土抗压能力测试
3.1 混凝土抗压强度神经网络模型
混凝土制作的材料主要为水泥、石灰石粉、低品质粉煤灰、机制砂、碎石、水、减水剂7种材料。这其中材料的所占比例是影响混凝土强度的主要影响因素。同时这7种材料之间存在非线性、不确定性、随机性等特点。因此根据混凝土抗压强度的情况建立一个具有一个输入层，一个隐含层，一个输出层的的三层BP神经网络模型。输入层的节点数是7个分量，即构成混凝土的其中材料。隐层的节点数在通过测试之后为了达到最佳的学习效果，选择12个分量；而输出层的节点只有一个分量，即混凝土的强度大小。
3.2 样本集选择
训练集与测试集的103组数据由表3-2-1所示：
序号 1 水泥 /(kg/m) 273 3石灰石粉 低品质煤灰 机制砂 /(kg/m) 82 3碎石 3水 3减水剂 3强度 /Mpa 34.99 /(kg/m) 105 3/(kg/m) /(kg/m) /(kg/m) /(kg/m) 210 9 904 680 32 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 163 162 162 154 147 152 145 152 304 145 148 142 354 374 159 153 149 148 148 112 89 139 0 0 0 106 109 130 0 0 116 0 191 191 190 144 115 178 227 237 140 136 139 167 0 0 149 239 180 179 179 220 202 168 240 204 214 208 193 215 234 190 175 200 12 16 19 10 9 18 6 6 6 10 7 6 6 7 15 6 843 840 838 923 860 944 750 785 895 751 768 735 959 1013 953 1002 746 743 741 658 829 695 853 892 722 883 902 836 691 730 720 684 41.14 41.81 42.08 26.82 25.21 38.86 36.59 32.71 38.46 26.02 28.03 31.37 33.91 32.44 34.05 28.29 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 295 310 296 305 310 148 146 142 140 308 295 298 314 321 349 366 274 137 275 252 165 158 156 145 154 160 291 298 318 280 287 332 326 320 342 356 309 322 159 106 0 97 100 0 180 178 130 128 111 106 107 0 0 0 0 89 167 99 76 150 0 0 177 141 146 105 107 126 92 94 0 0 0 136 142 0 0 193 136 143 0 0 143 0 0 167 164 142 136 137 161 164 178 187 115 214 127 97 0 246 243 227 181 188 0 0 0 118 121 170 167 163 0 0 142 149 0 206 168 219 196 218 183 192 174 183 217 208 201 207 190 230 191 202 226 184 194 182 174 180 209 234 203 205 186 210 207 188 160 174 188 225 193 218 186 208 11 10 9 10 10 11 11 11 12 10 6 6 6 5 6 7 9 6 13 8 12 7 11 11 11 11 6 6 6 9 9 6 6 9 11 11 10 8 12 750 914 932 959 787 972 961 883 871 783 871 878 851 870 785 824 759 708 810 835 1023 1035 1022 752 797 829 859 879 861 883 904 900 884 866 770 801 912 951 821 766 804 685 705 804 757 749 785 775 686 650 655 757 774 721 757 827 757 790 821 729 706 698 715 683 710 797 815 737 679 696 806 792 776 747 778 680 709 818 41.01 49.3 29.23 29.77 36.19 18.52 17.19 36.72 33.38 42.08 39.4 41.27 41.14 45.82 43.95 52.65 35.52 34.45 43.54 33.11 18.26 34.99 33.78 35.66 33.51 33.51 27.62 30.97 31.77 37.39 43.01 58.53 52.65 45.69 32.04 36.46 38.59 45.42 19.19 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 307 313 143 140 278 288 299 291 265 159 160 166 320 336 276 313 322 294 146 149 159 261 140 141.1 140.1 140.1 160.2 140.2 140.2 140.5 143.3 194.3 150.4 150.3 155.4 165.3 303.8 172 172.8 110 124 131 128 0 0 107 104 86 0 0 0 127 134 90 112 116 106 106 109 0 78 1.4 0.6 4.2 11.8 0.3 30.5 44.8 61.1 91.8 0.3 110.9 111.4 122.1 143.2 0.2 162.1 158.3 0 0 168 164 117 121 0 0 111 248 250 260 164 0 116 0 0 136 137 139 187 100 198.1 209.5 215.9 226.1 240 239 234.9 238.9 239.8 240 239.7 238.8 240 238.3 239.8 238.5 239.5 189 205 217 237 205 177 210 231 195 175 168 183 211 222 180 220 196 207 209 193 176 201 174.9 188.8 193.9 207.8 233.5 169.4 171.3 182.5 200.8 234.2 168.1 167.3 179.9 200.4 236.4 166 166.4 10 11 6 6 9 7 10 9 6 12 12 13 6 6 9 10 10 6 6 6 11 9 4.4 4.6 4.7 4.9 9.2 5.3 5.5 5.7 6.2 8.9 6.5 6.5 6.7 7.1 8.3 7.4 7.4 904 846 891 869 875 908 881 857 833 1041 1049 859 721 756 870 794 818 747 875 892 990 864 996.1 765 758 672 656 799 829 745 725 790 683 688 827 723 787 768 789 813 778 765 780 789 761 789.2 31.5 29.63 26.42 29.5 32.71 39.93 28.29 30.43 37.39 35.39 37.66 40.34 46.36 31.9 44.08 28.16 29.77 41.27 27.89 28.7 32.57 34.18 30.83 30.43 26.42 26.28 36.19 36.32 33.78 30.97 27.09 38.46 37.92 38.19 35.52 32.84 44.48 41.54 41.81 1049.9 780.5 1049.5 710.1 1020.9 683.8 781 1047.6 964.8 780.6 999.5 966.8 883.2 780.1 953.3 952.6 841.1 704 647.1 811.3 670.5 652.5 652.6 715.3 641.4 644.1 1028.4 742.7 1017.7 681.4 1000.2 667.2 96 97 98 99 100 101 102 103
184.3 215.6 295.3 248.3 248 258.8 297.1 348.7 153.4 112.9 0 101 101 88 40.9 0.1 239.2 239 239.9 239.1 239.9 239.6 239.9 223.1 179 198.7 236.2 168.9 169.1 175.3 194 208.5 表3-2-1 7.5 7.4 8.3 7.7 7.7 7.6 7.5 9.6 920.2 884 780.3 954.2 949.9 938.9 908.9 786.2 640.9 649.1 722.9 640.6 644.1 646 651.8 758.1 41.01 39.13 44.08 49.97 50.23 50.5 49.17 48.77 3.3样本集数据的归一化处理
在数据输入时存在这样一种情况：有的数据范围可能特别大，导致的结果是神经网络收敛慢，训练时间长。为了避免在预测中数值大的数据的绝对误差过大，数值小的绝对误差过于小，因此需要使用归一化来处理预先采集的数据。
归一化有同一，统一的含义，无论是在计算还是在建模中，数据的单位首先要先统一才可以运用，神经网络是以样本在事件中的概率来进行预测和运算的，因此数据的统一十分重要。
归一化的具体作用是统一待测样本控制在一个大小范围内。在0 - 1之间的作用是统计数据的概率分布，而在-1 - 1之间是统计数据的坐标分布。本次工作将使用归一化把数据控制在-1-1这个大小范围内，在matlab实际操作中，可以调用mapminmax这个函数来对数据进行归一化处理，它的运算函数为
其中xmax 是数据中最大的数； xmin 是数据中最小的数；
而归一化后所有数据大小都分布在-1到1之间，因此ymax取值为1， ymin 取值为-1。因此也可以将这个运算函数简化为
将之前的数据进行归一化处理后，使用matlab的plot工具把数据的分布表示
y?(ymax?ymi)n*(x?xmi)n/(xmax?xmi)n?ymi n
3-3-1
y?2*(x?xmin)/(xmax?xmin)?1
3-3-2
相关推荐：
loading