基于神经网络的再生混凝土配合比设计优化方案研究

王 壹 张应迁 陈 源

（四川轻化工大学，四川 自贡 643000）

0 引言

在目前大多数建筑行业中，依旧采用传统的混凝土配比方法。即使用“保罗米公式”求出水灰比列，然后通过查表来得出用水量以及需要混合的水泥比例，再通过查表得知需要混入的砂石含量比率，通过绝对体积法来计算出砂石的用量；同时还有使用绝对密度法来对砂石的使用含量进行推算的。[1]虽然使用的推算方法不同，但是这些方法都有一个共性，就是需要依靠经验性的表格来对水泥混凝土的配比进行查找。而在现代的建筑工程要求中，传统的水泥混凝土已经远远不能够达到现在的建筑标准。而传统的水泥混凝土配比表格，对更为复杂的再生混凝土无法进行原料配比。因为再生混凝土中除了对水泥的使用还有更多的复合材料以及工业废弃物中的硅灰和粉煤灰，这些材料在传统的水泥混凝土配料表中都是找不到的，因而查表法无法使用。

1 人工智能神经元网络

神经元网络(ANN)是由大量的基本信息原件来进行信息整合以及信息模拟的数据信息处理系统，模仿人类大脑对不同神经元的整合以及通过复杂的神经元网络来对信息进行处理的过程。[2]其实从本质上讲，人工神经元网络更类似于一种数学公式；不过，这种数学公式不再基于传统的数学模型基础，而是建立于数学网络基础上，对数据进行运算，对于传统的数学模型无法通过建模来解决的数据问题，人工神经元网络可以进行很好的处理运算；就比如说对于无规则也不能用简单数学公式来进行描述的问题，传统的数学模型方法是不能进行解决的，但是人工神经元网络系统却可以对这些问题进行很好的数据整理、分类，并且加以处理，然后通过不断的拟合模拟，得出最优结论；而对于再生水泥混凝土的配比结构问题，恰好符合人工神经元网络中数据的无规则性以及原始性。所以本文将通过人工神经元网络来对再生混凝土的最优配比进行研究。[3]

2 实验数据分析

与传统的普通水泥混凝土相比，再生混凝土的物理抗压性、承重性、坍塌度以及保水性都有很强的优势。然而，这些特性需要通过很复杂的因素均衡来实现。对再生混凝土最优配比的方案研究，就是想要寻求在再生混凝土的配比过程中对各个因素的协调。以求在再生混凝土的使用过程中，各项指标达到最优。根据网络以及国际中的一些实验数据，再生混凝土的强度，耐久性以及各种工程特性主要与以下一些因素有关。[4]大致包括用砂量、再生骨料的掺杂、用水量、附加用水量、骨料压碎的指标、原骨料的用量、减水剂的使用以及超细掺合料如硅灰和煤粉灰。

这里提到了再生骨料，大致类似于传统的水泥混凝土中水泥砂石的使用。对再生混凝土起到了基础硬度与强度的保证作用。同时，就好像传统水泥的吸水性一样，再生骨料中大量的粘附砂浆也会对配比原料中的水分进行大量的吸收。且由于再生骨料配比含量并不确定，所以对水的配比使用含量也是不确定的，所需要再根据再生骨料使用量的多少来确定附加水的用水量。在建筑工程建造过程中，我们不可能只对企业要求的建筑施工强度这一单一因素进行控制，建筑建造的质量同时还应该包括其他因素，比如混凝土的坍落度、保水性以及黏力、聚合度。只有这一系列的建筑因素达到国家标准要求并且远超于传统的混凝土建筑标准，再生混凝土才具有在正常的建筑施工过程中进行使用的意义。

但是就上文所提到的内容，对于影响再生混凝土强度以及各种工作特性的因素复杂而多变。很难通过简单的数学模型以及几个数学公式来进行表达模拟。这也就是造成再生混凝土不能够像传统混凝土一样广泛的推广使用的重要原因之一，同时也不可能拥有经验性的配料表来用于日常施工中进行查表操作。其实这也是本文所研究的方向，想要通过对实验数据的拟合整理来填补国内再生混凝土使用配比过程的行业空白。同时不断完善国内的建筑工程水平与质量。[5]

所查阅的文献中进行了20 组不同环境条件影响下的再生混凝土的实验。通过对环境因素、配料因素以及含水量因素等各种因素的变量控制。在混凝土充分混合以后，首先对混凝土的密度以及保水量进行观测记录。然后对混凝土的黏度以及晾晒完成以后的建筑强度、硬度进行数据记录。在进行标准养护以后，对其立方体的抗压强度进行测试。在对再生混凝土的测试中，根据现场测量数据结果可分为：良好、较好、一般、较差、很差的大致等级划分。为了更便于人工神经元网络进行数据模拟，这些数据可以量化为1.0、0.8、0.5、0.2、0.1，来对应不同的等级强度。以便于在人工神经元网络对其数据进行分析整合的过程中能达到更好的拟合效果。下面就是文献中的参考数据表格：

再生混凝土的试验参数

3 网络模型构建以及实验过程

人工神经元网络中目前应用较为广泛的应当是BP 神经元网络。BP 神经元网络是基于误差反向传播算法的多层是前向性神经元网络。BP 神经元网络主要包括输入层、输出层、隐含层以及各单元之间的相互联系。输入、输出层一般都为一层，而想要对数据拟合达到更好的效果，就要不停地对数据进行反复的模拟处理。BP 神经元网络中通过增加隐含层的层数来不断的反复进行数据模拟这一过程，从而达到实验目的。输出标准是以通过调整权值Wij，来使得误差信号达到最小。当误差达到不能够再减小的最小程度时，就说明数据的拟合已经找到了最优解。然后对所拟合的数据结果进行整理输出。

4 结语

由于本实验过程中对于数据来源选取范围较小，以及参考资料中数据范围可变性不大。导致实验数据存在一定的误差。可能与实际施工过程中的预期效果存在一定比例的偏差。但是基本实验原理是没有问题的，同时，对于数据的模拟过程也可以很好地说明，人工神经元网络是很适合用于再生混凝土最优配比问题的求解过程的。在此实验的基础上，可以根据人工神经元网络的数据模拟结论，在以后工地施工的实践过程中，通过不断的改变再生骨料的投放比例以及用水量的大小，来对操作结果进行观察，同时将这些数据量化输入到本文所建立的神经元网络模型中进行调试，如果能够通过数据拟合获得更好的再生混凝土材料配比结果，则可以进行现场实验来进行实际检验，通过对材料硬度、黏力聚合度、保水量以及坍落度等一系列的标准检测，来验证人工神经元网络拟合结果，并通过反复的实验拟合以后得出最佳的配比方案。为以后施工建设中的再生混凝土配比，以及再生混凝土的应用质量探寻更好的技术革新方向，使得再生混凝土技术不断发展。