一种基于神经网络的高拱坝模型试验相似材料配合比确定方法与流程

1.本发明涉及大坝模型试验领域，尤其是一种基于神经网络的高拱坝模型试验相似材料配合比确定方法。


背景技术：

2.我国西南地区蕴含着丰富的水能资源，是现阶段我国水利建设的主要位置。随着社会需求的增加和施工技术的发展，目前该地区拟建和在建的拱坝工程中，很多工程都在200m级
‑ꢀ
300m级以上。然而，这些地区地质条件复杂、地震烈度大、地震加速度高，拱坝的抗震性能研究是工程建设和科研任务当中的主要问题。目前，关于高拱坝的抗震性能问题的研究，主要采取数值计算和模型试验两种主要方法。前者由于选取的本构关系、加载方法和积分手段的不同，不同研究得到的结果往往具有较大的差异。模型试验能直观的表现拱坝在地震作用下的力学行为，并真实的反映其抗震性能，是对数值计算的必要补充和验证。因此，在拱坝的设计阶段，通过模型试验来研究地震时拱坝的动力响应特性、裂纹的扩展规律和确定设计地震加速度是非常必要的。
3.对于高拱坝这种特殊结构来说，其自重引起的应力水平比普通结构高得多，另外，地震作用下产生的惯性力也是不可忽视的，因此开展高拱坝在地震作用下模型试验必须尽可能满足重力
‑
惯性力相似准则。对于不同的拱坝工程，其实际的工程规模和实验室条件已经决定了模型试验的几何比尺，因此，用于制备物理模型的相似材料所需要满足的重度和强度要求是严格的。为了同时满足重度和强度要求，所选用的用于配置相似材料的原材料也往往不是常见的材料，对其力学性能的掌握是不容易和不全面的。除此之外，与普通混凝土材料等不一样，用于制备物理模型的相似材料在不同的拱坝工程上有不同的要求。以上两方面都给针对某一具体高拱坝工程的模型试验相似材料的确定带来了极大的困难。
4.传统意义上，相似材料的配比设计依赖于大量的配比尝试和实验人员的经验。即根据具体模型试验的需要确定若干种原材料，进一步进行大量的配合比设计并对其性能进行测试，从而判断各原材料含量对相似材料力学性能的影响，最终逐步调整配合比设计以确定满足要求的材料。此方法存在效率不高的问题，并且会带来巨大的资源浪费。更重要的是，当考虑的力学性能要求不唯一时，依赖于经验确定的配比往往只是在一定程度上满足要求，并不是最佳的。除此之外，一些数学模型也被用于拟合配合比参数与性能的关系，但是在确定相似材料时，配合比参数和力学性能之间是高度非线性的关系，很难用一个确定的数学模型来拟合。因此，如何在少量的配比尝试实验结果下，能够高效和准确的确定所需要的相似材料配比是极为迫切和具有现实意义的。


技术实现要素：

5.基于以上现有技术的不足，本发明的目的在于提供一种基于神经网络的高拱坝模型试验相似材料配合比确定方法，以满足高拱坝动力模型试验的需求。
6.为实现上述目的，本发明提供如下技术方案：一种基于神经网络的高拱坝模型试验相似材料确定方法，包括如下步骤：
7.s1:依据初步设计的正交实验方案及其力学性能测试结果，建立相似材料的训练样本集；
8.s2:建立用于指示相似材料配合比参数与相似材料力学性能关系的人工神经网络，利用获得的训练样本集训练所述人工神经网络，得到目标人工神经网络；
9.s3:利用所述目标人工神经网络和进一步设计的细化实验方案，计算得到配合比参数和相似材料力学性能的直接映射集。
10.s4:依据所需开展的高拱坝模型试验的力学性能需求，结合拟合误差指标在所述直接映射集中选取与所述力学性能需求对应的相似材料配合比参数。
11.在一实施例中，步骤s1中初步设计的正交实验方案的设计因素包括：基于拟定的用于配制相似材料的原材料的种类，所述初步设计的正交实验方案的设计水平包括：按照原材料的质量比划分4
‑
6个等级。
12.在一实施例中，步骤s1中所需测量的力学性能至少包括以下参数中的一个：相似材料的重度、抗压强度、劈裂强度和弹性模量等。
13.在一实施例中，对上述力学性能测试结果是是对浇筑的一组6个试件进行测试并计算得到的，其计算方式如下：
[0014][0015]
其中，y
ij
表示配合比i下的力学性能参数j的标注值，是1组6 个试件按照从小到大的排序,1≤k≤6。
[0016]
在一实施例中，步骤s2的具体步骤如下：
[0017]
s21：输入训练样本集的输入特征向量和输出特征向量和输出特征向量进行人工神经网络的训练，并保存训练结果。
[0018]
其中，x
im
表示配合比i下的原材料m的含量，y
ij
表示配合比i下的力学性能参数j。
[0019]
s22：建立网络精确度误差指标，并计算s21中训练的人工神经网络的精确度。
[0020][0021]
其中，n表示用于检验人工神经网络精确度的检验样本的数量，y
ij
是配合比i下的力学性能参数j的标注值，y
fij
是配合比i下的力学性能参数j的预测值。a1，a2，...，a
j
表示所述涉及因素 1，2，...，j在精确度误差指标中的权重，所述权重根据各个指标在所研究的模型试验问题中的重要程度，在1％到100％之间取值。
[0022]
s23：重复s21和s22的步骤1000次，训练1000条人工神经网络并计算得到相应的1000 个精确度误差指标，根据精确度误差指标的最小值选择最为精确的一人工条神经网络，以确定目标人工神经网络。
[0023]
在一实施例中，所选用的神经网络为bp神经网络，隐含层选择1
‑
2层，节点数选择5
‑ꢀ
15个，传递函数选择sigmoid函数，训练方法使用最速下降法。
[0024]
在一实施例中，所述细化实验方案通过以下方式生成：
[0025]
在拟定区间上产生若干列随机数，列数与因素数m一致，行数设定为10000行，形成10000 个配合比的细化设计方案
[0026][0027]
通过所述目标人工神经网络计算配合比参数与力学性能的关系，获得能够全面反映配合比参数与力学性能关系直接映射集。r代表随机数，z表示形成的随机数矩阵。
[0028]
在一实施例中，在所述步骤s4中的建立拟合误差指标具体为：
[0029]
所述拟合误差指标通过以下公式计算得到：
[0030][0031]
其中，ω是拟合误差指标，y
tij
是配合比i下的力学性能参数j的目标值，y
fij
是配合比i下的力学性能参数j的预测值。a1，a2，...，a
j
表示所述设计因素1，2，...，j在拟合误差指标中的权重，所述权重根据各个指标在所研究的模型试验问题中的重要程度在1％到100％之间取值，最终确认与需求的性能较为接近，能够满足模型试验对于相似材料的需求的相似材料配合比参数。
[0032]
与现有技术相比，本发明提供了一种基于神经网络的高拱坝模型试验相似材料配合比确定方法，建立了神经网络训练样本集和计算出了反映材料配合比和力学性能参数的直接映射集。其中样本训练过程中使用精确度误差指标选择最为精确的神经网络，在概率上保证了训练的精度。在拟合误差指标的辅助下，建立的直接映射集可以为性能需求不同的试验提供选择。本方法与现有技术相比，确定的配合比设计节省了大量开展材料配比设计的时间、成本和资源。
附图说明
[0033]
图1是本发明的方法流程示意图；
[0034]
图2是本发明使用的神经网络结构图；
[0035]
图3是本发明实施例中1000条神经网络的精确度计算结果图；
[0036]
图4是用于设计细化配合比方案的四列随机数。
具体实施方式
[0037]
为使本发明的目的和技术方案更加清晰明白，下面结合具体实施例和附图对本发明做进一步说明。
[0038]
实施例：某拱坝坝高240米，采用c30混凝土浇筑，物理模型坝高设计为1米，其几何比尺为240。参见图1所示的流程图，本实施例包括如下步骤；
[0039]
步骤s1：依据初步设计的正交实验方案及其力学性能测试结果，建立相似材料的训练样本集。拟定的原材料包括重晶石砂、重晶石粉、粉煤灰、水泥、水，初步设计的正交实验方案的设计因素分为x1水/粉煤灰 水泥，x2水泥 粉煤灰/重晶粉 重晶砂，x3水泥/粉煤灰，x4重晶粉/重晶砂，其设计水平在于按照质量比划分4个等级见表1，共设计16个配合比方案见表2。
[0040]
表1
[0041][0042][0043]
步骤s1中所需测量的力学性能包括相似材料的y1重度、y2抗压强度、y3劈裂强度和y4弹性模量。对任一力学性能的测试是由浇筑的一组6个试件测试并计算得到的，其计算方式如下：
[0044][0045]
其中，y
ij
表示配合比i下的力学性能参数j，是1组6个试件按照从小到大的排序，本实施例中力学性能参数的测量结果汇总见表2。
[0046]
表2
[0047][0048][0049]
步骤s2：建立用于指示相似材料配合比参数与相似材料力学性能关系的人工神经网络，利用获得的训练样本集训练人工神经网络。步骤s2的具体步骤如下：
[0050]
s21：输入训练样本集的输入特征向量和输出特征向量和输出特征向量进行人工神经网络的训练，并保存训练结果。
[0051]
其中，x
im
表示配合比i下的原材料m的含量，y
ij
表示配合比i下的力学性能参数j。再进一步，步骤s22所选用的神经网络为bp神经网络，隐含层选择1层，节点数选择8个，传递函数选择sigmoid函数，训练方法使用最速下降法。所使用的神经网络结构图参见图2。
[0052]
s22：建立网络精确度误差指标，并计算s21中训练的人工神经网络的精确度。
[0053][0054]
其中，n表示用于检人工神经网络精确度的检验样本的数量，y
ij
是配合比i下的力学性能参数j的标注值，y
fij
是配合比i下的力学性能参数j的预测值。a1＝50％，a2＝70％，a3＝ 50％，a4＝100％表示所述设计因素1，2，...，j在精确度误差指标中的权重，所述权重根据各个指标在所研究的模型试验问题中的重要程度在1％到100％之间取值。
[0055]
s23：重复s21和s22的步骤1000次，训练1000条人工神经网络并计算得到相应的1000 个精确度误差指标，根据精确度误差指标最小值选择了第896条神经网络，见图3，以确定目标人工神经网络。
[0056]
步骤s3：进一步细化配合比设计方案在拟定区间上产生4列随机数，每列随机数的个数为10000个，区间分别是[0.516，0.727]，[0.176，0.214]，[0.1，0.7]，[0.5，1]，如图4 所示。通过步骤s23中确定的所述目标人工神经网络计算配合比参数与力学性能的关系，获得能够全面反映配合比参数与力学性能关系直接映射集r代表随机数，z表示形成的随机数矩阵。
[0057]
步骤s4：依据所需开展的高拱坝模型试验的力学性能需求，在计算出的直接映射集中选取相应的相似材料配合比参数。由于研究的是弹性问题，因此需保证弹模完全相似并且保证一定的强度，目标力学性能需求为重度2550kg/m3，抗压强度2mpa，劈裂强度150kpa，弹模 130mpa。建立拟合误差指标，并结合力学性能要求在直接映射集内计算拟合误差指标，选择拟合最高的配合比参数作为最终用于配置高拱坝模型试验相似材料的配合比，其中拟合误差指标为：
[0058][0059]
其中，ω是拟合误差指标，y
tij
是配合比i下的力学性能参数j的目标值，y
fij
是配合比i下的力学性能参数j的预测值，此实施例中力学性能参数j包括4种，即重度、抗压强度、劈裂强度、弹性模量。a1＝50％，a2＝70％，a3＝50％，a4＝100％表示因素1，2，...，j在精确度误差指标中的权重，在1％到100％之间取值，依赖于各个指标在所研究的模型试验问题中的重要程度。最终确定的相似材料配合比参数为：x1＝0.647，x2＝0.198，x3＝0.697，x4＝0.501，其预测性能为y1＝2555.70kg/m3，y2＝2.09mpa，y3＝160.96kpa，y4＝130.14mpa，与需求的性能较为接近，能够满足模型试验对于相似材料的需求。