+高级检索
基于BP神经网络CFRP约束混凝土抗压强度预测
DOI:
作者:
作者单位:

作者简介:

通讯作者:

基金项目:


Prediction of Compressive Strength of CFRP-confined Concrete Columns Based on BP Neural Network
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
    摘要:

    为研究BP神经网络对CFRP约束混凝土抗压强度的预测能力以及神经网络模型的输出性能,在大量的实验数据基础上,建立了CFRP约束混凝土抗压强度的BP神经网络预测模型,探讨了不同数据组合对神经网络模型预测精度的影响;基于神经网络理论,将高精度BP神经网络模型生成了可方便应用的一般公式和简化公式,并与已有经验公式进行了对比分析. 研究结果表明:BP神经网络能够很好地挖掘输入输出参数的数据信息,得到高精度的预测模型;相比于传统回归模型,用purelin代替sigmoid做传递函数推导得到的简化线性方程式仅增加了一项常数项,其预测值与试验值比值的平均值为1.011,变异系数为0.112,具有更高的预测精度和稳定性.

    Abstract:

    In order to study the predictive ability of BP neural network on compressive strength of CFRP-confined concrete and the output performance of neural network model,this paper establishes a BP neural network prediction model for the compressive strength of CFRP-confined concrete based on a large number of experimental data. The influence of data combinations on the prediction accuracy of the neural network model is investigated. Based on the theory of neural network,the high-precision BP network model is generated into general formulas and simplified formulas for application convenience,and the prediction results of the neural network models and the empirical formulas are compared and discussed. The analysis results show that: BP neural network can well mine the data information of the input and output parameters and obtain a prediction model with high accuracy; compared with the traditional regression models,the simple linear equation derived by using purelin instead of sigmoid as the transfer function only adds a constant term,and the average value of prediction result/test result is 1.011,and the coefficient of variation is 0.112,showing a higher prediction accuracy and stability.

    参考文献
    相似文献
    引证文献
文章指标
  • PDF下载次数:
  • HTML阅读次数:
  • 摘要点击次数:
  • 引用次数:
引用本文

马高?覮,刘康.基于BP神经网络CFRP约束混凝土抗压强度预测[J].湖南大学学报:自然科学版,2021,(9):88~97

复制
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2021-09-28
  • 出版日期:
版权声明:稿件一经被本刊录用,即视为作者将版权授予本刊,本刊有权根据工作需要,允许合作的数据库、新媒体平台及其他媒体进行二次转载、推介、下载和传播,如有异议,请在来稿中声明。
关闭