文摘

本研究的重点是利用自适应人工神经网络系统来评价抗滑值(英国摆数;症)的玻璃纤维增强瓷砖材料。在神经模型的创建,被认为是四个主要因素:纤维、碳酸钙含量、喷砂、抛光性能的标本。该模型的训练,测试,并与现场测试结果。根据研究结果的比较,分析和现场试验结果表明,有一个预测BPN是潜力巨大的玻璃纤维增强瓷砖材料利用发达的神经系统。

1。介绍

许多研究都集中在打滑和滑动阻力特性的建筑材料在发达国家为了减少事故发生率。这些国家,尤其是美国,发生严重的环境条件,取得了巨大的费用由滑倒事故。事故的成本在美国是在1985年和1994年的37.3和644.1亿美元,分别为(1]。此外,2020年的估计成本大约是850亿美元(2]。由于falling-caused每年二十万人受伤的交通事故,其中,接近百分之一失去他们的生活(3]。

如今,研究已经进行三个主要目标:(i)人类的脚穿及其标准,(2)建筑材料及其标准,(3)环境(1]。一般来说,在建筑材料行业,所有的生产测试设备和运营基于橡胶摩擦。这些测试工具基本上由一个垂直荷载,预计速度和摩擦测量轮。与他们的结构简单,测试通过这个设备有时变得复杂和昂贵,如果大型建筑材料计划进行测试。除此之外,测试结果取决于动态因素,如温度、测试速度、朴实带有橡胶质量和老化,甚至材料(4]。这些因素直接影响到抗滑性,是很有问题的控制由其本质所决定的。

已研制出许多方法来确定材料的抗滑值。他们中的一些人依赖于材料表面的二维或三维数据的帮助下激光传感器(5- - - - - -7]。Depolarization-based方法研究而不是改善了由于材料的光学性质没有反映材料之间的相互作用和影响源(8,9]。预测通过材料的表面性质和相关研究文献中可以包括一些回归模型、模糊逻辑、人工神经网络(10- - - - - -12]。

尽管有广泛的知识之间的交互近年来建筑材料和防滑的起源,一个安全的和稳定的方法尚未开发。最喜欢和认可的材料生产测试设备橡胶。在抗滑性测试,它失去了内部倾销能量,这证实了影响测试结果的主要因素是材料的表面13,14]。

人工神经网络(ann)方法模拟大脑的行为特征函数和人类神经系统(15]。安是一个信息系统,旨在提供功能如人类的大脑就像系统的学习、联想、分类、概括,评估和优化16]。各种数值模拟技术的局限性和失败的许多数学模型高度非线性行为的土壤也被认为是复杂的,耗时的,而且并不总是实用为土木工程方法。在建筑材料和岩土工程问题,与土木工程的许多领域一样,安已经广泛应用与预测精度高,模型的阻力值(15- - - - - -18]。

有一些组件的系统包括激活功能,学习算法,根据建筑结构考虑安的性能。一般来说,人工神经网络主要分为两种类型:即前馈(FF)和复发性(R)。其中最著名FF-ANNs是多层感知神经网络(MLP)。安架构可以由一个输入层、输出层和一个或多个隐藏层(19]。反向传播(BP)网络学习的持续存在,及其在土木工程(特性得到了广泛的应用20.]。模型预测的准确性受到数量的隐藏层和BP神经元网络(19]。确定最优隐层神经元的数量和隐藏层的数量取决于问题的复杂性和数据库的大小不能被连接到一个规则。最准确的预测通常是获得一个隐藏层。然而,足够数量的神经元的选择给出了这些方法的反馈下。输入变量的主要因素影响这个问题的答案。和输出变量对应输出层神经元的数目是预期的回答这个问题。输出层的神经元与外部环境的系统输出的配置。在裂谷的错误在训练集可以开车到一个非常小的数量;然而,当日期是应用于神经网络,它变得更大。这种情况可以在机器学习表现不佳的原因(18,21]。培训MLP-ANN可以由不同的算法。据一些研究人员、训练算法用于网络。结束的时候安的训练阶段,网络产生输出给定输入。这些输出仿真结果与目标相比。

本研究范围内,英国摆测试仪是首选的抗滑值测定材料造成实验结果并与神经网络分析的比较结果。神经模型的预测能力进行了研究。

2。玻璃纤维增强瓷砖材料和实验研究

由玻璃纤维加强陶瓷材料是一种有效和稳定的方法来提高陶瓷材料的强度和耐久性性能(22]。耐碱玻璃纤维用于提高混凝土地板材料的抗弯能力。纤维的物理机械性能如表所示1。

表1
耐碱玻璃纤维的特性。

Spray-cast方法申请生产线(图工作1)。杰姆我52.5 R水泥类型是用于现场的混合设计应用程序。水泥的化学和物理性能表2。


图1
喷涂过程。
表2
杰姆的化学和物理性质我52.5 R水泥。

耐碱玻璃纤维被添加到混合的利率为1%,1.5%,2%,2.5%(最大值)与相关文献研究[23- - - - - -26]。使用水泥替代材料,碳酸钙的利率为5%,7.5%,2%,10%。

喷涂后的硬化过程和瓷砖材料,抛光和喷砂方法应用于材料的表面(数字2和3)。

(一)
(一)
(b)
(b)
图2
(a, b)喷砂应用标本。

图3
抛光标本应用。

英国摆的所有标本记录英国摆测试仪的使用。

3所示。人工神经网络分析

一个三层前馈MLP-ANN采用抗滑性的评估。摘要ANN-1和ANN-2设计来估计英国摆数量(症)。在这些模型中,添加剂,即碳酸钙3%,碳酸钙(CC) 5%,碳酸钙10%,纤维含量(FC)和喷砂(某人),是ANN-1的输入参数,和碳酸钙3%,碳酸钙(CC) 5%,碳酸钙10%,纤维含量(FC)和抛光(P)是ANN-2输入参数。观察到的BPN是值是唯一的ANN模型的输出参数。

数据从几个场景类似的问题已经确定,甚至通过使用一个隐藏层,网络可以解决任何复杂的函数。因此,在这项研究中,一个隐藏层选择ANN模型。ANN模型的数据分类进行了建议:80%的数据进行训练和测试为20% (27- - - - - -30.]。模型中,log-sigmoid传递函数,利用LM算法用来合成的ANN模型。参数的细节考虑症分析在这项研究中给出了表3。

表3
详细的参数用于人工神经网络和先生模型开发。

根据不同的场景中添加剂的评估、抛光、喷砂,症MLP-ANN数据所示值建模4和5。总体良好的ANN模型之间的协议和实验观察被发现。

(一)
(一)
(b)
(b)
图4
比较BPN是测量值与ANN-1 BPN是值预测模型训练(a)和(b)喷砂条件下测试样品。
(一)
(一)
(b)
(b)
图5
比较BPN是测量值与ANN-2 BPN是值预测模型训练(a)和(b)抛光条件下测试样品。

从先生分析的结果指出,1),R值为0.534。可以看出R价值不是很高,而是显示了良好的相关性非常高的结果R2值。可以看出ANN-predicted值更少的分散和接近现场测量。这些结果与类似的预测研究的结果(29日,30.]。此外,为了显示BPN是测量值与预测值之间的关系,BPN是值预测(1)与症从实验观测值计算,如图6对所有样本。


图6
BPN是计算值的比较与预测先生症值模型对所有样本。

这些计算和分析后,安的性能可以评估四个因素,即决定系数(R2),方差占(VAF),平均绝对误差(MAE)、均方根误差(RMSE)表4。在确定系数的情况下,当R值接近1,可以得出结论:网络可以预测数据正确,同时在其他性能因素,最小的参数是最好的。

表4
性能指标(R 2、RMSE美,VAF)安和先生的模型。

除了性能指标,为了看透的功能相关性,提出一个图形之间的比例误差百分比(SPE)(由(2))和累积频率数据描述了7- - - - - -9分别为ANN-1 ANN-2,模型考虑先生在这项研究中使用的数据研究类似的文学研究[30.- - - - - -32]。 那里的症p和米预测和实测英国摆(症)和数量(BPN是吗米)马克斯和症米)最小值分别是最大和最小测量症。


图7
按比例缩小的比例从ANN-1 BPN是预测模型的误差。

图8
按比例缩小的比例从ANN-2 BPN是预测模型的误差。

图9
按比例缩小的百分比误差先生BPN是预测的模型。

大约91%的BPN是价值从ANN-2预测模型分为±10%的SPE,指示一个完美的估计症的价值。大约71%的BPN是价值从ANN-2预测模型分为±10%的SPE,表明近估计症的价值。这些结果表明,ANN模型开发优于先生模型在预测症的价值。可以得出结论,ANN-2模型在研究中可以使用估计的BPN是价值所以测定抗滑和相关测量。抛光性能被发现是最重要的输入参数随后喷砂的重量和偏见的基础上训练网络。

4所示。结果与讨论

在这项研究中,安和先生的效率模型来预测英国摆数量(症)调查和比较。为了达到这个目标,BPN是值测量通过改变添加剂比例,纤维比,抛光,喷砂条件和利用先生在安和的仿真模型。安中使用的输入参数和模型四种常见添加剂先生百分比(CC 3%, CC 5%, CC 10%,和纤维比)和两个独立的实验条件(抛光和喷砂)。两种模型的输出参数是衡量英国摆数量(症)。

散点图的计算和预测症的ANN模型如前一节所示。显然,故事情节近似一条直线,证实了ANN-2模型预测的精度高症。的R2训练和测试数据的值分别为88.92和90.39,分别。

信息披露

作者证明他们没有从属关系与组织或参与任何与任何经济利益或实体(如谢礼;教育补助金;参与发言的部门;会员、就业、咨询公司、股权或其他股权利益;和专家证词或专利许可协议)或非金融利益(如个人或职业关系、从属关系、知识或信仰)在本文中讨论的主题或材料。

的利益冲突

作者宣称没有利益冲突。