文摘

在本文中,收集140个样本具有不同特点的文学。前馈网络用于这项研究。的参数f 'c(MPa),ρf(%),英孚(GPa)、a / d、bw(毫米)d(毫米)和VMA被选中作为输入来确定FRP-reinforced混凝土梁的抗剪强度。人工神经网络(ANN)的结构也使用蝙蝠算法进行了优化。安也比遗传算法(GA)和粒子群优化(PSO)算法。最后,Nehdi et al。模型,aci - 440和寒风- 99方程被用来评估模型的准确性。结果证实,蝙蝠algorithm-optimized安更有能力,灵活,并提供优越的精度比其他三个模型在确定FRP-reinforced混凝土梁的抗剪强度。

1。介绍

钢筋被广泛用来提高耐久性的混凝土结构(1]。然而,他们很容易受到腐蚀在酸性和碱性环境2]。因此,工程师们已经开发和利用纤维增强聚合物(FRP)钢筋为解决这个问题而设计提供进一步的好处代替传统钢筋和防止腐蚀敏感环境中(3]。在这个意义上,玻璃钢钢筋混凝土钢筋(合适的解决方案1]。

阿布达拉等人预测矩形R / C梁的抗剪强度使用人工神经网络采用六个参数:梁高、波束宽度,span-to-depth比,纵向钢筋,抗剪钢筋和混凝土强度的安输入。此外,他们比较获得的抗剪强度结果与ACI318-02 BS8110代码。结果表明,ANN提供准确预测矩形R / C梁的抗剪强度。

Nehdi等人提出了一套GA-optimized方程FRP-reinforced混凝土梁的抗剪强度计算和比较它们与ACI 440中概述的方法,CSA S806, JSCE,伊希斯(加拿大)代码。他们发现策略提出了计算FRP-reinforced混凝土梁的抗剪强度不足或非常保守。同时,Nehdi等人利用GA和发展出了一套简单的方程来确定FRP-reinforced混凝土梁的抗剪强度。212年实验样品进行检测的结果表明,剪切span-to-depth比率影响bonded-FRP-reinforced混凝土梁剪切行为(4]。此外,各种其他学者,包括里卡多·佩雷拉等人,Shahnewaz et al ., GA进行研究来确定抗剪强度方程。卡拉优化遗传算法来确定混凝土梁的抗剪强度。在另一项研究中,Shahnewaz等人使用一个数据库包含162实验玻璃钢梁有或没有肩带,并使用遗传算法优化方程。他们建立了该方程更准确比前面的建筑规范中提供的方程(5]。而不是使用多元线性回归模型,佩雷拉等人使用ANN预测钢筋混凝土梁的抗剪强度。同时,他们提出了一个参数研究,以确定一些参数的影响,梁和外部钢筋的抗剪强度来实现可靠的设计。他们建立了ANN模型优于建筑规范指南(6]。在另一篇文章中,佩蕾娜等人使用神经网络来预测剪切强度的同时测试的实验数据简单FRP-reinforced梁和比较结果(7]。

Tanarslan等人使用84混凝土梁样品来确定剪切强度的玻璃钢和ANN建模。他们比较结果与几个建筑规范,包括fib14 ACI 440.2 r, CIDAR CNR-DT 200, CHBDC。结果表明,ANN模型提出了精度比代码(8]。使用人工神经网络,塔拉和Ramezanianpour确定的极限强度碳纤维增强聚合物(cfrp) (9]。Mozumder等人决定混凝土的抗压强度使用支持向量机回归,提出的模型与人工神经网络相比,选择有效的输入参数进行了敏感性分析。研究表明,SVR可以作为一个强大的替代物理工具预测FRP-confined混凝土强度(10]。

Chahnasir等人决定FRP-reinforced混凝土梁的抗剪强度使用支持向量机和萤火虫算法。他们将该模型与一个安结合遗传算法(11]。南非等人表明,萤火虫算法可以降低该模型误差和测量混凝土的抗压强度高的精度。周等人使用智能萤火虫算法(IFA)来优化支持向量机模型的权重。结果,他们证实,该模型是高度准确12]。最后,小张和小王甲虫天线使用搜索(BAS)算法与支持向量机相结合,具有高的准确性R2= 0.938。他们还表明,FRP宽度是最敏感的变量在梁抗剪强度13]。

Abuodeh等人研究了钢筋混凝土(RC)梁和的行为决定了剪切强度FRP-reinforced状态使用机器学习。他们使用120 -样本数据集与15个不同的变量。他们利用弹性反向传播算法建模的递归特性消除(RFE)算法来优化权重和敏感性分析,以减少使用参数。结果表明,径向基概率神经网络(RBPNN)与所选参数准确地预测FRP抗剪能力(R2= 0.885)(14]。同时,在一项研究中,Kamkar等人决定一个新的决定玻璃钢梁的抗剪承载力公式(15]。

Naderpour等人使用各种方法,包括人工神经网络、基因表达式编程,和组的数据处理方法,预测FRP-confined列的抗压强度。他们的模型构成95实验数据。输入参数包括柱高度、混凝土抗压强度、FRP弹性模量、屈服强度、纵向钢筋的面积,玻璃钢和横向钢围压。同时,他们比较结果与公式提供的国家和国际建筑规范的ANN模型提出了优越的准确性(16]。Naderpour等人利用ANN模型开发了一个新的预测方程FRP-reinforced混凝土梁的抗剪强度。为此,120年实验数据。此外,灵敏度分析进行了检查输入参数对输出的影响。给出的结果表明,该方程提供了更好的结果和更高的精度比其他关系12]。Naderpour等人也决定了纤维塑料筋的抗剪强度使用人工神经网络(17]。

曹等人使用了六个输入参数代表酒吧的几何和力学性能和剪切性能。然后,利用自适应神经模糊推理系统(简称ANFIS),他们比较FRP-reinforced混凝土梁的抗剪强度。他们建立了剪切span-to-depth比例参数影响最显著的预测FRP-reinforced混凝土梁的抗剪强度。他们还表明,抗拉钢筋深度、玻璃钢拉伸模量和剪切span-to-depth比率的主要影响参数在预测FRP-reinforced混凝土梁的抗剪强度18]。卡尔等人,确定钢筋混凝土梁的抗剪强度使用一种自适应神经模糊推理系统(19]。阿拉姆和Gazder提出了广义回归神经网络(GRNN)的模型来预测FRP-reinforced混凝土没有横向钢筋的抗剪强度。他们使用196例实验室样品和模型的精度与JSCE相比,CSA S806, ACI 440.1 r,寒风建筑规范。该模型表现出优越的精度比建筑规范(20.]。

很多机会存在于土木工程开发模型使用新颖的优化技术。蝙蝠优化算法是一个metaheuristic算法受到蝙蝠的行为。它成功表现超过其他metaheuristic算法(21]。这项研究强调增加预测模型使用蝙蝠算法训练安的能力。本文的另一个优点是使用蝙蝠算法在人工神经网络优化权重,减少错误率,提高模型的精度。该算法可以作为一种强大的工具。该方法反映了所有关键参数需要预测FRP-reinforced混凝土梁的抗剪强度,分析他们使用数据库140个样本。

本文的其余部分如下:部分2提供了一个全面的上下文对人工神经网络和蝙蝠算法。部分3实验模型的发展提供信息和培训。最后,部分4和5这项研究的结果和结论。图1显示了使用神经网络中的蝙蝠算法的过程。


图1
论文的大纲。

2。背景

2.1。人工神经网络

人工神经网络(ann)是当前研究领域最具活力22]。神经网络的特性和功能包括学习和适应现有知识、普遍性,更高的处理速度,减少误差23]。例如,图2展示了六个神经元的神经网络输入层,两个隐藏层包括12和5个神经元,和一个输出层。根据风机等。24),人工神经网络是基于以下流程:(1)数据处理单元被称为神经元(或节点)。(2)通过连接线路的节点之间的信号传输。(3)每个连接的重量表明其强度。(4)一个激活函数应用于重量输入(加上偏差值)来确定每个神经元的输出(24]。前馈网络是一个ANN模型,其组件之间的联系并不创建一个循环。数据流从输入节点通过隐层到输出节点(25]。


图2
安的架构提出了研究使用六个输入神经元,12和5两个隐藏层神经元,输出层和一个输出神经元。

安网络权重通常任意分配。网络的输出将不同的目标值。网络的权值和偏差必须优化神经网络过程中尽量减少模型误差(26- - - - - -28]。方法基于解决这个优化问题可以分为梯度方法和metaheuristic方法。基于metaheuristic方法相反,梯度方法可能是一个局部最小值的约束。与此同时,metaheuristic方法的缺点是,他们的解决方案不一定是普遍存在的。然而,他们通常旨在发现、利用,并提供准确的结果26,27,29日]。

2.2。蝙蝠算法

蝙蝠优化算法是受小蝙蝠狩猎时的跟踪特征在完全黑暗的发送和接收的声音。此外,蝙蝠算法是基于哺乳动物的令人印象深刻的回声定位的行为。微蝠的回声定位能力帮助他们识别猎物在完全黑暗和区分不同的昆虫30.,31日]。

如果我们彻底确定微蝠回声定位的特性,我们可以将不同的算法来源于蝙蝠和用于以下近似规则(32]:(1)蝙蝠利用回声定位探测方向和距离。他们区分猎物,食物,和其他障碍。(2)蝙蝠飞随意寻找猎物的速度 在一个位置(x)和一个固定的频率(f),可变波长(λ)和响度(一个0)。离目标很容易区分他们的发射波长或脉冲 。(3)虽然蝙蝠的响度可能不同,我们假设他们的响度偏离很大一个0有利位置最低恒定值(32]。

在一个相当精确的实际执行,振幅调整通过改变波长。可识别的范围(换句话说,最大波长)必须选择与所需的幅度,然后,必须减少到较低的频率。同样,我们并不局限于使用蝙蝠的实际频率。相反,我们可以改变调整波长时的频率f0。因为f马克斯和f最小值相对于彼此,我们在我们的假设中使用它们。我们可以选择f∈(0,fmax)。更高的频率对应于更短的波长,因此旅游较短的距离。蝙蝠是几米的正常范围。脉冲率是在[0,1],0表示没有脉搏和1表示平均最大脉冲速率[30.,33]。

3所示。材料和方法

3.1。数据集

本文中的数据库来源于Hasanzade-Inallu et al。它由140收集的数据集实验结果收集的FRP-reinforced混凝土梁的抗剪强度Hasanzade-Inallu et al。21]。在本文中,每个样本的输入和独立的参数,包括f 'c(MPa),ρf(%),英孚(GPa)、a / d、bw (mm)d(毫米)形成 矩阵,和相关参数由Vcf (kN),形成一个 矩阵。表1显示数据的统计特征。

表1
数据的统计特征21]。

不同的输入变量在一个ANN模型可以有不利影响,比如散度优化算法和增加培训时间27]。因此,数据的输入和输出变量可以规范化(−1,1)范围内。根据Hasanzade-Inallu et al .,规范化提出了方程(1)。(21] 在哪里 =标准化变量, =最大价值, =最小值X=原来(是非)变量值。

表1提供的最小值和最大值的六个输入参数和剪切强度的目标价值。根据Hasanzade-Inallu et al .,考虑ANN训练基于规范化数据的归一化值的变量必须使用ANN预测美联储网络新值和传输网络的输出原来的状态(非规范)(21]。

概率图(34)检查中关键参数的正常数据。这些情节是如图3和4。根据输出,抗剪强度的分布接近正态分布,这表明对建模数据集的适用性。


图3
正态分布FRP-reinforced混凝土梁的抗剪能力。

图4
p p情节FRP-reinforced混凝土梁的抗剪能力。
3.2。性能的措施

评估模型的性能和精度等要求我们定义的标准测量。目标是定义最好的健身价值(或最低成本)的测试数据,从而选择最高的模型的可靠性和准确性(35]。统计指标,包括平均误差(我),平均绝对误差(MAE)、均方误差(MSE)、根均方误差(RMSE),平均绝对误差(AAE)模型效率(EF)和方差解释因素(VAF)是用来评估各种拓扑的性能(35,36)如下:

3.3。开发一个经验模型使用蝙蝠和人工神经网络

根据节3.1,六个参数影响FRP-reinforced混凝土梁的抗剪强度。因此,如图2,经过训练的神经网络有六个神经元在输入层和一个输出层的神经元。

网络很容易过度拟合的,这意味着训练安网络提供了高性能(培训期间最低数据误差)。然而,它不履行当实验数据没有观察到。因此,两个随机数据集形成最小化over-installation影响建议在文献[21,26]。九十八个样本(70%)用于网络训练,剩下的30%(42个样本)被用于网络性能测试。ANN模型分配与一个特定数量的隐藏层神经元和总在相应的隐藏层根据问题类型。更好的代表问题的理想架构,数据,通过试验和错误。方程(3)提供了一个传统的启发式方法,确定神经元在安的总数37]: 在哪里NH代表隐层节点的数量,N我输入的数量。考虑到六个有效的参数(输入),经验方程表明13隐层节点。

因此,不同的体系结构有两个训练有素的隐藏层和最多13个神经元(三个神经元超过推荐值)。例如,在两层的模型,第一个隐层神经元1到13,和第二个隐藏层神经元有1到13。因此,该模型有169不同的训练体系结构(表2)。

表2
训练有素的安架构。

ann,双曲正切函数(双曲正切)是隐藏层的激活函数,而恒等函数选为输出层的激活函数。适应安通过训练模型和最小化误差的最优解的重量和偏见最小化成本绩效(网络预测误差)。蝙蝠算法中定义的部分2.2是用于此目的。显示重量和偏见,安提供了培训体系结构的最小预测误差。

MATLAB版本2018软件程序的人工神经网络和蝙蝠算法。蝙蝠培训169网络提供的参数表3。

表3
蝙蝠算法参数。

4所示。结果

4.1。评估经验模型

节中解释3蝙蝠算法被用来培训169名不同的安两层体系结构。双曲正切函数(双曲正切)被选为隐藏层的激活函数。与此同时,输出层的激活函数被选为模型的恒等函数。从169年模型训练预测FRP-reinforced混凝土梁的抗剪强度,六个选择最好的模型都是基于他们的均方误差(MSE)值。表4和5现在选择模型和测试结果。

表4
统计前六的人工神经网络训练数据。
表5
统计排名前十位的人工神经网络基于测试数据。

根据表,安2 l(后)的最小MSE和RMSE值数据训练和测试。ANN-BAT 2 l(5 - 12)网络MSR指数最低,表明更好的概括性和准确性。同时,神经网络函数是兼容培训和测试。因此,它被选为最佳模型训练使用蝙蝠算法进行进一步的分析。ANN-BAT 2 l (5 - 12) RMSE和网络训练数据R值分别为12.993和0.995。同时,RMSE和R测试阶段的值是43.987和0.987,分别。训练和测试误差标准计算的数据数据值变量的主要范围内而不是他们的归一化(−1,+ 1)范围见一些其他的研究。

预测和实验值如图5- - - - - -7为了说明ANN-Bat 2 l(后))模型的性能。附近的模型预测策划y=x线,这意味着模型的准确性。


图5
实验和预测混凝土梁的抗剪强度值(KN) ANN-BAT使用训练数据(后))模型。

图6
实验和预测混凝土梁的抗剪强度值(KN) ANN-BAT使用测试数据(后))模型。

图7
实验和预测混凝土梁的抗剪强度值(KN) ANN-BAT(后))模型使用的所有数据。
4.2。模型的比较

三个不同的模型已经开发评估蝙蝠算法ANN-training预测混凝土梁的抗剪强度(KN)。使用遗传算法的人工神经网络进行了训练,PSO和Nehdi等人模型(38]。

4.2.1。准备粒子群优化

相同的169名成员架构提供的表2使用算法来训练人工神经网络识别表现安架构。顶尖的安在第一隐层神经元有九和三个第二隐层神经元。从今以后,网络将被表示为ANN-PSO 2 l(9 - 3)区分ann训练使用蝙蝠和算法。

算法参数用于训练ANN-PSO 2 l(9 - 3)获得使用试验和错误(表6)。PSO安有更高的预测误差BAT-ANN相比。混凝土梁的抗剪强度的预测的值(KN)与实验值是描绘在图8说明模型的性能。点绘制在图上的疏远y=x线相比ANN-BAT 2 l(后)。

表6
算法参数。

图8
实验和预测混凝土梁的抗剪强度值(KN) ANN-PSO(9 - 3)模型使用的所有数据。
4.2.2。遗传算法

169 -架构提供的表2被用来找到安架构与性能优越。此外,使用遗传算法优化神经网络作为一个有用的工具。ANN-GA 2 l(7)是最好的网络包括两个隐藏层和九节点在第一层和第二层的三个节点。

ANN-GA 2 l(7)模型的优化训练参数(表通过试验和错误7)。安比蝙蝠,ANN-GA 2 l(7)没有那么准确的预测误差。预测混凝土梁的抗剪强度值(KN),而不是他们的测试值,如图所示9可视化模型的性能。图上的点都远离y=x线。

表7
遗传算法参数。

图9
实验和预测混凝土梁的抗剪强度值(KN) ANN-GA(7)模型使用的所有数据。
4.2.3。实验模型由Nehdi et al (38]

bat-optimized ANN模型与实验模型Nehdi et al。他们的模型方程所示的特点(4)[4,39]。

方程的结果对所有样品如图10。结果显示,ANN-Bat模型提供了更好的结果。


图10
实验和预测混凝土梁的抗剪强度值(KN) Nehdi等人模型使用的所有数据。
4.2.4。实验模型由ACI 440.1 r-15和寒风- 99

更好的评估模式,相比之下,这两个标准码ACI 440.1 r-15和寒风- 99。ACI 440.1 r-15模型的特征方程所示(5)。(40]。同时,寒风的特点- 99模型方程所示(5)[41,42]。

方程的结果对所有样本数据所示11和12。结果显示,ANN-Bat模型提供了更好的结果。


图11
实验与预测的混凝土梁的抗剪强度值(ACI 440 KN)模型使用所有数据。

图12
实验和预测混凝土梁的抗剪强度值(KN)寒风- 99模型使用所有数据。

美,RMSE、AAE VAF统计指数的研究模型火车,测试和所有的数据表提供了模式8。根据结果,ANN-Bat 2 l(后)提供了优越的结果,其次是ANN-PSO 2 l (9 - 3), ANN-GA 2 l (7), aci - 440,寒风- 99,分别和Nehdi等人模型。

表8
统计指数的不同模型。

图13说明了使用测试数据的预测模型。


图13
比较使用测试数据的预测模型。

泰勒图是准确的图旨在展示几个模型进行比较。这个图中,由卡尔·e·泰勒于1994年设计的(43),是用来量化建模和观察到的行为之间的一致性程度的三个统计:皮尔逊相关系数,均方根误差(RMSE)错误,和标准差43]。如图14,泰勒图是另一个合适的视觉测量时要考虑比较ANN-Bat与其他模型的性能。它提供了一个图形化的说明每个模型的充足率基于RMSE,相关系数和标准差(SD) [44]。


图14
泰勒图的可视化模型性能根据预测结果对混凝土梁的抗剪强度。
4.3。预测模型与安重量和敏感性分析

ANN-Bat 2 l(后)被认为是最好的实验模型提出了研究。然而,ANN-BAT模型只能访问研究者如果源文件。因此,网络的重量和偏差值在本节中提供。如前所述,网络的输入数据最初必须规范化使用方程(1)。为此,表1提供的最大和最小值的变量。随后,输出应该恢复到其原始状态。输入的是 向量 。混凝土梁的抗剪强度计算按照下列方程(21]: ,根据表吗1双曲正切=双曲正切函数,f预测=预测抗压强度值,f马克斯=最大剪切强度的混凝土梁(KN)f最小值=最大剪切强度的混凝土梁(KN)。

信息战的参数、LW1 LW2, b1、b2和b3向量矩阵表所示9。

表9
最终权重和偏置值优化ANN-BAT 2 l(后))模型6-12-5-1。

不同的输入参数的灵敏度分析评估影响整个空间区域和措施的不确定性引起的输出输入的不确定性,在沟通与其他参数或单独来看。因此,承认的性质复杂的非线性行为和FRP-reinforced混凝土梁抗剪强度的变化在最近的研究中,选择了灵敏度分析更理性为研究输入参数对整体性能的影响(44]。因此,图15显示了输入参数对剪切强度的影响使用敏感性分析。的参数 一个值为0.69的效果和参数 一个值为0.02的至少对混凝土梁的抗剪强度的影响变量。


图15
灵敏度指标变量在FRP-reinforced混凝土梁抗剪强度。

5。结论

一百四十年收集实验结果从不同的期刊文章,预测混凝土梁的抗压强度。蝙蝠算法来训练的ANN模型预测混凝土梁的抗剪强度。提供的结果总结如下:(1)ANN-Bat 2 l(后))模型提供了优越的预测结果比神经网络类似的拓扑。模型的均方根误差和VAF %所有数据分别为26.43%和96%,分别。(2)实验模型由Nehdi等人提出了一个简单的模型来预测混凝土梁的抗剪强度。尽管他们可以接受的结果,我们提出ANN-Bat 2 l(后))模型可以提供更高的性能。(3)安基于两个遗传算法和粒子群优化训练使用相同的数据。这两个算法的最佳模型ANN-GA 2 l(7)和ANN-PSO 2 l (9 - 3)。比较ANN-Bat 2 l(后))模型作为我们的模型与其他两种算法表明,bat-optimized安提供精度优于GA和PSO-trained ANN。最好的模型的重要性和精度包括算法、GA和Nehdi等人模型。(4)一个ANN-Bat 2 l(后)的预测模型被认为提供ready-trained模型。由于抗剪承载力设计公式应该有一个适当的水平的安全问题,提出了强度折减系数为0.9向信息模型估计。(5)在这篇文章中,除了优化算法,两个标准代码,包括aci - 440和寒风- 99,被用来评估ANN-BAT模型更好。结果表明,人工神经网络优化使用蝙蝠算法具有极高的准确性作为一个可靠的模型。

数据可用性

数据可以显示在附录https://link.springer.com/article/10.1007/s11771 - 019 - 4243 - z。

的利益冲突

作者宣称没有利益冲突。