基于神经网络的纳米SiO2改性陶粒混凝土性能预测

陶粒混凝土是通过陶粒替代部分或者全部粗骨料进行制备的，不仅具有保温性能好、抗震性能优越和比强度高等优点，而且高效资源化利用建筑土渣、炉渣、尾矿等废弃物，对于城市循环经济绿色发展和实现“双碳”目标具有重要意义。但是，相比于普通石子，陶粒强度偏低且吸水率高，随着陶粒体积掺加量的增加，混凝土的弹性模量逐渐降低，强度呈逐渐减小的趋势，很大程度上限制了其应用[1]。为了提升陶粒混凝土性能，可采用添纳米SiO2的方式改性陶粒混凝土，增强其力学性能和干燥收缩性能[2] [3]。因此，如何优化纳米SiO2陶粒混凝土配合比与调控其综合性能就成了一个非常关键的问题。

人工神经网络（ANN）本质上是通过计算机对人脑神经系统在结构上和功能上进行仿生模拟，具有强大的自主学习能力，可以从一系列相关性的试验数据中自学习、自组织和迫近任意非线性映像[4]，从理论上来讲可以很好地反映纳米SiO2掺量对陶粒混凝土性能的影响。

本文根据一系列相关的纳米SiO2改性陶粒混凝土抗压强度和干燥收缩试验数据，以归一化和标准化处理的水胶比、纳米SiO2掺量、陶粒用量和砂率为输入参数，建立了基于反向传播人工神经网络预测模型，以实现人工神经网络对纳米SiO2改性陶粒混凝土抗压强度和干缩值的合理预测。

一、试验方法

   （一）试验材料

水泥选用P.O42.5普通硅酸盐水泥；粉煤灰选用I级粉煤灰；陶粒选用密度等级为900级的高强度页岩陶粒；砂采用级配良好的Ⅱ级河沙；减水剂采用聚羧酸高性能减水剂，减水效率25 %；二氧化硅采用平均粒径为20nm的纳米材料。

  （二）配合比设计

本文主要研究纳米SiO2对陶粒混凝土力学性能、收缩性能的影响。根据《普通混凝土配合比设计规程》（JGJ 55—2011）的相关要求计算得出混凝土配合比，具体见表1。

表1 混凝土配合比设计

水胶比 水泥

/kg 粉煤灰

/kg 陶粒

/kg 纳米SiO2

/kg 砂

/kg 减水剂

/kg

0.34 425 80 576 20 660 7.6

  （三）试验方法

1.抗压强度测试

参照《普通混凝土力学性能试验方法标准》（GB/T 50081-2016），制作混凝土试件，通过型压力试验机测试混凝土抗压强度 [5]。

抗压强度表达式：

               （1）

式中，：t（d）龄期抗压强度， MPa；N：破坏极限荷载， N；A：受压面积，mm2。

2.干燥收缩测试

参照《水泥砂浆和混凝土干燥收缩开裂性能试验方法》（GB/T 29417-2012），制作混凝土试件，通过千分仪对混凝土干燥收缩率进行测试 [6]。

干缩率表达式：

               （2）

式中，：t（d）龄期收缩率；：试件的测量标距，mm；：千分表的初始读数，mm； : 在t（d）龄期千分表的读数，mm。

（四）模型构建

1.网络参数设置

本研究将水胶比、纳米SiO2掺量、陶粒用量和龄期为分别设为自变量P1、P2、P3、P4，将纳米SiO2改性陶粒混凝土的抗压强度、干缩率分别设为因变量T1、T2。需要说明的是，由于所采集的两个指标坍落度和抗压强度的数量级、单位、物理意义都不相同，网络训练前需要先通过归一化运算将样本数据转换成0 和1 之间的无量纲的数字。

2.样本构建

通过纳米SiO2改性陶粒混凝土的抗压及干缩试验,构建抗压强度和干缩值样本数据。通过控制不同的变量确定表2所展示的 27组数据,其中随机选取21组数据用来模型训练,即作为训练样本,剩余6组数据作为测试样本用来验证模型的可靠性。

表2 样本数据

序号 水胶比 SiO2掺量 陶粒用量 龄期

（d） 抗压强度

（MPa） 干缩率

（10-6）

1 0.31 0.02 0.4 3 26.4 61.361

2 0.31 0.03 0.6 3 22.3 44.925

3 0.31 0.04 0.5 3 23.6 30.681

4 0.34 0.02 0.6 3 20.8 70.852

5 0.34 0.03 0.5 3 24.3 55.006

6 0.34 0.04 0.4 3 21.3 55.883

7 0.37 0.02 0.5 3 25.9 82.400

8 0.37 0.03 0.4 3 23.4 80.866

9 0.37 0.04 0.6 3 22.1 65.745

10 0.31 0.02 0.4 14 43.9 119.434

11 0.31 0.03 0.6 14 37.2 96.425

12 0.31 0.04 0.5 14 39.3 74.510

13 0.34 0.02 0.6 14 34.8 125.907

14 0.34 0.03 0.5 14 40.6 104.096

15 0.34 0.04 0.4 14 35.4 101.915

16 0.37 0.02 0.5 14 40.2 135.873

17 0.37 0.03 0.4 14 38.9 134.557

18 0.37 0.04 0.6 14 36.1 112.861

19 0.31 0.02 0.4 28 54.9 402.139

20 0.31 0.03 0.6 28 46.5 361.593

21 0.31 0.04 0.5 28 49.1 322.149

22 0.34 0.02 0.6 28 44.5 419.701

23 0.34 0.03 0.5 28 50.7 380.224

24 0.34 0.04 0.4 28 47.3 352.940

25 0.37 0.02 0.5 28 52.8 441.366

26 0.37 0.03 0.4 28 48.6 454.734

27 0.37 0.04 0.6 28 45.9 440.489

3. GA—BP人工网络模型

研究中把采用误差反向传播算法的多层前馈网络称为BP（Back Propagation）网络，其结构可依次分为输入层，隐含层，输出层，其中隐含层层数与单元节点数需自定[7]。该网络在在输出层得不到理想结果时，则反向传播比较当前输出层向前计算权值和阀值对总误差的影响（梯度），从而调整网络的权值和阀值，再次向前传播，检验输出是否满足期望，反复迭代直至达到要求。但该种方法初始权重和阈值完全随机，迭代时间长、运行速度慢、易陷入具备最优解。本研究中，借助MATLAB软件中的GA工具箱，构建基于遗传算法优化的误差反向传播神经网络模型（GA-BP）。即通过GA遗传算法对在一个范围对中间层的神经元个数以及阀值进行求解，试验证明这一措施大大提高了BP 神经网络的精确度。

基于样本数据，按照BP网络一般设计原则，以3个变量（水胶比、纳米SiO2掺量、陶粒用量）作为网络输入向量，以2个变量（抗压强度、干缩值）作为网络输出向量; 中间层的神经元传递函数采用S 型对数函数logsig，输出层采用纯线性Purelin 传递函数；GA工具箱模块设置种群规模为 30，遗传代数 60代，交叉率0.6，变异率 0.1。