李興權　孫曉燕　尹　松　陳　偉

摘要：本文利用人工神經網絡建立了方形鋼管混凝土的神經網絡BP模型。對方鋼管混凝土軸壓短柱，選取試件長度、截面的寬度、鋼管的厚度、混凝土的抗壓強度及鋼材的屈服強度5個影響軸壓短柱極限承載力的主要因素作為輸入單元，選用45組數據作為訓練集，8組數據作為測試集，建立了一個3層的BP神經網絡預測模型，仿真預測結果要比現有計算理論更準確。

關鍵詞：矩形鋼管混凝土；BP神經網絡；極限承載力

本文在采用大量的國內外試驗數據的基礎上，建立了方形鋼管混凝土的神經網絡BP模型，對軸心受壓構件的極限承載力進行了預測。

1網絡模型的建立

根據已有的研究成果[1.2]和分析相關的試驗數據，發(fā)現影響方鋼管混凝土軸心受壓柱極限承載力的主要因素有試件長度、截面的寬度、鋼管的厚度、混凝土的抗壓強度及鋼材的屈服強度等。所以本文選擇了輸入層為5個節(jié)點的BP網絡結構作為承載力訓練模型。通過程序的反復調試和綜合考慮網絡的各個參數選擇一個隱含層，隱含層的節(jié)點數為13個。其拓撲結構為5-13-1[3]。

2訓練網絡模型

本文采用收集到的66組數據[4]進行網絡模型訓練。試件寬厚比為20.3-74.8；試件的長細比為3.0-27.7；混凝土強度為16.3-78.2MPa。輸入、輸出層變換函數選擇線性，隱含層采用雙曲線正切S型變換函數，采用收斂速度最快的Trainlm訓練算法，取學習效率lr=0.6，慣性因子a=0.5，最大訓練步數epochs=2000，控制誤差goal=0.001。訓練之前對數據做歸一化處理，這樣便于網絡快速收斂[5]。訓練的誤差隨學習次數的變化曲線如圖1所示，這時訓練679次停止，誤差基本趨向穩(wěn)定，達到最好訓練效果。訓練結果的最大誤差為20.03%，絕對平均誤差為4.94%，方差為6.73%。說明訓練得到的神經網絡模型可以用來進行仿真預測，結果要比現有計算理論更準確。

3網絡模型仿真預測

采用訓練好的網絡模型對其它與訓練數據無關的8組試驗數據進行了測試，預測結果見表1，其中第2、8組數據誤差超過10%，分析原因是試驗數據本身明顯偏離了真實值。除此之外，網絡預測結果與試驗值的誤差為5%左右，說明網絡訓練成功，具有一定的泛化性。

4小結

本文建立了預測軸心受壓方形鋼管混凝土承載力的神經網絡模型，通過與試驗值、數值計算值的比較表明該網絡模型更快、更準確地計算出方形鋼管混凝土的承載力，并提供了一種新的方法。隨著試驗數據的增加和試驗參數范圍的擴大，必將建立起更加完整、更廣泛的神經網絡預測系統(tǒng)，提高網絡的預測精度，以便在實際工程中推廣應用。

考文獻：

[1]陶忠.方鋼管混凝土軸壓力學性能的理論分析與試驗研究.土木工程學報,2001,34（2）：17-25.

[2]王海軍,尚作慶等.方鋼管砼柱軸壓力學性能的研究.沈陽工業(yè)大學學報,2005,27（1）：98-102.

[3]姜紹飛.基于神經網絡的結構分析與設計.沈陽建筑工程學報.2001.17（4）:255-258.

[4]高華國.矩形鋼管混凝土構件的優(yōu)化設計研究[碩士論文].沈陽:沈陽工業(yè)大學,2006.

[5]羅漢成.基于MATLAB神經網絡工具箱的BP網絡實現.計算機仿真，2004，21（5）：109-111.