宁波良和工程检测技术有限公司
检验报告
报告编号: 共 2 页第 1 页
批准: 审核: 编制:
宁波良和工程检测技术有限公司
检验报告
报告编号: 共 2 页 第2 页
宁波良和工程检测技术有限
第二篇:神经网络在蒸养粉煤灰砖抗压强度预测中的应用_张真
人工智能
文章编号:1008-0570(2006)04-2-0248-03
中文核心期刊《微计算机信息》(嵌入式与SOC)2006年第22卷第4-2期
神经网络在蒸养粉煤灰砖抗压强度预测中的应用
ApplicationofNeuralNetworkinCompressiveStrengthForecastofSteam-CuringFlyAshBrick
(1.青岛中国海洋大学;2.章丘明珠新型建材有限公司)张
真
1
徐建良
1
翟雪
2
熊晶
1
Zhang,ZhenXu,JianliangZhai,XueXiong,Jing
摘要:首先简要阐述蒸养粉煤灰砖的生产流程,然后通过建立BP神经网络模型来预测粉煤灰砖的抗压强度值,仿真结果表明此模型用于强度预测是可行的。
关键词:神经网络;蒸养粉煤灰砖;数据预处理
文献标识码:A中图分类号:TP183
技
术创新
Abstract:Theproductprocessofthesteam-curingflyashbrickisbrieflydescribedinthispaperfirstly,thenamethodbyusingBPneuralnetworktoforecastthecompressivestrengthofsteam-curingflyashbrickisgiven.Computersimulationisaccomplished,andtheresultprovesthatitisfeasibletoforecastthestrengthbyusingthismodel.Keywords:neuralnetwork;steam-curingflyashbrick;datapreprocessing
引言
近年来,自国家对实心粘土砖实行限制使用后,出现了许多替代产品。作为利废产品,粉煤灰砖是其中使用较为广泛的一种新型墙体材料。粉煤灰砖具有重量较轻,导热系数较小,生产工艺布置较紧凑等特点,且可以为节约农田、保护农田做出重要贡献,符合国家有关墙改与节能要求。加之目前国家对新型墙体材料有相关的扶持政策,粉煤灰砖有着较好的应用前景,因此研究粉煤灰砖质量的重要指标———抗压强度很有必要。目前都是利用配合比经验值配料,然后通过试验机进行成品抗压试验,验证试验值是否满足要求来决定产品质量。粉煤灰砖抗压强度受诸多因素的影响,它们之间是复杂的非线性关系,而神经网络为解决这类非线性问题提供了有效的手段。本文将在这方面进行探讨。
成后取出一部分送化验室作配比化验。
Step2消解
将经搅拌机搅拌均匀的原材料置于消解仓进行消解。消解过程中一是要保证消解时间为1.5~2.5小
时,二是要保证消解温度要大于75℃。
Step3轮碾
消解后的原料要经过轮碾机进行碾压,碾压时间一般为5~7分钟,此过程中要控制好碾压过后原料的水分保持在18%~20%。水分过干会使砖坯压不实,过湿则会粘住砖模。
Step4砖机压坯
原料轮碾后输送到砖机,经砖机压制出砖坯。砖坯标准尺寸为240mm×115mm×53mm。主要控制砖坯厚度在531±1mm。
Step5静养
砖坯压出后放置在静养室静养一段时间。
1蒸养粉煤灰砖生产流程
蒸养粉煤灰砖是以粉煤灰和生石灰为主要原料,掺入适量石膏,加入一定量炉渣或矿渣为骨料,经过原料加工、搅拌、消化、轮碾、压制成型等工艺,再进行高压蒸养而制成的一种墙体材料。其主要生产过程如下:
Step6蒸养
静养之后,砖坯进入蒸压釜进行蒸养,一般经过最佳蒸养制度为2~9~12小时的蒸养即可出成品。3小时的升温升压、6~7小时的恒温恒压、1.5~2小时的降温降压。
Step1配料
将原材料按重量比为石灰:石膏:骨料:粉煤灰=主要环节要保证水分不低于15:2:13:70的比例搅拌。
20%~22%,搅拌有效钙在12%~15%之间。并在搅拌完张真:硕士
本课题受国家自然科学基金(60403012)资助
-
Step7检验
蒸养过后的成品砖在出厂之前必须进行强度检测。一般每批砖为一釜九车,每车随机抽取一块砖进行抗压试验。一釜砖的抗压强度最小值不能低于
8MPa,抗压强度平均值不能低于10MPa,二者有一项不合格者,则一整釜的砖都属于不合格产品。
-/:现场总线技术应用200例》
您的论文得到两院院士关注人工智能
算法的详细描述见文献。
经研究选取石灰有效钙(A.CaO)含量(%)、石灰细度(%)、搅拌有效钙含量(%)、搅拌水分(%)、碾后水分(%)等五个主要影响因素作为网络输入参数,即输入层神经元个数为5,输出矢量为1个即抗压强度值(MPa)。隐含层神经元个数先利用经验公式
为输出层神经元数,α+a(其中n为输入层神经元数,ι
为1-10之间的常数)确定其范围在4~13之间,再用试凑法最终确定选用10个,因此本网络拓扑结构为5-10-1。如图1,图中X1~X5表示输入的五个主要影响因素;Y表示输出的抗压强度预测值;Wij为输入层与隐含层神经元之间的连接权值;Wjk为隐含层与输出层神经元之间的连接权值。
2问题提出
从以上生产过程看,现有的生产流程中存在下列问题:
①砖成品的抗压强度试验值具有滞后性。因为在原材料配料化验的同时已经开始了产品生产,在实际操作中不允许等待试测砖成品的抗压强度值达到要求后再进行批量生产。
②实际生产过程中经常出现因原料用量超标而造成浪费的现象。
③检验阶段随机抽取一块砖不能很好地反映当批产品的质量,但是抽取过多成品砖作抗压试验则会造成浪费。
④通常,年生产能力在1000万块以下的砖厂都采用人工配料的生产工艺,这样对技术人员的要求很高。
如果能在短时间内用某种非破坏性的试验方法预测到成品砖的强度值,那么就可以及时调整配合比和减少产品浪费。而且一旦获得满足粉煤灰砖各项物理力学性能指标的最佳强度预测值并加以控制,则可选取配料用量的下限,以此降低产品的成本。
粉煤灰砖的抗压强度受很多因素的影响,如消解温度(℃/分)、石灰有效钙含量(%)、石灰细度(%)、搅拌有效钙含量(%)、搅拌水分(%)、碾后有效钙含量(%)、碾后水分(%)、煤灰水分(%)、煤灰细度(%)、蒸养时间(h)、蒸养温度(℃)、蒸养压力SO3含量(%)、
(kg)等,它们与抗压强度值之间是一种非线性关系。而神经网络作为一种新的方法体系,具有分布并行处理、非线性映射、自适应学习和鲁棒容错等特性,因此,我们的问题可归结为利用神经网络来建立粉煤灰砖抗压强度及其影响因素之间的非线性输入输出关系。
图1预测抗压强度的BP网络模型
4网络训练及学习结果
我们从章丘明珠新型建材有限公司2004年12
月份的MU10标号粉煤灰砖的生产纪录中选取30组数据作为训练样本,6组数据作为测试样本。
训练前先对每个输入矢量进行标准归一化处理,见公式(1):
技术创新
x*=
xi-xSD
(1)
3BP神经网络模型
我们选用的网络模型为BP网络,它是目前应用最为广泛的一种神经网络。BP网络是基于误差反向传播算法(BP算法)的多层前向神经网络,它可以看成是一个从输入到输出的高度非线性映射。BP算法的学习过程由正向传播和反向传播组成。正向传播过程中,输入模式从输入层经隐含层逐层处理,并传向输出层,每一层神经元的状态仅影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向传播,将误差信号沿着原来的连接通路返回,通过修改各层神经元的权值,使得误差信号最小,直到满足要求。本文的BP网络模型在学习过程中,经迭代达到收敛后,将粉煤灰砖抗压强度及其影响因素间的非线性信息,以一种动态的、并行的方式储存在连接权的矩阵中;在回想过程中,网络接收到一组影响因素的输入,经过简单计算,输出相应的抗压强度预测值。BP
PLC技术应用200例》
表1训练样本、测试样本及网络预测结果
其中x*为标准归一化后的数据;x是原始数据的
:360元/年
-249-
人工智能
中文核心期刊《微计算机信息》(嵌入式与SOC)2006年第22卷第4-2期
平均值,见公式(2);SD为原始数据的标准偏差,见公式(3):
(2)(3)
我们利用Matlab编制程序,其中网络训练函数为trainlm;权值调节规则为traingdm;三层传递函数分别取tansig、tansig、purelin;性能函数采用均方误差函数
—神经网络[2]许东,吴铮.基于Matlab6.x的系统分析与设计——
[M].陕西:西安电子科技大学出版社.2002,9.
[3]姜绍飞.基于神经网络的结构优化与损伤检测[M].北京:科学出版社.2002,6.
[4]张利萍,李宏光.灰色神经网络预测算法在DMF回收过程中的应用[J]微计算机信息,2005,1:183-185[5]韩力群.人工神经网络理论、设计及应用--人工神经细胞、人工神经网络和人工神经系统[M].化学工业出版社.2002.1.
mse。主要参数取为:net.trainParam.epochs=1000;net.trainParam.goal=0.001;net.trainParam.show=25。有关数据及网络预测结果见表1。
作者简介:张真(1981-),女,汉,山东滨州人,硕士生,计算机应用技术专业,主要研究方向:本体,语义Web;Email:zhzhen1014@sina.com;徐建良(1969-),男,汉,山东潍坊人,博士,教授,硕士生导师,主要研究方向:自动机理论,计算复杂性及并行处理。
技术创新
Authorbriefintroduction:ZhangZhen,wasbornin1981inShandongprovince.Sheiscurrentlyapostgrad-
5结论及下一步工作uateinOceanUniversityofChina.Hermainresearch
interestsincludeontology,semanticwebandsoon.Xu网络训练前,样本的数据预处理很重要,我们对
Jianliangwasbornin1969inShandongProvince.Heis是否采取数据处理措施对仿真结果的影响作了比较,
presentlyaprofessorintheComputerScienceDepart-结果显示样本经数据处理后的收敛步数由716步减
少到35步,收敛误差由0.00983819减至0.00859476。ment,OceanUniversityofChina.HereceivedthePh.D.
degreeincomputerscienceandsystemengineeringfrom两种方法得到的预测值与实际值的误差比较见图2:
YamaguchiUniversityin1998.Hisresearchinterestsin-cludeautomatatheory,computationalcomplexityandparallelprocessing.
(266071山东青岛中国海洋大学计算机科学系)张真
徐建良熊晶
(250200山东章丘章丘明珠新型建材有限公司)翟雪(Dept.ofComputerScience,OceanUniversityofChina,QingdaoShandong266071,China)Zhang,
图2样本的数据处理对预测值的影响
ZhenXu,JianliangXiong,Jing
(ZhangqiuMingzhunewbuildingmaterialsCo.,Ltd.ZhangqiuShandong250200)Zhai,Xue
通讯地址:
(266071山东青岛中国海洋大学浮山校区信息学院计算机系2003级研究生)张真
(投稿日期:2005.9.22)(修稿日期:2005.9.30)
通过仿真结果得知,利用神经网络来预测蒸养粉煤灰砖抗压强度值,其误差满足工艺要求。存在较大误差的原因主要有:①数据样本较少,无法得出更为准确的映射函数。②输入层所选取的影响因素不能完全反映对抗压强度值的作用。③测试样本误差大于训
(接89页)(1954-),Male,theHannationality,Doctordegree,Professor,ResearchArea:Computernetworkand练样本误差,是因为训练的输入值和仿真输入值是相
communication,Distributedparallelprocessing,Massive同的,它们在学习过程中已经过多次迭代而达到最佳
informationstorage;XiongHuijun(1984-),Female,an值。
undergraduatestudentoftheSchoolofComputerof下一步,我们将收集更多的数据,对各影响因素
WuhanUniversity.进行组合分别建立网络来训练,并将实际测量值与网
(430072武汉大学计算机学院)许先斌熊慧君李洲
络预测值建立对照表,以期找到最接近实际的映射。更重要是找到最合适的误差范围,以此将抗压强度值限定在10~12MPa之间,反向调节和控制配合比,在满足砖成品的各项物理力学性能指标的前提下最大可能地节约原料,降低成本。
参考文献:
[1]郑社军.刘勇健.贾清军等.粉煤灰砖的生产和设计[J].粉煤灰综合利用.2004,1:53-55.
-
杨芬刘炜
(SchoolofComputer,WuhanUniversity,Wuhan430072)Xu,XianbinXiong,HuijunLi,ZhouYang,Fen
通讯地址:(430072武汉大学计算机学院02级计科2班)熊慧君
(投稿日期:2005.8.21)(修稿日期:2005.8.29)
-/:现场总线技术应用200例》