关键词:
混凝土收缩、徐变
深度学习
收缩、徐变预测
长期变形预测
摘要:
混凝土因其出色的力学特性和相对低廉的材料成本,成为土木工程领域中用量最大、用途最广的工程材料。但同时,由于混凝土表现出收缩、徐变的时变特性,对结构的长期性能有着较大的影响,因此对收缩、徐变机理的充分认识,以及对混凝土时变发展的精确预测,有着重要的意义。至今为止,国内外学者基于不同的试验数据和理论基本假设,建立了许多具有不同适用性和预测精度的收缩、徐变预测模型。但该类模型依然存在泛化性较差、预测精度较低等问题,有待进一步深入。近年来,随着深度学习的飞速发展,各种机器学习手段在数据挖掘和回归分析上表现突出,因此本研究结合深度学习理论,开展了混凝土收缩徐变行为预测与分析的研究,主要内容如下:(1)依据收缩、徐变数据库(NU-ITI Database for Concrete Creep and Shrinkage),对收缩、徐变影响因素进行主成分分析(Principal Component Analysis,PCA),以探究在时变效应影响中,各特征参数的独立性和重要性;并对现有典型的混凝土收缩、徐变预测模型进行归纳、总结和对比。(2)基于收缩、徐变数据库中的数据,结合人工智能方法,分别搭建了BP神经网络(Back Propagation Neural Network,BPNN)和LSTM深度网络(long short-term memory,LSTM)两个预测模型,并与现有计算模型进行了预测对比,结果表明,人工智能方法由于其强大的特征挖掘和自适应能力,其预测精度较传统计算模型更高。同时,由于LSTM深度网络还在时间维度上进行特征的挖掘和学习,具有较BP神经网络更好的预测表现。(3)依托国内某特大跨预应力连续刚构铁路桥,通过Midas有限元软件及LSTM深度网络模型,进行该桥的有限元模型建立。并采用响应面方法(Response surface methodology,RSM),对不同时间工况下,材料参数和结构变形的隐性响应关系进行描述,再通过蒙特卡洛方法(Monte Carlo Method,MCM),对变形随机性进行简要分析,结果表明,变形预测结果的离散性会随时间的推进而逐渐增大。(4)利用(3)中建立的不同时间工况下的响应面关系式,结合蒙特卡洛重要抽样方法,采集大量用于变形预测模型训练的样本,以建立基于LSTM深度网络模型的桥梁长期变形预测模型;此外,还探究了不同量级的短期实测数据特征对该模型预测精度的影响,结果表明,更多的短期数据作为模型特征,对预测效果有积极作用。