一种基于人工神经网络预测RC矩形柱破坏模式的方法技术

本发明专利技术涉及人工神经网络领域，具体涉及一种基于人工神经网络预测RC矩形柱破坏模式的方法。该方法包括：基于人工神经网络的预测方法，结合Levenberg Marquardt反向传播训练算法来判别矩形柱构件破坏模式；首先设置钢筋混凝土矩形柱构件破坏模式的人工神经网络结构；对矩形柱构件的数据集进行处理，对影响矩形柱构件破坏模式中的配箍率、纵向配筋率、箍筋间距与截面有效高度比、剪跨比、轴压比、弯剪比进行敏感性分析，得到矩形柱构件破坏模式预测结果；对矩形柱构件破坏模式预测结果进行统计性分析。本发明专利技术通过基于人工神经网络的方法提高在判别柱构件破坏模式方面的预测准确性。在判别柱构件破坏模式方面的预测准确性。在判别柱构件破坏模式方面的预测准确性。

【技术实现步骤摘要】
一种基于人工神经网络预测RC矩形柱破坏模式的方法


[0001]本专利技术涉及人工神经网络领域，具体涉及一种基于人工神经网络预测RC矩形柱破坏模式的方法。

技术介绍

[0002]根据地震震后的调查和大量的钢筋混凝土柱抗震试验，可以发现不同的配筋特征、截面几何特征、受力情况会导致柱构件不同的破坏模式。一般工程将破坏模式划分为弯曲破坏、弯曲
‑
剪切破坏和剪切破坏。钢筋混凝土矩形柱构件柱的破坏模式对其延性、抗震性能有着直接的影响，故对钢筋混凝土矩形柱构件柱的破坏模式进行预测是至关重要的。
[0003]目前常见的，对钢筋混凝土柱构件破坏模式进行预测的方法主要包括：基于剪跨比的预测方法、基于判别分析的预测方法、基于工程简化判别分析的预测方法。其中，基于剪跨比的预测方法只考虑了剪跨比这一个参数；基于工程简化判别分析的预测方法考虑了剪跨比和弯剪比这两个参数；而基于判别分析的预测方法考虑了箍筋间距与截面有效高度比、剪跨比和弯剪比这三个参数。常见的对钢筋混凝土柱构件破坏模式进行预测的方法中均没有考虑配箍率、轴压比、纵向配筋率的影响，其会影响对钢筋混凝土柱构件破坏模式的预测结果的准确性，故钢筋混凝土柱构件破坏模式的预测结果的准确性较低。

技术实现思路

[0004]为了解决现有方法中对钢筋混凝土柱构件破坏模式的预测结果的准确性较低的问题，本专利技术的目的在于提供一种基于人工神经网络预测RC矩形柱破坏模式的方法，所采用的技术方案具体如下：
[0005]本专利技术提供了一种基于人工神经网络预测RC矩形柱破坏模式的方法，该方法包括以下步骤：
[0006]基于人工神经网络的预测方法，结合Levenberg Marquardt反向传播训练算法来判别矩形柱构件破坏模式；
[0007]其中，判别矩形柱构件破坏模式的方法为：设置钢筋混凝土矩形柱构件破坏模式的人工神经网络结构；对矩形柱构件的数据集进行处理，对影响矩形柱构件破坏模式中的配箍率、纵向配筋率、箍筋间距与截面有效高度比、剪跨比、轴压比、弯剪比进行敏感性分析，得到矩形柱构件破坏模式预测结果；对矩形柱构件破坏模式预测结果进行统计性分析。
[0008]优选的，钢筋混凝土矩形柱构件破坏模式的人工神经网络结构的参数包括：输入层节点数、隐藏层节点数、输出层节点数、输入层激活函数，隐藏层激活函数和输出层激活函数。
[0009]优选的，输入层有6个节点，6个节点分别代表配箍率、纵向配筋率、箍筋间距与截面有效高度比、剪跨比、轴压比、弯剪比。
[0010]优选的，输入层激活函数的表达式为：
[0011]y＝f(Wp+b)
[0012]其中，y为激活函数的输出向量；W为权重矩阵；p为初始输入向量；b为偏置向量。
[0013]优选的，隐藏层包括两层，第一层有100个节点，第二层有10个节点；其中，隐藏层激活函数为sigmoid函数。
[0014]优选的，输出层节点数为3，其中每个节点对应一种破坏模式；其中输出层激活函数为softmax函数。
[0015]优选的，Levenberg Marquardt反向传播训练算法的表达式为：
[0016]△
x＝
‑
[J
T
J+μI]‑1J
T
ε
[0017]其中，J为雅克比矩阵；J
T
为雅克比矩阵J的转置矩阵；μ为正常数；I为单位矩阵；ε为网络误差。
[0018]优选的，弯剪比、剪跨比与钢筋混凝土矩形柱构件破坏模式相关。
[0019]优选的，使得训练好的人工神经网络的训练数据的准确率达到100％、测试数据的准确率达到95.3％，其中训练数据的最小均方误差为0.0018，测试数据的最小均方误差为0.038。
[0020]本专利技术具有如下有益效果：本专利技术与传统预测方法相比，本专利技术基于人工神经网络的方法在判别柱构件破坏模式方面比传统的判别预测方法表现得更好。随着柱构件数据集的不断增加，未来人工神经网络模型的准确性会显著提高。伴随着土木工程和人工神经网络的融合发展的同时，可以预见，不仅仅破坏模式预测将使用人工神经网络，甚至构件的变形限值、混凝土材料的本构也可以直接基于人工神经网络(Artificial Neural Network,ANN)结合大量试验数据集得到，原始的试验数据随着人工神经网络的兴起将焕发新的活力。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0022]图1为本专利技术一个实施例所提供的ANN结构示意图；
[0023]图2为本专利技术一个实施例所提供的配箍率对破坏模式影响的箱线图；
[0024]图3为本专利技术一个实施例所提供的纵向配筋率对破坏模式影响的箱线图；
[0025]图4为本专利技术一个实施例所提供的箍筋间距与截面有效高度比对破坏模式影响的箱线图；
[0026]图5为本专利技术一个实施例所提供的剪跨比对破坏模式影响的箱线图；
[0027]图6为本专利技术一个实施例所提供的轴压比对破坏模式影响的箱线图；
[0028]图7为本专利技术一个实施例所提供的弯剪比对破坏模式影响的箱线图；
[0029]图8为本专利技术一个实施例所提供的Pearson相关系数矩阵；
[0030]图9为本专利技术一个实施例所提供的数据预测准确率的示意图；
[0031]图10为本专利技术一个实施例所提供的最小均方误差的示意图；
[0032]图11为本专利技术一个实施例所提供的混淆矩阵的示意图；
[0033]图12为本专利技术一个实施例所提供的基于弯剪比和剪跨比的破坏模式预测的示意
图；
[0034]图13为本专利技术一个实施例所提供的一种基于人工神经网络预测RC矩形柱破坏模式的方法的示意图。
具体实施方式
[0035]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于人工神经网络预测RC矩形柱破坏模式的方法进行详细说明如下。
[0036]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0037]本专利技术实施例提供了一种基于人工神经网络预测RC矩形柱破坏模式的方法的具体实施方法，该方法适用于钢筋混凝土矩形柱构件破坏模式预测的场景。为了解决现有方法中对钢筋混凝土柱构件破坏模式的预测结果的准确性较低的问题。本专利技术通过基于人工神经网络的预测方法，结合Levenberg Marquardt反向传播训练算法来判别矩形柱构件破坏模式。
[0038]下面结合附图具体的说明本专利技术所提供的一种基于人工神经网络预测RC矩形柱破坏模式的方法的具体方案。
...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络预测RC矩形柱破坏模式的方法，其特征在于，该方法包括以下步骤：基于人工神经网络的预测方法，结合Levenberg Marquardt反向传播训练算法来判别矩形柱构件破坏模式；其中，判别矩形柱构件破坏模式的方法为：设置钢筋混凝土矩形柱构件破坏模式的人工神经网络结构；对矩形柱构件的数据集进行处理，对影响矩形柱构件破坏模式中的配箍率、纵向配筋率、箍筋间距与截面有效高度比、剪跨比、轴压比、弯剪比进行敏感性分析，得到矩形柱构件破坏模式预测结果；对矩形柱构件破坏模式预测结果进行统计性分析。2.根据权利要求1所述的基于人工神经网络预测RC矩形柱破坏模式的方法，其特征在于，钢筋混凝土矩形柱构件破坏模式的人工神经网络结构的参数包括：输入层节点数、隐藏层节点数、输出层节点数、输入层激活函数，隐藏层激活函数和输出层激活函数。3.根据权利要求2所述的基于人工神经网络预测RC矩形柱破坏模式的方法，其特征在于，输入层有6个节点，6个节点分别代表配箍率、纵向配筋率、箍筋间距与截面有效高度比、剪跨比、轴压比、弯剪比。4.根据权利要求2所述的基于人工神经网络预测RC矩形柱破坏模式的方法，其特征在于，输入层激活函数的表达式为：y＝f(Wp+b)其中，y为激活函数的输出向量；W为权重矩阵；p为初始输入向量；b为偏置向量。5.根据权利要求2所述的...

【专利技术属性】
技术研发人员：万海涛，戚永乐，张瀚文，任文娟，付小燕，杨琳，
申请(专利权)人：河南大学，
类型：发明
国别省市：