利用神经网络评估输入参数在预测橡胶水泥基材料机械性能中的重要性 作者:马蒂亚·兹沃纳里奇(Matija Zvonari?)、伊雷娜·伊什托卡·奥特科维奇(Irena I?toka Otkovi?)和伊万娜·巴里希奇(Ivana Bari?i?)

《Eng》:Assessment of Input Parameter Importance in Predicting the Mechanical Properties of Rubberized Cement-Based Materials Using Neural Networks Matija Zvonari?, Irena I?toka Otkovi? and Ivana Bari?i?

【字体: 大 中 小 】 时间:2026年05月10日 来源:Eng 2.4

编辑推荐:

  摘要:本研究利用人工神经网络开发了用于预测含有废橡胶的水泥稳定基层材料力学性能的模型。考虑的输入参数包括超声脉冲速度(UPV)、抗压强度(fc)、橡胶含量(质量百分比)、水泥含量(质量百分比)和固化时间(天)。这些模型被用来预测间接抗拉强度(ft)和静态弹性模量(Est)。共开发

  摘要:本研究利用人工神经网络开发了用于预测含有废橡胶的水泥稳定基层材料力学性能的模型。考虑的输入参数包括超声脉冲速度(UPV)、抗压强度(fc)、橡胶含量(质量百分比)、水泥含量(质量百分比)和固化时间(天)。这些模型被用来预测间接抗拉强度(ft)和静态弹性模量(Est)。共开发了十个神经网络模型,并进行了系统的评估。结果表明,UPV是一个高度相关的参数,其在所有模型中的重要性保持不变(对于ft的预测为0.439–0.497,对于Est的预测为0.167–0.225),反映了其对预测的稳定贡献;而固化时间对Est有特别显著的影响(0.236–0.621)。剩余输入参数的重要性取决于它们在每个模型中的组合方式,这突显了选择合适输入变量集的关键作用。统计分析表明,所有模型都表现出较高的可靠性,证实了神经网络在准确预测含有废橡胶的混凝土基材料力学性能方面的适用性。同时,强调了对此类模型进行标准化的迫切需求。

1. 引言
混凝土基材料可以通过多种参数来表征,这些参数需要大规模的实验室测试或现场测试。考虑到实验所需的时间和成本,研究人员希望在尽可能少的测试次数下确定尽可能多的性能参数。这一目标可以通过使用预先开发的精确预测模型来实现。传统的方法是基于实验数据集进行统计分析,这种方法通常需要迭代程序以及广泛的数学和统计知识,尤其是在结果呈现非线性关系时。作为一种新的方法,研究人员利用人工智能工具[1](如支持向量机(SVM)、神经网络(NN)、决策树(DT)或K最近邻(K-NN)来开发此类模型。除了预测之外,这些模型还能比统计工具更有效地表示分析变量之间的相互关系[2]。
在开发预测模型时,目标是以最少的输入参数实现最高的可靠性,从而使模型实际上可用。因此,论文[3,4]的作者强调,均方根误差(RMSE)是模型评估的一个更好的指标,相比之下决定系数(R2)较差。这些作者还强调,在使用钻取芯样进行测试时,模型可靠性主要取决于测量的可靠性[5]。由于实验室试样和钻取芯样之间的抗压强度存在差异,论文[6]建议结合使用估算方程和修正系数。在开发抗压强度预测模型的过程中,发现无损方法(超声脉冲速度(UPV)和回弹锤测试(RH)具有良好的相关性,并且与抗压强度也有相关性[6,7]。Khoudja等人[8]也强调了足够数量的试样的重要性,特别是钻取芯样。在评估现有结构的抗压强度时,特定材料性能通常是未知的;因此,可以仅基于无损测试结果来开发预测模型[9],但必须注意无法避免的实验误差[10]。
一些研究人员使用人工智能工具对混凝土进行评估,包括普通混凝土[11,12]和高性能混凝土[13,14]的抗压强度估算,或者在单个研究中结合使用UPV和RH[15]。在这种方法中,SVM已被证明是开发预测模型的可靠工具[11,12,13]。通过输入优化[14]或模型整合[15]可以进一步提高模型的准确性。
鉴于复合材料的力学性能直接受其组成成分及其相对比例的影响,一些研究人员基于材料组成来开发预测模型。在论文[15,16,17,18,19,20,21,22,23,24,25,26]中,作为估算混凝土抗压强度的输入参数,使用了水泥用量、骨料用量、水量、添加剂以及试样的年龄、温度等。预计这些参数中的一些会对开发可靠的预测模型产生较大影响,一些影响较小,而另一些则几乎无关紧要。因此,Han等人[26]强调试样年龄和水灰比(w/b)是对抗压强度预测最具影响力的输入参数。除了得出机器学习工具可以准确预测材料抗压强度的结论[16,17,21]外,参考文献[18]还指出,为传统混凝土开发的模型可能不适用于含有硅灰的混凝土。
另一方面,通过结合无损测试结果和混凝土组成成分,参考文献[27,28,29,30,31]得出结论,与混凝土组成成分、试样年龄或温度相比,无损测试结果的重要性更高,而且集成模型优于单一模型[30]。Na等人[28]强调,应包括粘结剂用量和缓凝剂用量(如果存在的话)作为输入参数,因为它们对强度发展有显著影响,而[27]中强调了骨料类型的重要性。
除了估算混凝土的抗压强度外,Yoon等人[32]还关注初始弦弹性模量(Ei)和静态弹性模量(Est)的估算。Behnood等人[18,21,31]专注于估算含有废材料的混凝土的各种力学性能。在[18]中,作者基于测量的UPV预测了含有硅灰的混凝土的抗压强度,而[21]则专注于开发含有废铸造砂的混凝土的预测模型,不仅考虑了混凝土的抗压强度,还包括其他关键力学性能,如弹性模量、抗弯强度和劈裂抗拉强度。同样,在[31]中,作者开发了用于估算纤维增强混凝土劈裂抗拉强度的模型,其中抗压强度被认为是最具影响力的因素。此外,Golafshani和Behnood[23,24,25]估算了抗压强度并优化了硅灰混凝土的配合比设计[23],其中水泥、水量和硅灰用量以及试样年龄被证明是最重要的输入参数[23]。还估算了再生骨料混凝土的弹性模量[24,25]。研究表明,最显著的参数是水灰比(w/c)、细骨料与总骨料比例以及抗压强度[24],并且ANN和支持向量回归(SVR)取得了最佳拟合结果[25]。
据我们所知,预测模型在材料的实际应用中非常重要。开发可靠的模型需要一个大型数据库。已经证明,可以根据混凝土的组成成分、某些测量的力学性能或两者的组合来开发可靠的混凝土力学性能模型。重点在于使用无损测试方法,特别关注测试的准确性。新型的混凝土基材料通常包含一些具有不同特性的废材料,这些废材料通常具有不同的弹性性能,其对应力学性能(尤其是弹性性能)的影响应进行广泛分析。
现有的文献深入讨论了使用人工智能工具估算混凝土性能的方法。关于低强度混凝土或水泥稳定材料,可用的研究非常少。主要表明,利用神经网络可以开发出可靠的轻质混凝土抗压强度预测模型[33]。同样,超声脉冲速度也被证明是预测抗压强度的相关输入参数[34]。此外,与回归模型相比,神经网络(NN)模型在预测含有钢纤维的轻质混凝土抗压强度方面具有更高的准确性[35]。如所示,关于低强度混凝土和水泥稳定材料的现有文献仅涉及使用神经网络预测抗压强度。考虑到这些材料与结构混凝土行为的显著差异,已经识别出一个显著的研究空白。具体来说,由于材料行为的差异,与混凝土相关的总体结论不能直接应用于低强度混凝土,但它们可以作为进一步研究的基础。对于水泥稳定材料,相关文献提供了使用神经网络预测稳定粘土材料性能的例子[36],其中作者提出了一种可能对其他研究领域有用的方法。然而,水泥稳定材料确实被忽视了。
本研究的目的是利用神经网络开发含有废橡胶的水泥稳定基层材料的力学性能模型。模型开发将包括材料组成成分及其比例,以及材料的测量力学性能。此外,还将分析各个参数的统计显著性,作为未来模型和预测开发的宝贵信息。所开发模型的应用重点在于预测添加了颗粒状橡胶的水泥稳定基层的力学性能。

2. 材料与方法
2.1. 实验室测试
本研究的数据库来自我们之前的工作[31],其中测试了15种添加了废橡胶的水泥稳定基层(CBC)混合物。这些混合物由Sava河的砾石(0–4、4–8、8–16毫米)和Drava河的沙子(0–2毫米)组成,而橡胶(0–0.5毫米)作为沙子的体积替代品,用量分别为10%、20%、30%和40%。橡胶替代量约占混合物质量的1%、2%、3%和4%。组成成分在图1中展示。作为粘结剂,使用了32.5R等级的波特兰水泥,用量分别为3%、5%和7%。详细的混合物组成和骨料特性在[37]中有描述。Proctor试样通过振动锤方法压实[38],其适用性在[39]中有讨论。试样在最佳含水量下生产,用保鲜膜包裹,并在20°C、相对湿度90%的气候室中分别固化7天、28天和90天。进行了多项力学性能测试。根据[40,41]的方法,在压缩机器中测试了抗压强度和间接抗拉强度(巴西测试)。对抗压强度测试试样进行了无损测试程序。具体来说,动态弹性模量是通过测量超声脉冲的p波速度来确定的[42]。图1显示了组成材料(毫米)。静态弹性模量也是通过3D DIC方法测定的,在压缩测试过程中对试样外表面的特定点进行了特定垂直位移[43]。
2.2. 神经网络
从文献综述中可以得出,模型可以基于力学性能、混合物组成成分或这两组数据来开发。像神经网络这样的工具为数据分析提供了许多可能性。由于模型是基于实验室试样创建的,它们的应用主要集中在现场实施之前的混合设计阶段。本研究的基本前提是开发六个模型,其中三个用于估算间接抗拉强度(ft),另外三个用于估算静态弹性模量(Est)。然而,研究还表明需要另外四个模型,这些模型结合了前两组输入参数。因此,总共开发了10个模型。
由于动态交通荷载,层状路面结构内部会产生拉应力,一旦材料的抗拉强度被超过,就会发生开裂[37,44]。另一方面,静态弹性模量非常难以精确测量,特别是在表面粗糙度高的曲面试样上[43],这对于用作路面基层的水泥稳定材料来说很典型。此外,与动态弹性模量不同,静态模量的测定采用了一种破坏性方法。模型ft_I和Est_I基于测量的超声脉冲速度(UPV)和抗压强度(fc)同时估算抗拉强度和静态弹性模量。模型中使用了抗压强度,以避免仅使用无损方法时会出现的实验误差[10]。模型ft_II和Est_II基于与测试混合物组成相关的输入数据进行估计,这些输入数据包括橡胶和水泥的质量百分比以及试样的年龄。模型ft_III和Est_III结合了前两个模型的数据以达到相同的目的。这些模型的开发是基于每个试样的结果,而不是混合物的平均结果。这种方法增加了数据点的数量,并确保模型能够捕捉到通常被平均处理忽略的实验散点。模型由三层组成:输入层,其神经元数量与输入参数的数量相对应;隐藏层,在训练过程中神经元数量会动态确定,反映了模型的复杂性;以及输出层,其中包含一个神经元,对应于观测到的因变量。输入和输出参数在图2中以图形方式呈现。该网络在整个数据集上进行了训练,该数据集同时也被用作验证集。隐藏层中的神经元数量被限制在100个以内。使用更多的神经元会增加过拟合的风险,因此这一限制也作为训练的停止准则。

图2. 模型开发方案。图例:超声波脉冲速度(UPV)、抗压强度(fc)、橡胶含量(R)、水泥含量(C)、样品年龄(A)。fc和UPV是模型ft_I和Est_I的输入参数。这些值是在相同年龄的样品上测得的;因此,样品的年龄不作为这些模型的输入参数。此外,模型ft_II和Est_II的输入参数还包括橡胶在总Aggregate中的质量百分比(百分比)(1)、水泥在总Aggregate中的质量百分比(百分比)(2)以及样品年龄(天)。最后的模型使用了前两个模型的输入参数来估计ft和Est。在ft_iv和Est_iv以及ft_v和Est_v模型中,fc和UPV与R、C和A输入参数相结合。

模型开发中应用了一种级联相关神经网络,使用的是Neuroshell Predictor工具。在早期的人工神经网络研究中,Fahlman和Lebiere [45]提出了一种方法,其中网络架构不是预先定义的,而是在学习过程中动态发展的。他们的级联相关算法是一个重大突破,因为它允许根据问题的复杂性和模型的残差误差动态确定隐藏层中的神经元数量。该算法的核心思想是每个新神经元都经过训练以最大化其与当前网络误差的相关性,确保新增单元能够提供最大的性能改进。一旦神经元完全训练完成,其权重就会“冻结”,即在后续学习过程中不再进行调整。这防止了先前学习到的关系的退化,并使得构建越来越复杂的架构成为可能。该算法还采用了级联连接方案,每个新添加的神经元不仅从输入层接收输入,还从所有先前添加的隐藏神经元接收输入,从而实现了层次化的学习,能够处理越来越复杂的表示形式。这种方法标志着自适应神经网络架构发展的一个转折点,因为它能够在不需要手动指定隐藏神经元数量的情况下自动构建模型——而隐藏神经元数量通常是其中一个最敏感的超参数。

数据库(见附录A)包含了135个间接抗拉强度(ft)和静态弹性模量(Est)的测量值。数据集的描述性统计信息见表1。对于观测到的因变量,进行了Anderson–Darling正态性检验。零假设认为数据遵循正态分布,显著性水平设定为0.05。每个因变量的概率图显示在图3a和图3b中。根据Anderson–Darling检验的结果(表1,图3a和图3b),p值低于规定的阈值,因此拒绝了零假设。这表明没有一组观测数据遵循正态分布。

根据数据库分析的结果(表2),选择了非参数的Spearman’srho检验来进行相关性分析。与Pearson相关系数不同,Spearman’s相关性不要求数据具有连续的水平。间接抗拉强度和静态弹性模量的相关矩阵显示在表2中。

正如预期的那样,橡胶与其他所有机械性质以及UPV之间存在负相关,因为橡胶含量的增加会导致强度和刚度的降低[37]。此外,固化时间和水泥含量仅与机械性质和UPV相关,而机械特性和UPV与所有其他输入参数都有相关性。由于所有获得的值都达到了统计显著性(p < 0.05),因此为这两个输出变量建立了包含所有输入参数的综合性模型。本研究所进行的分析结果产生了十个模型。这些模型的主要目标除了预测机械和弹性性质(这仅适用于进行分析的特定软件的授权用户)之外,还包括分析各个参数对机械和弹性性质的影响。对开发模型的分析基于统计参数以及实际值与预测值之间的关系,还有残差的分析。统计结果见表3。

表3显示,对于ft模型,隐藏层的最佳神经元数量低于Est模型。在这方面,所有模型都展现了非常高的决定系数(0.936–0.995)和强相关性(0.966–0.997)。同样,由于这种方法考虑了影响观测输出的因素数量较多,决定系数随着输入参数数量的增加而增加,因此相关性也随之增加。从实际应用的角度来看,增加输入参数的数量并不是理想的做法。然而,尽管这些参数表明模型的可靠性非常高,但由于模型不是基于线性回归构建的,因此还需要进一步分析其性能的其他方面。

图4、图5和图6给出了实际值和预测值以及相应残差的图形表示。模型ft_I和Est_I在实际值和预测值之间的一致性较差,这一点从相对较高的残差可以看出。这种效应在模型Est_I中尤为明显,其中残差范围从-2.5 MPa到2.0 MPa——考虑到弹性模量可达到15 MPa(残差约占模量值的20%),这种偏差相当大。对于模型ft_I,残差与间接抗拉强度值之间也存在类似的模式。因此,输入参数UPV和fc无法生成一个可靠的预测模型。对模型ft_I的输入参数重要性分析(表1)表明,fc和UPV的影响相当,其中fc的重要性略高于UPV(分别为0.561和0.439)。因此,在预测机械性质(ft)时,机械参数(fc)比动态参数(UPV)更具影响力。文献[31]中也指出fc对纤维增强混凝土的ft预测具有很高的重要性。另一方面,对模型ft_II的敏感性分析显示,fc的重要性显著高于UPV(分别为0.833和0.167)。考虑到Est是在压缩载荷下进行的静态测试中测量的,这一参数的重要性显而易见。

图4显示了(a)模型ft_I和(b)模型Est_I的实际值与预测值及残差结果。图5显示了(a)模型ft_II和(b)模型Est_II的实际值与预测值及残差结果。图6显示了(a)模型ft_III和(b)模型Est_III的实际值与预测值及残差结果。此外,模型ft_II和Est_II根据混合物组成来预测ft和Est的值。图5a和图5b中的图表直观显示,这些模型比之前分析的模型提供了更可靠的结果,实际值与预测值之间的一致性更好,残差也显著降低。在模型ft_II中,输入参数的显著性顺序如下:水泥含量(0.535)、样品年龄(0.409)和橡胶含量(0.057)。因此,抗拉强度的发展主要受水泥含量和样品年龄的控制,而橡胶含量对预测这一性质的影响可以忽略不计。这可能是由于橡胶相对于水泥量和固化时间的比例较低且变化性较小。此外,橡胶主要影响材料的延展性。相比之下,模型Est_II的输入参数的显著性顺序为:样品年龄(0.621)、橡胶含量(0.315)和水泥含量(0.065)。在这个模型中,固化时间再次成为最具影响力的参数,表明样品年龄对材料的机械和弹性性质的发展影响最大。其次是橡胶。虽然之前的实验室研究难以量化橡胶对机械和弹性性能的贡献,但当前的分析清楚地表明橡胶在材料的弹性性质发展过程中起着关键作用。这一发现适用于固化的前90天内的实验室制备样品。需要强调的是,这一结论不适用于显著更老的样品或钻取的芯样。

最后,考虑所有输入参数的模型在实际值和预测值之间显示出最好的一致性,因此残差也最小。此外,在模型ft_III和Est_III中,UPV输入参数的显著性几乎与模型ft_I和Est_I相同(分别为0.439/0.456和0.167/0.168),而fc参数的显著性在其他输入参数之间分布。这证实了抗压强度(fc)是材料组成和固化时间的固有结果,而UPV值受到本研究中未分析的其他因素的影响。这些因素可能包括材料的不均匀性、样品中的孔隙、微裂纹的发展等。这些结果表明需要开发第四个模型,该模型将排除UPV作为输入参数,而是使用混合物组成和抗压强度作为输入参数。为了全面了解情况,还分析了第五个模型,该模型从输入数据中移除了fc。图7和图8展示了实际值与预测值以及残差的对比图。最终模型的统计参数显示结果非常相似,尽管它们的准确性略低于使用所有参数的第三个模型,这是在意料之中的。图9a和图10a分别展示了抗拉强度和弹性模量的计算预测值与实际测量值的对比图,以及相应的残差图。

图9和图10分别展示了ft和Est模型的实际值与预测值及残差的对比图。从这些图中可以观察到,所有模型中预测值与实际值之间的相关性都非常高。确实,不同模型的差异非常小,并且随着试样指数的增加而减小,这表明对于水泥含量较高的试样,结果更加一致。具体来说,试样是按照水泥含量从低到高排序的。此外,从残差图中可以得出更精确的结论,其中模型ft_III(绿线)显示出最小的残差,而模型ft_I(红线)显示出最大的残差。关于Est模型,所有模型的预测值和实际值也非常接近,尽管残差稍大一些。静态弹性模量的最高预测可靠性同样由模型Est_III(绿线)提供,而模型Est_I(红线)记录的最大残差。表2显示橡胶、水泥和固化天数之间没有相关性。因此,为了获得最准确的模型ft_III和Est_III,开发了一个3D表面图来分析这两个变量对输出数据的影响。结果图显示在图11a和b中。两个图都展示了变量之间的相互依赖性以及一个变量对另一个变量的显著影响。在静态弹性模量的情况下,曲面的斜率略低于间接抗拉强度的斜率,这表明Est模型中主导变量的影响不那么明显。此外,两个表面都遵循S形曲线,这表明各个元素之间的相互作用比它们的单独效应更强。这证明了输入参数UPV和fc之间的协同作用,并为这些模型的结果提供了解释。图11展示了UPV和fc之间相互作用的3D表面图,分别对应于(a)ft和(b)Est的输出值。根据对所有模型结果的分析,可以得出结论,在ft的估算中,UPV始终保持着稳定的重要性水平。这与[34]中的研究结果一致,作者认为UPV是压缩强度的一个良好预测指标。在Est的估算中也观察到了类似的情况。压缩强度作为输入参数的重要性在不同的模型中变化很大,这取决于所包含的额外输入变量。橡胶含量在Est的预测中起着重要作用,特别是在不使用压缩强度作为输入参数时。对于水泥含量来说,情况更为复杂。在ft的估算中,当分析中不包括UPV时,水泥含量变得更为重要。相反,在Est的估算中,水泥含量的变化并没有表现出明显的规律性。水泥含量影响的波动很可能可以通过水化时间来解释。水化时间强烈影响着强度和刚度的发展,因此我们得出结论,粘合剂参数不能与试样的年龄分开。压缩强度的情况也类似;然而,其行为不仅受水化影响,还受集料的强度和形状的影响,使得分析更为复杂。试样年龄被证明是一个重要的参数,用于估算弹性模量,而对于间接抗拉强度则不是这样。需要强调的是,这类模型很难进行定量比较,每种材料由于其特定的特性,都需要分析不同的参数。所有建筑材料的共同点在于它们的强度和弹性模量,以及最近采用无损检测方法的趋势。因此,建议用于初步材料评估的模型应限于这些参数。总体而言,所进行分析的结果产生了高度可靠的模型。然而,重要的是要考虑所分析的数据来自单一研究,并且涉及的是一种强度非常低的材料,这意味着这些模型只能应用于低强度材料。大多数现有的研究都是基于通过科学和国家平台从多个研究中汇编的数据库。在这样的分析中,可能会出现试样制备程序的不一致性、特定参数的测量精度以及测量仪器精度等问题。4. 结论通过应用神经网络方法,本研究开发了五个用于预测间接抗拉强度(ft)的模型和五个用于预测静态弹性模量(Est)的模型,这些模型针对的是含有废橡胶的水泥稳定基层。研究的输入参数包括橡胶和水泥含量、固化时间、压缩强度以及超声波脉冲速度(UPV)。对统计指标和参数重要性措施的全面评估支持以下结论:UPV被确定为主要的预测指标,它不仅捕捉到了材料的机械响应,还捕捉到了微妙的结构效应,如异质性、裂纹形成和夹带的水分。固化时间对弹性模量的预测有着显著的影响,突显了其在控制水化动力学和刚度发展中的核心作用。模型的预测性能表明,对输入参数组合的选择非常敏感,强调了在基于数据的建模中仔细配置参数的必要性。拥有最多输入数据的模型由于变量间的协同作用而获得了最小的残差。神经网络模型被证明能够为含有废橡胶的基于水泥的复合材料提供可靠且可推广的机械和弹性性能预测。不同模型之间的交叉比较本质上是有限的,主要是由于缺乏一个标准化和普遍采用的建模框架,该框架涵盖了数据准备、网络架构选择和验证程序。建模方法的可重复性受到限制,因为复制取决于模型开发期间使用的具体软件环境和计算设置。本研究的局限性在于使用了本地材料以及测试试样的数量有限。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号