基于BP神经网络的混凝土抗压强度预测分析混凝土作为常用的建筑材料之一,被广泛应用在各种工程建设中，其抗压强度是衡量混凝土质量好坏的主要指标之一。实际工程中,混凝土的抗压强度通过标准试验获得。根据《普通混凝土力学性能试验方法标准》(GBT50081-2016)网和《混凝土结构设计规范》(GB/T50010-2019) 网使用边长为150mm的立方体试件作为 C60以下混疑土抗压强度的标准尺寸试件。养护条件为温度20C+2C、相对湿度在95%以上，养护龄期28d，实测极限抗压强度为混凝土的标准立方体抗压强度。然后在立方体极限抗压强度整体分布中，取强度率为 95%的立方体试件抗压强度作为混凝土强度等级划分标准，普通混凝土分为 14 个等级。除了受实验条件的影响外，混凝土的性能还受其他因素的影响，如粗细骨料用量、砂子、水泥水、掺合料、外加剂等的影响。因此，通过实验方法获得混凝土的抗压强度值一般周期长且材料消耗大，并且难以获得较为准确的结果。近年来，运用机器学习方法处理名种工程问题受到越来越多学者的关注。机器学习是一门交叉学科,涉及计算机、统计学、概率论等多门学科,核心是通过对一部分数据进行学习，使用算法解析数据、挖掘其中规律，然后对另外一些新数据做出预测，类似于人脑学习事物的方式。目前机器学习已经广泛应用在图像识别和分类、目 标检测、语音识别、情感分析等众多领域。机器学习实现学习任务常用的方法是人工神经网络ANN( Artificial Neural Network]是一种由大量的节点相互连接而成的模仿人脑的信息处理网络，其中简单和常用的方法是BP神经网络算法。已经有很多学者尝试运用神经网络学 习方法预测混凝土等一些材料的性能，如强度和耐久性等,均取得了比较满意的结果。张娇龙等建立了UHPC力学性能的BP神经网络预测模型,并将其预测数据与试验数据进行了对比，验证了模型的有效性。付义祥等利用前向神经网络对混凝土的配合比设计进行预测，结果表明,该神经网络方法预测精度较高。唐和生等建立了一种基于人工神经网络的矩形混凝土柱屈服性能预测方法,结果表明,神经网络预测结果与实验结果吻合程度远高于其他经验预测模型。万崔星通过找到 BP神经网络适宜的隐藏层单元数和误差目标值，对不同材料掺量的纤维混凝土进行力学性 能预测，并对比了预测数据和实测数据，证明运用BP神经网络预测模型进行混杂纤维混凝土强度预测是可行的。本文通过MATLAB 软件建立BP 神经网络系统，全面考虑了影响混凝土强度的八个因素,即水泥、水、矿渣、粗细骨料、减水剂、粉煤灰、养护龄期等,并将不同配合比的这八个因素作为输入变量混凝土的抗压强度作为输出量，对神经网络模型进行训练，并选取一组混凝土教据进行抗压强度预测。对比了用BF神经网络模型预测出的混凝土抗压强度值与实测值，结果显示该模型的预测,运用BP 神经网络方法进行混凝土抗压强度预测比用传统实验方法耗时短、节约成本，而且避免了环境和人为提作带来的误差。预测数据精度较高，数据模拟训练的效果可以通过绘图等直观形式显示。本文采用 BP神经网络进行混凝土抗压强度的预测的过程中,全面考虑了水泥、矿渣、粉煤灰、水、粗细骨料等影响混凝土抗压强度的因素，比传统实验方法更有可控性。基于本文的BP神经网络得到的组混凝土抗压强度预测结果，与实测结果的误差均小于3%,说明该方法预测精度较高、结果具有较高的可信度。利用BP 神经网络预测混凝土或其他材料的性能，可以极大减少实验工作量、有效节约成本，可作为解决相关工程问题或实验设计的有效工具，是未来发展的趋势。参考文献：[1] 张玉忠.建筑施工中常见的深基坑支护技术与操作注意事项J.黑龙江交通科技2019,42(10:52+54.[2] 魏鹏.建筑基坑支护设计方案的选型及优化分析J.房地产世界,2022(111:77-79.[3] 黄要.高层建筑施工中基坑支护施工技术设计与应用实践J.工程与建设2022,36(21:380-382[4] 刘家国.复合土钉墙在超深基坑支 护工程中的应用.石油化工建设,2022,44(2):125-127[5] 李程锦.建筑工程土钉墙施工技术及安全保障措施J.河南科技,2022,41(11):97-100.

我曾经给你说过，小二乘算法矩阵是不断进化学习的，是系统每次运行一次的输出数据，反馈回来替换算法矩阵的一列数据。BP算法其实也类似于此，只是它是用神经网络输出与教师数据的差值，经过某个策略，你比如，用遗传算法、进化算法、模拟退火算法、深度卷积算法等修改神经网络权值（矩阵或张量）。实际上，自然界的任何系统都可先看作一“黑箱”，给其一输入就会有一相应输出。我们探索自然界规律或叫奥秘，就是想找到这个黑箱的结构和其形式的表达（一般是函数形式）。通常这个黑箱系统分为两大类:一类是冷冰冰的、毫无生机的无机系统，典型的，像晶体、石头、金属等；二类是有机生命系统，有机物、生物系统等。第一类就是线性系统或叫线性可分，或可表达为线性形式的系统。这类系统，说白了，可表达在一个矩阵，或张量形式的线性空间上，就是这个线性空间，可由一组线性无关的向量作为基底撑起来，类似一幢房子由4根立柱撑起来一样。这里的向量不限于是数，它可以是函数；也就是说，这个线性空间由一组坐标系撑起来；坐标系的每一个坐标轴是一个函数或一个数集合；坐标轴之间必须满足正交性或叫广义垂直性，就是两个数集的垂直正交。自然界从根本上就是由第一类系统“打底”组成的；第二类系统是在第一类系统的相互相作用下生成的，是非线性系统或叫线性不可分系统，有一部分是在局域线性可分或线性可表达系统，或叫局域的线性可逼近系统。生命、生物系统是由DNA编码的非线性系统，只能说它是局域的线性可表达系统；他是由4种碱基对，编码在一个非等长码的群空间上，说白了，将来还是可以找到其形式。但是，智慧生物的意识，或叫情感和抽象思维系统，或叫智慧生物的认知逻辑系统，这是本质非线性系统，没法线性可分或线性形式的表达。目前，人工智能都是通过模拟智慧生物系统的外在性质，而只能做到局域的线性逼近或线性表达在一个张量线性空间上而已。人类的智能，是用量子多值逻辑的“犁”，深耕或叫挖掘在自然的知识海洋，叫做知识挖掘，是可以挖掘语义信息、语用信息、语效信息等高级信息形式中的规律。人工智能只能利用数理逻辑，挖掘数集上的初级信息---数的序，这叫做数据挖掘。数据挖掘与知识挖掘永远隔着一道不可逾越鸿沟，也就是量子多值逻辑，没办法由数理逻辑线性表达。这也就是现在的所有的基于经典计算机程序（语言），构建的量子算法都是伪量子算法；由经典的逻辑门器件，搭建出的量子逻辑门器件，都是自欺欺人的量子器件。人类目前的人工智能成就，只是吃科技发展的红利而已。目前人工智能所做的“高级事务”，都是将领域中的语义等高级信息形式，映射到某个数集以后，在数集上所进行的数据挖掘而已。所以，我一再叮嘱你要做、要学的，人工智能的关键技能就是，将任务的语义等高级信息做映射转换工作。自然界任何一个系统在时空中运行，不论是实在的位移，还是系统内部的时间演化，都可看作是一幢“房子”，在时空中做坐标变换；这里时间是永恒的隐变量，即便系统没有空间的运动位移，但必然、必须有其内部的时空变换运动形成的系统演化。通常火车、汽车、轮船的运动，都是通过以地球（大地）为参照系，由火车、汽车、轮船与地球相互相作用而建立了一个能量梯度场，在这个能量梯度场做坐标变换运动（假设火车、汽车、轮船外形不变）。还有一种系统的运动，如龙卷风运动，它是依赖龙卷风的拓扑形变产生的运动。由于龙卷风的拓扑形变，不是由其内部能量控制形成的有序性输出，而是通过与地球相互作用而形成的其拓扑形变梯度带来的有序性输出，从而引起其定向运动。因此，一个可拓扑形变的体系，通过对其内部存储的能量，进行有序控制地输出，从而形成有序运动，这就是我想说的飞碟的动力系统---不喷火、不喷气的“自己抬着自己走”的自履运动系统。原则上讲，在太空中的一个陀螺运动，只要其自转平面形变时，它就会沿着其“拓扑形变梯度”方向运动。这个“拓扑形变梯度”是一个全新概念，是一个有“潜力的方向”。#bp神经网络简介#

别忘了，那位站在ChatGPT 背后的“AⅠ女神”——集土生土长的中国人、美国梦楷模、美国三院士、谷歌云首席科学家于一身的美女！众所周知，ChatGPT是当今人工智能集大成者，诸如神经网络、BP算法、深度学习等数项技术，可说它是站在巨人肩膀上的。但重要的是机器视觉和海量训练绝不可少。她就是李飞飞，那个发明了ImageNet的“AⅠ女神”。李飞飞16岁时随父母到了美国，凭着坚强的毅力和高智商，被普林斯顿大学录取，数学是满分。在大学里数学天才进一步发挥，博士毕业仅7年就晋升为斯坦福大学终身职的副教授，成为美国梦的缔造者和楷模。她的研究领域主要为电脑视觉、认知神经科学、电脑神经科学和大数据分析，都是与电脑AⅠ有关。2009年她萌生了一个疯狂的想法，就是建立一个庞大的数据库，用来教会计算机识别各种动物和物体！这个就是后来的ImageNet！这个项目完成时共动用了167个国家的5万人，他们在两年半的时间里前赴后继，教给机器认识1420万张图片。她后来利用ImageNET，举行了视觉识别的挑战赛，成为业界备受瞩目的一项赛事，极大推动了Al的发展。李飞飞这三个字几乎是AI界无人不晓的名字。凭借以上的成就，她还被美国评为 “年度杰出移民” ，谷歌宣布李飞飞成为谷歌云计算首席科学家。于20、21年李飞飞先后成为美国三大院院士（美国国家工程院院士、美国国家医学院院士以及美国艺术与科学院院士）。#chat GPT#