ANN接受了BBO的培训,用于模拟使用高范围降水添加剂的飞灰水泥系统

科学领域:

• 材料科学 材料科学 材料科学
• 土木工程 土木工程是指土木工程.
• 人工智能的人工智能

背景情况:

• 用飞灰和高范围降水添加剂 (HRWRA) 优化水泥系统对于可持续建筑至关重要.
• 准确预测压力强度和流量值对于混合物设计至关重要,但传统上需要大量的实验室工作.
• 了解HRWRA特征 (分子量,链长) 对混凝土性能的影响是关键.

研究的目的:

• 开发和比较人工神经网络 (ANN) 和基于生物地理的混合ANN优化 (ANN-BBO) 模型,用于预测具体的属性.
• 准确预测基于飞灰的水泥系统的压力强度和流量值.
• 确定影响具体表现的关键因素,减少对物理试验的依赖.

主要方法:

• 编制了一个数据库,包含180种混凝土混合物,包括不同的水泥和飞灰含量,HRWRA特性和固化期.
• 实现一个经典的人工神经网络 (ANN) 模型.
• 开发一种混合ANN-BBO模型,将ANN与基于生物地理的优化集成在一起,以提高预测能力.

主要成果:

• 与单个ANN (R2 ≈ 0.91,RMSE ≈ 4.40 MPa) 相比,ANN-BBO模型在压力强度 (R2 ≈ 0.99,RMSE ≈ 1.37 MPa) 上取得了更高的精度.
• 对于流量值预测,ANN-BBO模型表现出高精度 (R2 ≈ 0.98,RMSE ≈ 0.32厘米).
• 混合模型将预测误差降低了约60%,并将固化时间,水泥含量,流量时间和HRWRA分子量确定为关键因素.

结论:

• ANN-BBO模型提供了一个非常准确和高效的方法来预测基于飞灰的混凝土的性能.
• 人工智能驱动的虚拟试验显著减少了实验室时间和材料消耗,支持环保的混凝土开发.
• 这些模型有助于设计低碳,高性能混凝土混合物,降低水泥含量和增加飞利用率.