广州大学土木工程学院 广东广州 510006
摘要：提出一种基于BP神经网络的方钢管约束型钢混凝土（STSRC）轴压承载力计算方法，采用7个参数作为模型输入值，对STSRC轴心受压峰值承载力进行预测，为验证方法可行性，将计算结果与试验结果进行对比分析，结果表明，BP神经网络STSRC轴压承载力预测结果与试验结果吻合较好，精度较高。
关键词：神经网络；方钢管约束型钢混凝土；轴压承载力
引言
钢管约束型钢混凝土具有良好的受力性能，钢管两端断开不承受纵向荷载，仅受径向拉应力，避免钢管屈曲，从而进一步提高对混凝土的约束能力，提高混凝土的强度和延性[1]。但由于钢管约束型钢混凝土受力的复杂性，难以全面且准确的考虑钢管、混凝土和型钢之间各因素对峰值承载力的影响。BP人工神经网络具有强大的非线性映射能力，能较好的预测复杂应力情况下构件的峰值承载力[5]，因此在已有研究的基础上，建立7参数BP人工神经网络STSRC轴压承载力预测模型。
模型的建立
从现有研究中收集17组试验数据[2-4]，将数据按0.7：0.15：0.15的比例分为训练集、验证集和测试集，对数据进行归一化处理，参照文献[1]的STSRC承载力计算公式，选择高度、钢管直径、钢管厚度、钢管屈服强度、型钢含钢率、型钢屈服强度和混凝土轴心抗压强度7个参数作为神经网络的输入值，以轴心受压峰值承载力作为输出值。
表 1 输入参数数值
.png)
通过对不同隐含层节点个数进行多次循环，得出较稳定的相关系数R，将不同隐含层个数对应的相关系数R进行对比，选出最优的隐含层个数，见图1可知，隐含层节点数为7时，具有相对较小的均方误差及较高的相关系数，该节点个数具有最优的模拟性能。因此建立N7-7-1BP神经网络模型。
.png)
.png)
图1 不同隐含层节点数对应的均方误差mse 图2 不同隐含层个数对应的相关系数R
BP人工神经网络模型结果及验证
使用训练好的N7-7-1BP神经网络模型对STSRC柱进行计算，计算结果见图3，N7-7-1模型计算值与试验值最大误差为4.58%，平均误差为1.47%，相关系数R为0.9901，对比分析可知N7-7-1模型的预测精确度较高，与试验结果基本吻合，虽然目前STSRC柱实验数据有限，导致神经网络的泛化能力有所受限，但随着数据增加，其准确性、预测能力和泛化能力将有较大提高，BP神经网络可作为STSRC构件计算轴压承载力的一种方法。
.png)
图3 轴压承载力预测值与试验值对比
参考文献：
[1]周绪红，刘界鹏.钢管约束混凝土柱的性能与设计[M].北京：科学出版社，2010.
[2]刘建伟.方钢管约束型钢超高强混凝土轴压短柱的力学性能[J].水利与建筑工程学报，2019，17（02）：189-193.
[3]甘丹.钢管约束混凝土短柱的静力性能和抗震性能研究[D].兰州大学，2012.
[4]王宣鼎.钢管约束型钢混凝土短柱轴压及偏压力学性能研究[D].哈尔滨工业大学，2013.
[5]林庄慧，唐和生，李大伟，薛松涛.基于神经网络的混凝土柱峰值承载力预测[J].结构工程师，2019，35（01）：174-179.