SFRC分析创新方法:使用基因表达式编程(GEP)预测钢纤维混凝土受压应力-应变行为

《Results in Materials》:Innovative approach to SFRC analysis: Using gene expression programming (GEP) to predict stress-strain behavior of steel fiber-reinforced concrete under compression

【字体: 大 中 小 】 时间:2025年12月04日 来源:Results in Materials CS5.5

编辑推荐:

  钢纤维混凝土(SFRC)的应力-应变图是评估其力学性能的关键工具,因为它清晰地展示了钢纤维提供的增强强度、延性和能量吸收能力。本研究提出了一种新颖的方法,用于开发预测钢纤维混凝土(SFRC)压缩应力-应变曲线的预测模型,为捕捉其复杂的力学响应提供了可靠工具。研

  
钢纤维混凝土(SFRC)的应力-应变图是评估其力学性能的关键工具,因为它清晰地展示了钢纤维提供的增强强度、延性和能量吸收能力。本研究提出了一种新颖的方法,用于开发预测钢纤维混凝土(SFRC)压缩应力-应变曲线的预测模型,为捕捉其复杂的力学响应提供了可靠工具。研究人员采用广义简化梯度法(GRG)和基因表达式编程(GEP)来开发一个公式,该公式包含了主要影响因素,包括钢纤维体积百分比、屈服应力、增强指数以及混凝土抗压强度和应变。研究人员对这些特征进行了仔细研究,以开发出一个能够准确预测SFRC应力-应变图的强大公式。该模型基于包含182个实验样本的大型数据集,用于开发和验证。通过比较实际值和预测值,使用均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)评估模型的准确性。该模型的预测与实验数据吻合良好,证明了其在预测应力-应变曲线方面的稳健性和可靠性。本研究揭示了SFRC中材料特性的复杂相互作用,为寻求增强纤维增强混凝土结构力学性能的工程师和研究人员提供了有力工具。
钢纤维混凝土(SFRC)因其优越的力学性能(如增强强度、延性和能量吸收能力)在工程中广泛应用,其应力-应变图是评估这些性能的关键工具。然而,现有的预测方法存在明显局限:分析模型和经验公式精度不足,难以涵盖多变量影响;数值模拟(如有限元分析)虽精确但计算耗时;实验测试可靠却成本高昂且耗时。因此,开发一种高效、准确且经济的预测模型对于优化SFRC结构设计和材料开发具有重要意义。本研究发表在《Results in Materials》。

研究人员针对上述问题,开展了基于基因表达式编程(GEP)和广义简化梯度法(GRG)的预测模型研究。他们从文献中收集了182个实验SFRC应力-应变曲线(来源包括多篇已发表研究),通过数字化和归一化处理建立数据库。利用GRG优化每个曲线的Carreira and Chu模型中的β参数(反映应力-应变曲线下降段拐点斜率),获得123个可靠β值,进而采用GEP构建预测β的经验公式(方程2-5),该公式综合了纤维体积百分比、屈服应力、增强指数、混凝土抗压强度和峰值应变等关键因素。同时,开发了人工神经网络(ANN)模型作为对比验证。最终模型通过R2、RMSE、MAE等指标评估,并与现有经验模型(如Ezeldin and Balaguru、Nataraja等)比较,展现出优异的预测性能。该研究为SFRC力学行为预测提供了简单精确的工具,显著降低了实验成本,对工程师和研究人员具有重要实用价值。

**主要关键技术方法**(不超过250字):
本研究的关键技术方法包括:1)**数据收集与数字化**:从文献中收集182个SFRC实验应力-应变曲线(样本来源于多篇已发表研究,如Refs. [28]-[35]),使用WebPlotDigitizer v4.5数字化并归一化处理;2)**广义简化梯度法(GRG)**:利用Excel Solver中的GRG算法优化每个应力-应变曲线的β参数,使Carreira and Chu模型拟合实验数据,设置搜索范围1.1-10.0,收敛容差0.0001,最大迭代1000次;3)**基因表达式编程(GEP)**:采用GeneXproTools软件,基于123个优化后的β值训练GEP模型,通过调整基因数(1-6)和头大小(3-9)结合10折交叉验证确定最优结构(4个基因,头大小7),生成预测β的公式(方程2-5),并进一步推导简化公式(方程8);4)**人工神经网络(ANN)建模**:在MATLAB中使用神经网络工具箱,采用贝叶斯正则化算法训练三个ANN模型分别预测β、抗压强度(fcf)和峰值应变(εcf),以比较GEP模型性能;5)**模型验证**:采用R2、RMSE、MAE、MARE、MBE、SD等指标评估,并与现有模型(Ezeldin and Balaguru、Nataraja等)对比,同时通过±3%随机噪声测试数字化不确定性。

**研究结果**(保留每个小标题,并简要说明通过什么研究得出什么结论):

**3. 简要描述GEP模型**
通过GRG优化获得每个应力-应变曲线的β值,并利用GEP开发了预测β的公式(方程2-5)。变量重要性分析表明,增强指数(RIν)贡献68%的显著影响,其次为纤维屈服应力(fyf,11%)、混凝土抗压强度(fcf,10%)、峰值应变(εcf,7%)和纤维体积分数(Vf,4%)。该结果揭示了各参数对SFRC应力-应变行为的相对重要性。

**4. 人工神经网络(ANN)建模方法**
研究人员开发了三个ANN模型分别预测β、fcf和εcf,并与GEP模型预测结果对比。表2显示ANN与GEP的R2值高度接近(β预测:GEP训练0.945 vs ANN 0.948),验证了两种建模方法的稳健性和一致性。

**5. 验证GEP模型**
通过对比实验数据与GEP模型预测的β、fcf和εcf,使用R2、RMSE、MAE等指标评估。结果显示:β系数在训练集和验证集上R2分别为0.945和0.903,均优于现有模型(Ezeldin and Balaguru的R2=0.312,Nataraja等为0.312,Ou等为0.279);应力预测R2约0.94,应变预测R2约0.70。简化公式(方程8)获得R2=0.828,RMSE=0.418,MARE=0.157,表明在可接受精度下具有更好的可解释性。通过添加±3%随机误差测试数字化不确定性,重新计算β值差异小于2%,且重新训练GEP模型性能指标变化极小,证实模型对数据提取误差不敏感。图10-12展示了GEP模型准确预测不同参数下的完整应力-应变曲线(包括上升和下降段),且优于其他模型。进一步分析表明:降低纤维体积分数(允许使用更长、更细纤维)或提高增强指数均可增加SFRC韧性(能量吸收能力);归一化分析中较低抗压强度显示相对延性增强,但绝对韧性仍随强度增加而提高。

**总结与讨论**
讨论部分指出,SFRC的韧性受抗压强度、峰值应变、纤维几何形状和力学性能的复杂交互影响。维持恒定增强指数而降低纤维体积分数,可允许采用更长、更细纤维,改善裂缝桥接和能量吸收;提高增强指数则增强抗裂性能、后峰值行为和整体延性。这些发现凸显了优化纤维增强参数以提升韧性的重要性。

**结论部分翻译**:
本研究旨在利用基因表达式编程(GEP)和广义简化梯度法(GRG)开发一个预测钢纤维混凝土(SFRC)应力-应变行为的经验公式。所提出的模型考虑了关键材料因素,包括纤维体积百分比、屈服应力、增强指数、混凝土抗压强度和峰值应变,以准确评估应力-应变响应。其性能通过包含182个实验样本的大型数据集进行开发和验证。本研究的主要结论概述如下:
• 利用GEP和GRG开发了一个新的SFRC应力-应变行为预测经验公式,结合了计算效率与强预测精度。
• 该模型考虑了纤维体积百分比、屈服应力、增强指数、混凝土抗压强度和峰值应变等关键变量,从而更准确地表征SFRC性能。
• 通过与实验数据对比,使用β系数、抗压应力和应变的R2、RMSE和MAE指标验证,证实了所开发GEP模型的稳健性,其性能始终优于先前模型。
• SFRC韧性取决于抗压强度、峰值应变、纤维几何形状和纤维力学性能的组合。
• 在恒定增强指数下使用较低纤维体积百分比,允许采用更长和更细的纤维,改善裂缝桥接和能量吸收。
• 提高增强指数增强SFRC的抗裂性能、后峰值性能和整体延性。
• 所提出的模型有效捕捉了这些复杂关系,使其成为预测SFRC应力-应变曲线的有用工具。
• 本研究增进了对SFRC行为的理解,同时为设计优化、减少实验工作量以及未来规范制定提供了实用框架。
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