建筑火灾给人类造成重大的生命和财产损失。随着我国经济社会的不断发展和城市化的不断拓展，多层和高层建筑不断涌现，建筑火灾也频频发生，对建筑火灾的研究和防治刻不容缓[1]。钢筋混凝土构件在火灾后的承载力会下降[2]，其中钢筋强度下降是一个重要原因，而钢筋强度折减又与受火温度密切相关，因此，快速获取钢筋的温度十分重要。
已有学者对构件的温度场分布进行了相关研究。许肇峰等[3]分析了火灾下混凝土空心板温度场分布变化，研究了其结构受火损伤规律；徐树全等[4]对型钢混凝土构件截面的温度场进行研究，分析了各种因素对构件温度的影响；唐松花等[5]对火灾高温下混凝土柱的温度进行分析；王振宇等[6]研究了冬季低负温条件下大体积混凝土内部的温度；陈先华等[7]对寒区高铁基床沥青混凝土表层的温度特性进行了分析，罗韬等[8]对西南地区某混凝土拱坝的温度场进行了仿真分析。但还鲜有人利用BP神经网络对受火后的RC梁钢筋温度进行研究。
本文利用有限元软件ABAQUS模拟RC梁受火后的钢筋温度，得到72组温度数据，基于MATLAB平台通过BP神经网络对钢筋温度进行预测，研究结果表明，BP神经网络可以快速、准确地预测钢筋温度。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络，1986年由Rumelhart和McCelland为首的科学家小组提出[9]。BP神经网络能自学习大量输入和输出之间的映射关系，无需提前给定函数关系式即可根据输入预测输出[10]。BP神经网络模型拓扑结构包含输入层、隐含层和输出层[11]。如果输出与目标值不一致，程序会调整各层的权值和阈值，将误差逆向传播，直到输出误差达到规定范围内为止。BP神经网络结构简单，具有强大的非线性分析能力和记忆能力，是科研领域应用最广泛的神经网络模型之一[12-13]。
2016年中国各个地方开展了去杠杆的监管活动。然而在2016年当年，由于经济增长率进一步下滑到6.7%，各地进行去杠杆任务时存在明显的“放水”现象，到2017年，非金融部门的去杠杆才有了一定成效。根据本文对各个非金融部门的杠杆率和风险进行的分析，本文提出以下建议。
模拟加热过程采用ISO—834国际标准升温曲线[14]，如图1所示。该曲线通常用于模拟火灾现场构件的受火情况。
图1 ISO—834标准升温曲线
温度场有限元分析时需要材料热工参数。热工参数主要包括材料密度、导热系数和比热容等。钢筋和混凝土的热工参数均取自文献[15-16]。应用有限元软件ABAQUS对RC梁进行加热，单元类型分类混凝土采用C3D8R单元，钢筋采用T3D2-Truss单元，钢筋与混凝土采用Tie方式链接，加热参数为受火面对流换热系数取1 500J/（m2·min·℃），非受火面对流换热系数取540J/（m2·min·℃），综合辐射系数取0.5，绝对零度取-273.5℃，Stefan-Boltzmann常数取3.402×10-6J/（m2·min·℃）。对RC梁进行三面受火模拟实验，模拟不同时间受火后钢筋温度场（如图2所示）。
3.5.4 抗生素和止痛药的应用 对于口腔颌面部间隙感染、发烧等全身症状严重者，除了局部治疗以外，可以选用口腔领域普遍使用的头孢类抗生素、阿奇霉素或克林霉素，必要时口服止痛药如对乙酰氨基酚。这些药物不会通过胎盘屏障，对胎儿无害，妊娠期间的用药可参考美国食品和药品管理局制定的妊娠期用药治疗指南[17]。
图2 梁内部钢筋温度分布
本文选取了梁宽b，梁高h，混凝土保护层厚度c和受火时间t来分析这些参数与钢筋温度之间的关系，建立的神经网络模型由4个参数作为输入神经元，钢筋温度作为输出神经元。输入层参数取值为 ：b=200mm，220mm，250mm；h=400mm，450mm，500mm；c=25mm，35mm；t=10min，20min，30min，40min，50min，60min，70min，80min，90min，100min，110min，120min。
通过有限元软件ABAQUS模拟共得到72组钢筋温度数据。把有限元结果作为BP神经网络的期望值，BP神经网络的预测结果作为预测值，两者进行对比得到相对误差，检验网络的准确性。
作为生育期女性最容易患有的复杂代谢性及内分泌异常引起的疾病之一，卵巢子宫内膜异位囊肿在生育期女性中的发生率可达5%，是当前女性排卵障碍的罪魁祸首之一[11]。卵巢子宫内膜异位囊肿患者排卵障碍的机制至今未完全阐明，正常有效的排卵过程不仅需要依赖于下丘脑-垂体-卵巢轴的全面调节，也与卵巢的旁分泌及自分泌功能密切相关[12-13]。
图3 BP神经网络拓扑结构
应用MATLAB数学软件建立BP神经网络模型。网络训练采用newff函数，在问题分析中使用了48组数据。网络的输入具有不同的意义和量纲，因此需要对样本进行归一化处理。隐含层神经元采用S型激活函数，采用Levenberg-Marquard算法，优点是可以使梯度快速下降，训练时间减少。BP神经网络拓扑结构如图3所示。48组训练数据的期望值和预测值的相关性如图4所示，相关系数R能反映期望值和预测值的拟合情况，R值越接近1说明相关性越强。从图中可知，R值为0.999 85，二者拟合良好。期望值和预测值的绝对误差如图5所示，绝对误差值在±4℃内。
图4 训练过程中期望值和预测值的相关性
图5 期望值和预测值的温度误差
有限元软件ABAQUS得到的72组温度数据。另外24组未参与网络训练的数据用于网络的预测。预测结果见表1。表1中期望值和预测值的相对误差不超过3%，说明该BP神经网络在预测方面表现良好。24组预测数据的期望值和预测值的相关性如图6所示，R值为0.999 86，与训练过程的R值相差不大，表示BP神经网络模型预测成功。
表1 网络预测结果及相对误差
注：Ttargert，Toutput分别为钢筋温度的期望值和预测值；
编号 T/min b/mm h/mm c/mm Ttargert/℃ Toutput/℃ e/%1 10 220 500 25 189 191.43 1.29 2 20 220 500 25 373 373.17 0.04 3 30 220 500 25 514 514.74 0.14 4 40 220 500 25 628 628.05 0.01 5 50 220 500 25 703 716.57 1.93 6 60 220 500 25 756 757.96 0.26 7 70 220 500 25 800 796.75 0.41 8 80 220 500 25 832 834.37 0.28 9 90 220 500 25 860 866.89 0.80 10 100 220 500 25 884 892.37 0.95 11 110 220 500 25 906 910.33 0.48 12 120 220 500 25 928 920.98 0.76 13 10 200 450 25 182 186.80 2.63 14 20 200 450 25 363 361.76 0.34 15 30 200 450 25 503 503.92 0.18 16 40 200 450 25 618 617.36 0.10 17 50 200 450 25 692 692.48 0.07 18 60 200 450 25 746 745.73 0.04 19 70 200 450 25 790 787.07 0.37 20 80 200 450 25 825 814.71 1.25 21 90 200 450 25 853 844.12 1.04 22 100 200 450 25 877 876.70 0.03 23 110 200 450 25 902 904.85 0.32 24 120 200 450 25 925 920.99 0.43
图6 预测过程中期望值和预测值的相关性
下面对钢筋温度的影响参数进行讨论分析。
本小节考虑梁宽b对钢筋温度的影响。输入参数 为 ：b=200mm，250mm；h=500mm；c=25mm；t=10min，20min，30min，40min，50min，60min，70min，80min，90min，100min，110min，120min。梁宽 b 对钢筋温度的影响如图7所示。由结果可见，钢筋温度随着受火时间t的增大而增加，并因梁宽的增大而降低，梁宽对钢筋温度的影响较小。
本小节考虑梁高h对钢筋温度的影响。输入参数 为 ：b=200mm；h=400mm，500mm；c=25mm；t=10min，20min，30min，40min，50min，60min，70min，80min，90min，100min，110min，120min。梁高 h 对钢筋温度的影响如图8所示。由结果可见，钢筋温度随着受火时间t的增大而增加，并因梁高的增大而降低，梁高对钢筋温度的影响较小。
图7 梁宽b对钢筋温度的影响
图8 梁高h对钢筋温度的影响
图9 混凝土保护层厚度c对钢筋温度的影响
本小节考虑混凝土保护层厚度c对钢筋温度的影响。输入参数为：b=200mm；h=500mm；c=25mm，35mm；t=10min，20min，30min，40min，50min，60min，70min，80min，90min，100min，110min，120min。混凝土保护层厚度c对钢筋温度的影响如图9所示。由结果可见，钢筋温度随着受火时间t的增大而增加，并因混凝土保护层厚度的增大而降低，混凝土保护层厚度对钢筋温度的影响较大。
应用有限元分析软件ABAQUS模拟受火后RC梁的钢筋温度，将该温度作为期望值，应用BP神经网络预测受火后RC梁钢筋温度场。讨论了梁宽、梁高、混凝土保护层厚度和受火时间对钢筋温度的影响。研究结果表明，BP神经网络误差较小，用于预测受火后RC梁钢筋温度的方法可行。该方法能够快速、准确的预测受火后RC梁的钢筋温度。
原始时期的绘画受到当时生活环境的影响，画面显露出的都是当时真实的场景；而春秋战国至魏晋南北朝时期的风俗画，却把其忠于现实的特征毫无保留地展现到了观赏者的面前。从内容上来看，那时期的风俗绘画以描绘王公贵族们的享乐奢华、歌舞升平等场景为主。当然，“这一阶段，艺术家们并非是为了单纯的审美情趣而选择创作，他们仅仅是为了服务于王公贵族的享乐从而创造艺术”[3]。到了汉代，这种风俗题材更多的体现于墓葬之中，也恰恰迎合了汉代“视死如生”的生死观。
参考文献
[1]杨永新.建筑防火设计在建筑设计中的具体应用[J].中国高新区，2017（10）：136.
[2]Felicetti R，Gambarova P G，Meda A.Residual behavior of steel rebars and R/C sections after a fire [J].Construction& Building Materials，2009，23（12）：3546-3555.
[3]许肇峰，陈映贞，饶 瑞.火灾下混凝土空心板温度场及损伤规律研究[J].中国公路学报，2019，32（1）：87-98.
[4]徐树全，杨冬冬，曾庆龙，高广臣.型钢混凝土构件截面温度场有限元分析[J].低温建筑技术，2018，40（7）：57-62.
[5]唐松花，崔宇鹏.火灾高温下混凝土柱温度场的解析解[J].应用力学学报，2018，35（6）：1361-1365.
[6]王振宇，王起才，代金鹏，谢智刚，白 杰，郑 梁.冬季大体积混凝土水化热温度场数值模拟研究[J].混凝土，2018（11）：140-144.
[7]陈先华，马丽莉，杨国涛，蔡德钩.寒区高铁基床沥青混凝土表层的温度场特性 [J/OL].西南交通大学学报.http：//kns.cnki.net/kcms/detail/51.1277.u.20190110.1343.024.html.
[8]罗 韬，周先练，邱焕峰，孙超伟，傅少君.西南地区某混凝土拱坝温度场有限元仿真分析[J].中国农村水利水电，2019（1）：142-147.
[9]楼 瑛，吴文达，庄金平.基于BP神经网络的自密实混凝土梁受弯承载力预测[J].长春工程学院学报（自然科学版），2017，18（1）：34-36.
[10]周美丽，柯国军.废玻璃粉混凝土抗压强度试验及其神经网络预测[J].混凝土，2016（4）：54-56.
[11]梁炯丰，严兰兰，胡 鹏，杨 勇.BP神经网络在再生混凝土强度预测中的应用[J].混凝土，2017（6）：9-12+16.
[12]刘 军，张吉祥，朱 文.基于BP神经网络法某公路隧道围岩稳定性研究[J].北方交通，2019（2）：85-87.
[13]张 峰，柳炳祥，张 月.一种基于BP神经网络算法的旅游人数预测方法[J].信息与电脑（理论版），2019（3）：60-62.
[14]ISO—834，Fire resistance tests-elements of building construction [S].Part1：generalrequirements Geneva，Switzerland：International Organization for Standardization，1999.
[15]王换丽.装配整体式螺栓钢板箍连接框架柱抗火性能研究[D].西安：西安建筑科技大学，2017.
[16]ENV 1994-1-2，Eurocode 4-Design of composite steel and concrete structures-Part 1-2：General Rules；Structural Fire Design[S].London，UK：European Committee for Standardization，1994.
联系客服
