随着社会经济的发展和人们对绿色环境的需要,各种矿物掺合料和外加剂大量使用,尤其是粉煤灰的应用成为热点。早期对掺加粉煤灰的混凝土进行质量控制越来越受到人们重视,传统的预测方法准确性较差,难以在实际中被普遍推广应用。近几年有些人将人工智能算法,如人工神经网络应用到了混凝土强度预测方面,取得了较为理想的效果。本文针对这一情况,对粉煤灰混凝土强度的早期推定进行了全面系统的研究。首先,本课题通过试验研究了粉煤灰混凝土的力学性能,为了使试验结果能为后期的研究工作提供良好的理论支持和数据参考,主要做了如下工作:研究不同粉煤灰掺量、不同水胶比情况下混凝土的工作性、抗压与抗折强度以及坍落度,了解大致的变化规律。再进一步通过极差原理分析水胶比、胶凝材料掺量、粉煤灰掺量等因素对粉煤灰混凝土强度的影响程度,从而确定影响粉煤灰混凝土强度的主要因素。其次,论述了人工神经网络技术的主要原理和程序实现过程,利用试验得到的数据,应用MATLAB建立BP网络预测模型,得到的结果与试验的实际结果进行对比。同时应用多元线性回归分析的方法建立数学推定模型,利用该模型得出预测结果与神经网络预测的结果进行对比。结果表明:BP网络预测的数据精度更好,离散性也较小。但BP网络模型也有一些缺陷:一、需要大量训练样本,当训练样本较少时,不能很好的训练网络,网络泛化能力差;二、BP算法的学习速度很慢,由于BP算法本质上为梯度下降法,而它所要优化的目标函数又非常复杂,这使得BP算法效率并不高;三、从数学角度看,BP算法为一种局部搜索的优化方法,但它要解决的问题为求解复杂非线性函数的全局极值,因此,算法很有可能陷入局部极值,使训练失败。