点被贴在每个样本表面的纵向中心200mm的地方。徐变样本的测试步骤在表1 中说明了。
6.常规模型实验结果的分析与比较
测量徐变和收缩的试件应在潮湿的环境中养护28天。徐变试件在28天的养护期里要处于15%的压力等级和（20±3）℃的温度和（50±6%）的湿度中。应力读数在加载前和卸载后及时读取，2-3小时以后，进而一天，天而进周，如此以往，直至500天。收缩的试件也照此执行，表2-5列出了所采取的措施，标出了徐变系数，总应变，徐变应变和收缩应变的措施。总应力是弹性应变、徐变应变和收缩应变的总和。基于实验结果，上述值根据7个实验模型预测。预测应力依据抗压强度和弹性应变计算。以下模型被考虑：AASHTO-LERD,ACI209，B3，CEB-90，GL2000和Tadros.图2-5展现了加载后的徐变系数和应变龄期。通过总应变和徐变应变的比较，收缩应变的变化趋势较小。徐变和收缩基于和混凝土的相关参数有关，包括材料性质，环境，加载构件和几何参数。为了便于结构设计，一些经验关系被用来预测不同区域收缩和徐变的特性，包括相应的实践编码。由于这些关系是经验得来的，因此比较实验模型很难，于是采取实验研究加强预测的准确。
但是，可以看出，ACI209方程预测的徐变系数与实验结果比较。混凝土的抗压强度不包括在方程内，但10-35的常量被包括在内。Huo指出，对于HPC，这些因素要确定，他确定的模型提高了预测的准确度，附加的修正因子在某种程度上增加了预测的准确度。在AASHTO-LERD方程中，修正系数如陷落，空气容量等没有考虑进去。ACI209的公式化方程与AASHT0-LERD方程相比有了一定的转变，可以更好接近预测结果。B3模型较大的偏离了实验结果，模型的几何尺寸和经验表达由此产生。CEB90模型在前一段时间（1到3天）比预测的要稍微高一点，并且和其他传统的模型相比，也与试验结果十分接近。与试验结果十分接近的原因是由于对一些关键因素的公式表达比较好，这些关键因素有构件的几何形状、湿度、强度、加载的时期等。同具体稍微试验数据相比，GL2000模型的数值高于预测值，Tadors模型的数值低于预测值。由于这两个模型考虑了所有的关键因素，一些不理想的数据是由于对一些经验公式的概括能力的局限所致，这些经验公式是为了适应具体试验中的材料和环境而采用的。预测数值与试验数值的代数差值就是残余数值。负残余就意味着实测数值低于预测数值，同时
正残余就意味着实测数值高于预测数值。总应力、徐变和收缩数值的残余的平方和来评价哪一种模型更加精确。下面这个公式就是表示残余的平方和，它可以预测在给定的时间内的数值：
残余的平方和=?（Ret）
T?titf2其中：T是加载之后的时间；ti 是试验的开始时间；tf 是试验的终止时间；Ret 是在t时刻的残余值。
图6—8是各种传统模型的总应力、徐变应力和收缩应力的预测值与现阶段所做的试验的试验结果的对比。通过以上具体的原因，我们可以推断出AASHTO-LRFD,ACI-209，ACI209(Huo)和CEB90模型表现出了很小的偏差，相反B3，GL2000和Tadors模型则表现出了很大偏差。在这所有的三组里面，CEB90模型的预测结果与试验结果最为相近，其残余应力的平方和也最小。
7．对于ANN模型收缩徐变的发展进行的测定
目前，已经有很多关于传统模型的收缩徐变发展的测定根据已有的数据，本质上来说，除了因为当地试验条件的不同所导致的不同经验公式以外，这些预测的趋势都是相同的。应用传统模型和新模型中所反映出来的试验数据，在特定的试验条件下，可以建立一个新的模型，对收缩徐变性状进行更好的预测，ANN模型就是这样一个用来评估收缩徐变性状的例子。ANN模型的动力属性可以根据环境和材料随时间的变化生成新的试验数据，在此帮助下，可以逐渐修改探测器命令和数据，这样既节省了时间，同时省去了建立新模型所做的试验工作。
材料徐变收缩性能主要受到材料本身，龄期，加载时间和构件几何形状等几个因素的综合影响。将上述几个影响因素和特性考虑进来，所以在ANN模型中引入了如下几个参数：
相对湿度; 比表面积 抗压强度； 加载时间；
e）记录收缩徐变值的时刻
我们研究出由多层材料综合形成的ANN模型，用来预测混凝土结构位移随时间增量的变化。本文中所介绍的ANN模型是根据试验结果连同CEB模型结果而设立的。ANN模型能够在大部分时域内表现出于试验数据结果很好的匹配性。但是，在后期，CEB90模型预测结果与试验结果有一定的区别。如Fig.9所示，徐变收缩预测网络包含一个输入层面，2个隐式层面和一个输出层面。我们
力求在不断的试验与错误中能够得到一个最优网络系统方式。这个网络系统使用一个正切的S形曲线传输方程，和一个线性的输出方程。后备的传输算法用来作为这个系统的运算法则。这个算法是通过将多层网络中的Widrow-Hoff运算法则和非线性微分方程结合在一起而创建的。网络中使用输入/输出数据集合直至系统拟合出所需求的方程。适当的训练会使神经网络系统遇到一个从没见过的输入时趋向于给出一个合理的答案。通常，当有一个新的输入时就会有一个新的输出，这种新的输出经过加工再次作为一个输入。这个性质使得网络系统代表一个输入输出对成为可能，这样就可以得到一个可靠的结果而不必输入每一个可能的输入输出对成为可能。Trainbr是这样一个方程，可以通过Levenberg Margqurdt最优化方法来更新主要值和偏差值。它能最大的减少错误的平方和主要值的组合，从而得到正确的组合使得网络工作良好。这个过程叫做Bayesian正规化。Bayesian正规化是在使用MATLAB使计算误差在0.034762的利用网络过程形成的，图十是网络在实验SSE的收敛过程。图10中每个图的水平轴都代表时代，最上面的垂直轴代表SSE，中间的表代表SSW，最下面的代表参数的数量。这些图连到一块就构成了建筑网络的收敛过程。图11和12每个表代表三个曲线，第一个曲线是模型CEB90，第二个曲线是实验数据，第三个曲线是ANN。比较实验数据和CEB90数据显示在初始阶段匹配很好，在以后就有点区别。观察这种趋势，对比着实验数据，数据的修改就像前面解释的一样。ANN预测的精确行依赖于ANN训练数据库的质量。由于CEB90模型和实验结果有更好的匹配性，所以大部分训练数据集使用CEB模型。因为在后阶段和实验数据有偏差，所以CEB的那段数据被实验数据替代了。由于这个联系，ANN给出一个更好的预测，发达的ANN的这种性能被一些没用过的数据所验证。检查过这些测试数据，平均误差是5.34%。最小误差为0.42%，最大误差为13%。
8.结论
本文详细地介绍了高性能混凝土的徐变和收缩行为的实验工作。 与实验中已完成的七个不同的传统模型的测试结果做了对比，发现CEB90模型与实验结果吻合的更好。然而，在较后的龄期，徐变和收缩预测的观测中发现有一定的偏离。由于改进的缘故，试验数据和CEB90模型的预测共同为人工神经网络模型提供了一个恰当的训练集。在这项预测所设计的高性能混凝土的徐变和收缩的工作中得到了发展的ANN模型和所预测的CEB 90 数据都使用了5-11-4-2构架。在检查试验数据的性能时，发现平均误差是5.34%,最小误差是0.42%，最大误差是13%。人工神经网络计算模型具有很高的计算效率，将被用来预测高性能混凝土的时效性能。