結論與建議

5-1 結論

本次的研究對設計混凝土配比問題提出一種可行的方案，其中由

K-Means 演算法結合資料庫設計需求目標的混凝土配比，在本研究中證實是可行的，並能達成目的設計多種相異且符合需求的混凝土配比供使用者選擇，以下為本次研究的結論：

1、由 K-Means 演算法結合資料庫設計需求目標的混凝土配比是可行的，但是關鍵的差異許可值跟類神經網路的隱藏神經元數目是一樣需要用試誤法所取得的。

2、如果當資料庫的資料充足時，設計配比時可優先考慮由 K-Means 演算法結合資料庫，產生所需的配比設計，因為具有速度較快以及配比多樣性的優點。

3、由於經由 K-Means 分類過後的群心資料是所有相似的配比資料所組成的，由大量同群聚資料的平均所得出的群心資料具有更高的準確度。

4、在資料庫的資料不夠充足時，由 Convex hull 演算法在設計隨機配比組合時，可以有讓類神經網路所建構的混凝土模型較能準確預測的配比設計產生。

5、由於原始資料庫的資料貧乏與有效區域的限制，在由系統二設計資料庫中接近強度及坍度極值的混凝土配比時，會需要大量的時間做配比設計，甚至會無法成功產生所需的混凝土配比設計。

5-2 建議

1、由於混凝土的組成材料是多樣的，其中有些對混凝土影響較大，有些則較小，建議可多收集相關文獻，為混凝土的組成材料做權重分析，以提升K-Means 演算法做分類分析的效果，從而提高設計出更準確的混凝土配比組合。

2、可多收集真實的混凝土實驗數據，對於不管由 K-Means 演算法結合資料庫或者由類神經網路設計混凝土配比並且在混凝土預測模型的建立，都有良好的效果。

參考文獻

【1】湛淵源,黃兆龍，「高性能混凝土材料設計和應用-HPC 的減碳及永續使用發展」，中華民國建築師公會全國聯合會，2009。

【2】經濟部標準檢驗局，「中華民國國家標準」。

【3】 Sandro Saitta, Prakash Kripakaran, Benny Raphael, Ian F. C.

Smith，「Improving System Identification Using Clustering」，J.

Comput. Civ. Eng.，2008 ，Vol.22，No.5，pp.292-302。

【4】 Abrams, Duff A.，「Design of concrete Mixtures」，Bulletin NO.1，

Structural Materials Research Lab.，Lewis institute，Chicago，

1919。

【5】 Sandor Popovics，「Generalization of the Abram’s Law-prediction of str. Development of Concrete from Cement Properties」，ACI.

Mar.，1981，pp.123-129。

【6】 De Larrard, F., M. Buil，「Granularite et compacitedans les mareriaux de genie civil 」， Material et. structure ， 1987 ， pp.117-126。

【7】賴鴻城，「類神經網路在混凝土材料強度預測之應用」，國立交通大學土木研究所，碩士論文，民國82 年。

【8】 Sergio Lai, Mauro Serra，「Concrete strength prediction neural network」， Construct. Build. Mater.， 1997，Vol.11，No.2 ， pp.93-98。

【9】 I. C. Yeh ，「 MODELING OF STRENGTH OF HIGH-PERFORMANCE CONCRETE USING ARTIFICIAL NEURAL NETWORKS」，Cem. Concr. Res.，1998，Vol.28，No.12，

pp.1797–1808。

【10】 Ni Hong Guang, Wang Ji-Zong，「Prediction of compressive strength of concrete by neural networks」，Cem. Concr. Res.，2000，

Vol.30，pp.1245-1250。

【11】 W.P.S. Dias, S.P. Pooliyadda，「Neural networks for predicting properties of concretes with admixtures」，Construct. Build. Mater.，

2001，Vol.15，pp.371-379。

【12】 Bai J, Wild S, Ware JA, Sabir BB.，「Using neural networks to predict workability of concrete incorporating metakaolin and fly ash」，Adv. Eng. Soft.，2003，Vol.34，pp.663–669。

【13】 Seung Chang Lee ，「 Prediction of concrete strength using artificial neural networks」，Eng. Str.，2003，Vol.25，pp.849-857。

【14】 Jong In Kim, Doo Kie Kim, Maria Q.Feng, Frank Yazdani，

「Application of Neural Networks for Estimation of Concrete Strength 」，J. Mater. Civ. Eng.，2004，Vol.16，No.3，pp.257-264。

【15】葉怡成,陳家偉，「以實驗計劃法與類神經網路建構混凝土的坍流度模型」，Journal of Technology，2005，Vol. 20，No. 2，

pp.153-162 。

【16】 Doo Kie Kim, Jong Jae Lee, Jong Han Lee, Seong Kyu Chang，

「Application of Probabilistic Neural Networks for Prediction of Concrete Strength」，J. Mater. Civ. Eng.，2005，Vol.17，No.3，

pp.353-362。

【17】 Ahmet Oztas, Murat Pala, Erdogan Ozbay, Erdogan Kanca, Naci Caglar, M. Asghar Bhatti，「Predicting the compressive strength and slump of high strength concrete using neural network」，

Construct. Build. Mater.，2006，Vol.20，pp.769-775。

【18】 Wang Ji Zong, Ni Hong Guang, He Jin Yun，「The application of automatic acquisition of knowledge to mix design of concrete」，

Cem. Concr. Res.，1999，Vol.29，pp.1875-1880。

【19】 I. C. Yeh，「DESIGN OF HIGH-PERFORMANCE CONCRETE MIXTURE USING NEURAL NETWORKS AND NONLINEAR PROGRAMMING」，J. Comput. Civ. Eng.，Vol.13，No.1，1999，

pp.36-42。

【20】 Francois de Larrard, Thierry Sedran，「Mixture proportioning of high-performance concrete」，Cem. Concr. Res.，2002，Vol.32，

pp.1699-1704。

【21】 Chul Hyun Lim, Young-Soo Yoon, Joong-Hoon Kim，「Genetic algorithm in mix proportioning of high-performance concrete」，

Cem. Concr. Res.，2004，Vol.34，pp.409-420。

【22】 Tao Ji, Tingwei Lin, Xujian Lin，「A concrete mix proportion design algorithm based on artificial neural networks」，Cem. Concr.

Res.，2006，Vol.36，pp.1399-1408。

【23】 I. C. Yeh，「Computer-aided design for optimum concrete mixtures」，Cem. Concr. Com.，2007，Vol.29，pp.193-202。

【24】 Bang Yeon Lee, Jae Hong Kim, Jin-Keun Kim，「Optimum Concrete Mixture Proportion Based on a Database Considering Regional Characteristics」，J. Comput. Civ. Eng.，2009，Vol.23，

No.5，pp258-265。

【25】內政部營建署，建築管理組，「結構混凝土施工規範」。

【26】潘坤勝,劉玉雯,顏聰，「高強度混凝土耐磨性及工程力學特性之研 究」。

【27】林宜賢，「高性能混凝土之配比設計研究」，國立成功大學土木工程研究所，碩士論文，民國92 年。

【28】 B. H. Bharatkumar,R. Narayanan,B. K. Raghuprasad,D. S.

Ramachandramurthy「Mix proportioning of high performance concrete」，Cem.

Concr. Com.，2001，Vol.23，pp.71-80。

42 11 40.90 16.7 187.0 302.0 728.0 1082.0 0.0 87.7 6.60 12 32.80 14.6 194.0 313.0 739.0 1060.0 0.0 84.1 5.70 21 42.10 6.0 154.9 159.5 823.5 1010.5 81.2 157.3 4.20 22 41.30 10.0 161.0 162.4 825.2 980.3 86.6 156.6 6.80 23 43.60 16.0 183.1 183.7 830.6 865.7 116.5 158.5 8.10 24 45.60 22.0 183.6 186.9 773.3 911.9 124.8 155.1 9.50 25 43.20 24.0 184.6 190.2 737.9 934.0 129.5 155.7 10.70

43 31 35.00 12.0 249.0 498.0 431.0 1108.0 0.0 0.0 0.00 32 44.70 9.5 237.0 592.0 388.0 1102.0 0.0 0.0 0.00 41 51.30 10.0 224.0 509.0 388.0 1102.0 0.0 90.0 2.21 42 53.00 21.5 224.0 509.0 388.0 1102.0 0.0 90.0 6.22 51 47.20 15.0 140.0 180.8 899.2 839.6 163.7 98.6 5.20 52 43.60 24.0 140.0 189.1 877.4 821.0 185.3 97.2 5.50 53 41.70 26.5 140.2 217.6 799.1 798.0 225.6 87.1 5.90

註：由文獻取得的配比資料，1-3【7】、4-15【18】、16-25【19】、

26-43【22】、44-68【23】、69-72【26】、73-82【27】、83-100

【28】，其中第 1、11、21、31、41、51、61、71、81、91

筆資料為類神經網路建構混凝土預測模型的測試案例，其餘

皆為類神經網路建構混凝土預測模型的訓練案例。

表 4-1 混凝土強度預測模型使用的類神經網路架構

網路型式 Feed-forward back propagation (前饋式倒傳遞) 訓練函數 TRAINLM (L-M 優化演算法) 學習函數 LEARNGDM (動量梯度下降法) 表現函數 MSE (均方誤差)

轉讓函數 TANSIG (雙彎曲正切函數)

表 4-2 混凝土強度預測模型使用的正規化資料

輸入的變數 原始值範圍 正規化後範圍

水(重量百分比) 0 － 0.17

0.1 － 0.9

水泥(重量百分比) 0 － 0.27

0.1 － 0.9

細骨材(重量百分比) 0 － 0.40

0.1 － 0.9

粗骨材(重量百分比) 0 － 0.50

0.1 － 0.9

爐石(重量百分比) 0 － 0.11

0.1 － 0.9

飛灰(重量百分比) 0 － 0.07

0.1 － 0.9

減水劑(重量百分比) 0 － 0.006

0.1 － 0.9

輸出的變數 原始值範圍 正規化後範圍

混凝土強度（Mpa） 0 － 76

0.1 － 0.9

表 4-3 混凝土坍度預測模型使用的類神經網路架構

網路型式 Feed-forward back propagation (前饋式倒傳遞) 訓練函數 TRAINLM (L-M 優化演算法) 學習函數 LEARNGDM (動量梯度下降法) 表現函數 MSE (均方誤差)

轉讓函數 TANSIG (雙彎曲正切函數)

表 4-4 混凝土坍度預測模型使用的正規化資料

輸入的變數 原始值範圍 正規化後範圍

水(重量百分比) 0 － 0.17

0.1 － 0.9

水泥(重量百分比) 0 － 0.27

0.1 － 0.9

細骨材(重量百分比) 0 － 0.40

0.1 － 0.9

粗骨材(重量百分比) 0 － 0.50

0.1 － 0.9

爐石(重量百分比) 0 － 0.11

0.1 － 0.9

飛灰(重量百分比) 0 － 0.07

0.1 － 0.9

減水劑(重量百分比) 0 － 0.006

0.1 － 0.9

輸出的變數 原始值範圍 正規化後範圍

混凝土坍度（cm） 0 － 28

0.1 － 0.9

表 4-5 不同隱藏層神經元預測抗壓強度的分析回歸結果

神經元個數訓練回歸值驗證回歸值測試回歸值

7 0.9850 0.7002 0.6987

7 0.9872 0.5395 0.8634

7 0.9817 0.7718 0.7145

7 0.9913 0.3162 0.6284

8 0.9805 0.6829 0.8890

8 0.9902 0.7214 0.4048

8 0.9940 0.5652 0.7022

8 0.9848 0.6078 0.8083

9 0.9802 0.8119 0.7402

9 0.9733 0.6152 0.5097

9 0.9790 0.7655 0.6669

9 0.9963 0.8811 0.7608

10 0.9826 0.6742 0.6166

10 0.9824 0.7752 0.8490

10 0.9934 0.8978 0.7887

10 0.9759 0.5263 0.7260

表 4-5(續)

神經元個數訓練回歸值驗證回歸值測試回歸值

11 0.9879 0.6936 0.7553

11 0.9836 0.7948 0.1694

11 0.9922 0.8102 0.7776

11 0.9701 0.7451 0.7542

12 0.9933 0.8410 0.8750

12 0.9774 0.7433 0.7524

12 0.9891 0.6068 0.6951

12 0.9829 0.3458 0.5572

13 0.9969 0.7018 0.6003

13 0.9895 0.4822 0.6648

13 0.9997 0.6777 0.7528

13 0.9925 0.7592 0.7333

14 0.9947 0.7693 0.6814

14 0.9925 0.6428 0.7786

14 0.9923 0.7261 0.7982

14 0.9969 0.6678 0.8820

15 0.9891 0.5813 0.8513

15 0.9878 0.8398 0.9073

15 0.9947 0.7325 0.8535

15 0.9957 0.8082 0.6823

表 4-6 不同隱藏層神經元預測混凝土坍度的分析回歸結果

神經元個數訓練回歸值驗證回歸值測試回歸值

7 0.9712 0.5563 0.6044

7 0.9965 0.5192 0.6684

7 0.9967 0.6408 0.7548

7 0.9760 0.6697 0.7693

8 0.9550 0.6255 0.7447

8 0.9760 0.6697 0.7693

8 0.9359 0.7219 0.6316

8 0.8739 0.6895 0.6515

9 0.9752 0.5377 0.7880

9 0.8949 0.6291 0.6700

9 0.9299 0.4575 0.6133

9 0.9325 0.8000 0.8277

10 0.9795 0.7415 0.3577

10 0.9043 0.7620 0.4492

10 0.9123 0.5935 0.1370

10 0.8917 0.7246 0.6725

11 0.9965 0.5700 0.5754

11 0.9281 0.5872 0.5530

11 0.9408 0.6820 0.1166

11 0.9059 0.5471 0.5546

表 4-6(續)

神經元個數訓練回歸值驗證回歸值測試回歸值

12 0.9987 0.8612 0.4948

12 0.9141 0.6137 0.3074

12 0.8680 0.3482 0.8285

12 0.7431 0.6918 0.1219

13 0.9968 0.6735 0.7791

13 0.8141 0.1778 0.1997

13 0.8672 0.2904 0.0445

13 0.9557 0.5503 0.4377

14 0.9513 0.1418 0.4788

14 0.9565 0.7147 0.4304

14 0.5007 0.3076 0.4815

14 0.8590 0.5134 0.7341

15 0.9974 0.8087 0.0986

15 0.7970 0.5479 0.5169

15 0.9442 0.7463 0.5513

15 0.9455 0.4261 0.8693

53 (4) 0.111 0.093 0.320 0.3558 0.087 0.030 0.004 48.9 26.7 (4) 0.080 0.138 0.277 0.427 0.062 0.013 0.003 48.4 25.6

表 4-10 許可差異為 0.0001 進行混凝土配比設計

配比編號

符合的混凝土配比設計 由模型預測

水 水泥細骨材粗骨材 爐石飛灰 SP 強度坍度

(1) 0.089 0.159 0.251 0.472 0.019 0.008 0.002 58.4 25.0 (2) 0.101 0.208 0.200 0.455 0.011 0.021 0.003 55.7 26.3

%(3) 0.113 0.173 0.252 0.428 0.005 0.027 0.002 55.9 25.6

&(4) 0.107 0.181 0.238 0.452 0.014 0.006 0.002 58.6 25.6 (5) 0.084 0.158 0.240 0.449 0.054 0.010 0.004 59.3 25.6

*(6) 0.104 0.177 0.229 0.429 0.025 0.034 0.003 60.0 27.1

&(7) 0.112 0.181 0.249 0.409 0.027 0.018 0.004 58.3 25.7

%(8) 0.115 0.179 0.246 0.442 0.009 0.006 0.002 55.7 25.5 (9) 0.096 0.162 0.252 0.404 0.053 0.031 0.002 58.5 25.7

*(10) 0.097 0.171 0.231 0.447 0.011 0.040 0.003 57.4 26.0 (11) 0.108 0.153 0.237 0.465 0.027 0.009 0.002 56.1 25.9

註：組合材料單位為重量百分比；強度單位為 Mpa；坍度單

位為 cm；SP 為高效減水劑；有相同特殊符號的差異度不足。

表 4-16(續)

需求目標

符合的混凝土配比設計 由模型預測

水 水泥細骨材粗骨材 爐石飛灰 SP 強度坍度 (2) 0.104 0.108 0.289 0.396 0.057 0.041 0.005 40.8 27.0 (2) 0.111 0.150 0.262 0.385 0.057 0.032 0.003 40.9 26.7 (2) 0.118 0.118 0.287 0.373 0.081 0.019 0.005 40.8 25.6 (2) 0.070 0.119 0.300 0.445 0.041 0.022 0.003 41.1 25.4 (2) 0.078 0.109 0.294 0.412 0.048 0.055 0.004 39.6 26.2 (2) 0.081 0.128 0.281 0.418 0.060 0.029 0.004 40.5 25.8 (2) 0.109 0.102 0.332 0.357 0.065 0.032 0.004 41.9 26.6 (2) 0.129 0.084 0.331 0.363 0.065 0.025 0.004 42.0 26.5 (2) 0.088 0.115 0.300 0.388 0.068 0.039 0.003 40.6 26.1 (2) 0.069 0.121 0.311 0.411 0.061 0.025 0.003 41.1 26.1 (2) 0.062 0.096 0.352 0.351 0.099 0.038 0.003 41.7 26.5 (2) 0.087 0.156 0.253 0.441 0.008 0.049 0.004 41.9 26.6 (2) 0.092 0.155 0.268 0.411 0.036 0.035 0.004 41.4 26.8 (2) 0.083 0.142 0.273 0.434 0.037 0.028 0.004 41.1 25.7 (2) 0.075 0.140 0.264 0.442 0.064 0.011 0.005 43.0 26.6 (2) 0.067 0.107 0.335 0.375 0.072 0.042 0.003 39.9 26.6 (2) 0.093 0.096 0.316 0.390 0.051 0.050 0.005 42.8 25.7 (2) 0.070 0.116 0.312 0.425 0.071 0.004 0.003 42.0 25.2

表 4-16(續)

需求目標

符合的混凝土配比設計 由模型預測

水 水泥細骨材粗骨材 爐石飛灰 SP 強度坍度 (3) 0.102 0.173 0.255 0.423 0.007 0.037 0.004 49.0 26.8 (3) 0.085 0.167 0.269 0.414 0.056 0.004 0.004 47.5 25.9 (3) 0.096 0.093 0.309 0.379 0.076 0.043 0.004 48.5 26.2 (3) 0.117 0.177 0.223 0.425 0.022 0.032 0.004 49.1 26.3 (3) 0.077 0.133 0.296 0.406 0.069 0.017 0.002 48.1 26.1 (3) 0.069 0.115 0.297 0.408 0.060 0.049 0.002 48.7 25.7 (3) 0.075 0.159 0.260 0.402 0.050 0.052 0.002 49.5 26.8 (3) 0.082 0.142 0.265 0.430 0.057 0.021 0.004 49.1 25.9 (3) 0.107 0.150 0.243 0.457 0.006 0.034 0.003 51.0 25.3 (3) 0.088 0.168 0.238 0.428 0.033 0.041 0.004 50.3 26.8 (3) 0.124 0.086 0.335 0.347 0.088 0.016 0.004 51.0 26.3

註：組合材料單位為重量百分比；強度單位為 Mpa；坍度單

位為 cm；SP 為高效減水劑。

表 4-17(續)

需求目標

符合的混凝土配比設計 由模型預測

水 水泥細骨材粗骨材 爐石飛灰 SP 強度坍度 (2) 0.069 0.118 0.315 0.420 0.065 0.012 0.003 41.9 25.9 (2) 0.075 0.140 0.264 0.442 0.064 0.011 0.005 43.0 26.6 (3) 0.069 0.115 0.297 0.408 0.060 0.049 0.002 48.7 25.7 (3) 0.093 0.170 0.244 0.426 0.024 0.040 0.004 50.5 26.8 (3) 0.077 0.133 0.296 0.406 0.069 0.017 0.002 48.1 26.1 (3) 0.096 0.093 0.309 0.379 0.076 0.043 0.004 48.5 26.2 (3) 0.107 0.150 0.243 0.457 0.006 0.034 0.003 51.0 25.3 (3) 0.117 0.177 0.223 0.425 0.022 0.032 0.004 49.1 26.3 (3) 0.075 0.159 0.260 0.402 0.050 0.052 0.002 49.5 26.8 (3) 0.083 0.151 0.266 0.425 0.057 0.015 0.004 48.1 26.1 (3) 0.124 0.086 0.335 0.347 0.088 0.016 0.004 51.0 26.3

註：組合材料單位為重量百分比；強度單位為 Mpa；坍度單

位為 cm；SP 為高效減水劑。

表 4-18(續)

需求目標

符合的混凝土配比設計 由模型預測

水 水泥細骨材粗骨材 爐石飛灰 SP 強度坍度 (3) 0.107 0.150 0.243 0.457 0.006 0.034 0.003 51.0 25.3 (3) 0.069 0.115 0.297 0.408 0.060 0.049 0.002 48.7 25.7 (3) 0.124 0.086 0.335 0.347 0.088 0.016 0.004 51.0 26.3 (3) 0.077 0.133 0.296 0.406 0.069 0.017 0.002 48.1 26.1 (3) 0.105 0.177 0.233 0.425 0.020 0.036 0.004 52.0 27.3 (3) 0.084 0.156 0.252 0.416 0.045 0.044 0.003 48.5 26.8 (3) 0.096 0.093 0.309 0.379 0.076 0.043 0.004 48.5 26.2 (3) 0.083 0.151 0.266 0.425 0.057 0.015 0.004 48.1 26.1

註：組合材料單位為重量百分比；強度單位為 Mpa；坍度單

位為 cm；SP 為高效減水劑。

表 4-19 強度 55Mpa 坍度 25cm 差異許可為 0.0007 分類成果

資料編號

混凝土配比設計資料 所屬群聚

水 水泥細骨材粗骨材 爐石飛灰 SP 編號 (1) 0.107 0.181 0.238 0.452 0.014 0.006 0.002 4 (2) 0.102 0.207 0.201 0.458 0.013 0.016 0.003 1 (3) 0.108 0.153 0.237 0.465 0.027 0.009 0.002 6 (4) 0.105 0.171 0.227 0.429 0.032 0.032 0.003 2 (5) 0.084 0.158 0.240 0.450 0.054 0.010 0.004 3 (6) 0.097 0.171 0.231 0.447 0.011 0.040 0.003 2 (7) 0.104 0.183 0.230 0.428 0.018 0.035 0.002 2 (8) 0.096 0.162 0.252 0.404 0.053 0.031 0.002 5 (9) 0.112 0.181 0.249 0.409 0.027 0.018 0.004 5 (10) 0.116 0.181 0.248 0.441 0.008 0.005 0.002 4 (11) 0.101 0.210 0.199 0.452 0.009 0.026 0.003 1 (12) 0.089 0.159 0.251 0.472 0.019 0.008 0.002 6 (13) 0.113 0.173 0.252 0.428 0.005 0.027 0.002 4 (14) 0.115 0.178 0.245 0.443 0.010 0.008 0.002 4

註：組合材料單位為重量百分比；SP 為高效減水劑。

表 4-20 強度 25Mpa 坍度 25cm 差異許可為 0.0007 配比設計

配比編號

符合的混凝土配比設計 由模型預測

水 水泥細骨材粗骨材 爐石飛灰 SP 強度坍度

(1) 0.104 0.172 0.251 0.406 0.040 0.024 0.003 56.1 25.8 (2) 0.102 0.175 0.229 0.435 0.020 0.036 0.003 59.3 26.9 (3) 0.084 0.158 0.240 0.449 0.054 0.010 0.004 59.3 25.6 (4) 0.113 0.178 0.246 0.441 0.009 0.011 0.002 58.1 25.6 (5) 0.101 0.208 0.200 0.455 0.011 0.021 0.003 55.7 26.3 (6) 0.098 0.156 0.244 0.468 0.023 0.008 0.002 56.7 26.1

註：組合材料單位為重量百分比；強度單位為 Mpa；坍度單位為 cm；SP 為高效減水劑。

表 4-21 Convex hull 演算法及混凝土預測模型設計需求混凝土配比

隨機產生的配比(筆數)

1,270,000

Convex hull

篩選有效配比(筆數) 25,922 強度模型符合 (筆數)

173

坍度模型符合(筆數)

4,197

兩者皆符合(筆數)

1

強度/坍度

27.25(Mpa)/26.54(cm)

表 4-22(續)

需求強度(Mpa) 需求坍度(cm) 配比強度(Mpa) 配比坍度(cm)

47.5 25

51.0 25.3 48.7 25.7 51.0 26.3 48.1 26.1 52.0 27.3 48.5 26.8 48.5 26.2 48.1 26.1

55 25

56.1 25.8

59.3 26.9

59.3 25.6

58.1 25.6

55.7 26.3

56.7 26.1

表 4-23 混凝土配比於

「結構混凝土施工規範」建議適用【25】

混凝土中飛灰取代水泥量之參考值

種類 允許飛灰取代水泥之上限(%，以重量計)

混凝土 20%

預力混凝土 10%

版混凝土 15%

海邊及地下工程混凝土 25%

巨積混凝土 25%

水密性混凝土 20%

舖面混凝土 20%

特殊暴露情況下混凝土之水膠比及強度要求

暴露情況常重混凝土

最大水膠比

常重及輕質骨材混凝土最小規定抗壓強度

fc

＇(

kgf/cm2

) 暴露於清水中需具水密性 0.50 280

暴露於凍融潮濕或解冰鹽 0.45 315 鋼筋混凝土暴露於解冰鹽、鹽分、

海水、鹽霧等氯離子環境必須考慮鋼筋防蝕

0.40 350

凍融地區或解冰鹽撒佈區水泥含量至少310 kg/m3

圖 1-1 混凝土配比 CNS 規範設計流程

【2】

8、試拌調整 5、計算粗粒料用量 2、選擇粗粒料標稱最大粒徑

3、估計用水量及含氣量

6、計算細粒料用量 4、計算水泥用量

7、調整粒料含水量 1、決定配比設計條件

(1)選擇坍度

(2)選擇水灰比現制

(3)計算要求平均抗壓強度

圖 3-1 階層式聚合演算法示意圖

圖 3-2 階層式聚合演算法示意圖

三

二二

一一一一

二

一一

一

二二

三三三三

二

三三

圖 3-3 類神經元示意圖

圖 3-4 倒傳遞神經網路示意圖

O

W

_ij



ith layer jth layer kth layer

O

j i ij

W O

net     ) (

f net

O 

圖 3-5 有效區域製作示意圖

圖 3-6 判斷資料是否於有效區域示意圖

圖 3-7 K-Means 演算法於案例分類示意圖

圖 3-8 系統架構圖

圖 4-1 水-水泥資料散佈圖

圖 4-2 水-細骨材資料散佈圖

圖 4-3 水-粗骨材資料散佈圖

圖 4-4 水-爐石資料散佈圖

圖 4-5 水-飛灰資料散佈圖

圖 4-6 水-高效減水劑資料散佈圖

圖 4-7 水泥-細骨材資料散佈圖

圖 4-8 水泥-粗骨材資料散佈圖

圖 4-9 水泥-爐石資料散佈圖

圖 4-10 水泥-飛灰資料散佈圖

圖 4-11 水泥-強效減水劑資料散佈圖

圖 4-12 細骨材-粗骨材資料散佈圖

圖 4-13 細骨材-爐石資料散佈圖

圖 4-14 細骨材-飛灰資料散佈圖

圖 4-15 細骨材-強效減水劑資料散佈圖

圖 4-16 粗骨材-爐石資料散佈圖

圖 4-17 粗骨材-飛灰資料散佈圖

圖 4-18 粗骨材-強效減水劑資料散佈圖

圖 4-19 爐石-飛灰資料散佈圖

圖 4-20 爐石-強效減水劑資料散佈圖

圖 4-21 飛灰-強效減水劑資料散佈圖

圖 4-22 隱藏層為七個神經元的強度預測驗證誤差值

圖 4-23 隱藏層為七個神經元的強度預測各項回歸分析值

圖 4-24 強度模型預測實際測試案例的回歸分析值

圖 4-25 隱藏層為十一個神經元的坍度預測驗證誤差值

R² = 0.9371

30 35 40 45 50 55 60 65 70 75 80

圖 4-26 隱藏層為十一個神經元的坍度預測各項回歸分析值

圖 4-27 坍度模型預測實際測試案例的回歸分析值

R² = 0.8891

0 5 10 15 20 25 30

圖 4-28 類神經預測混凝土強度模型架構

圖 4-29 類神經預測混凝土坍度模型架構

圖 4-30 不同大小資料庫的強度與坍度資料散佈圖

圖 4-31 不同大小資料庫的水與水泥資料散佈圖

圖 4-32 不同大小資料庫的水與粗骨材資料散佈圖

圖 4-33 一百筆資料以 K-Meams 設計需求的混凝土配比

圖 4-34 一千五百筆資料以 K-Meams 設計需求的混凝土配比

圖 4-35 三千筆資料以 K-Meams 設計需求的混凝土配比

圖 4-36 使用此混凝土配比設計系統的成果

在文檔中應用人工智慧技術輔助設計混凝土配比 (頁 47-108)

5-1 結論

本次的研究對設計混凝土配比問題提出一種可行的方案，其中由

5-2 建議

參考文獻

註：由文獻取得的配比資料，1-3【7】 、4-15【18】 、16-25【19】、

26-43【22】 、44-68【23】 、69-72【26】 、73-82【27】 、83-100

【28】，其中第 1、11、21、31、41、51、61、71、81、91

筆資料為類神經網路建構混凝土預測模型的測試案例，其餘

皆為類神經網路建構混凝土預測模型的訓練案例。

表 4-1 混凝土強度預測模型使用的類神經網路架構

表 4-2 混凝土強度預測模型使用的正規化資料

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

表 4-3 混凝土坍度預測模型使用的類神經網路架構

表 4-4 混凝土坍度預測模型使用的正規化資料

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

0.1 － 0.9

表 4-5 不同隱藏層神經元預測抗壓強度的分析回歸結果

7 0.9850 0.7002 0.6987

7 0.9872 0.5395 0.8634

7 0.9817 0.7718 0.7145

7 0.9913 0.3162 0.6284

8 0.9805 0.6829 0.8890

8 0.9902 0.7214 0.4048

8 0.9940 0.5652 0.7022

8 0.9848 0.6078 0.8083

9 0.9802 0.8119 0.7402

9 0.9733 0.6152 0.5097

9 0.9790 0.7655 0.6669

9 0.9963 0.8811 0.7608

10 0.9826 0.6742 0.6166

10 0.9824 0.7752 0.8490

10 0.9934 0.8978 0.7887

10 0.9759 0.5263 0.7260

表 4-5(續)

11 0.9879 0.6936 0.7553

11 0.9836 0.7948 0.1694

11 0.9922 0.8102 0.7776

11 0.9701 0.7451 0.7542

12 0.9933 0.8410 0.8750

12 0.9774 0.7433 0.7524

12 0.9891 0.6068 0.6951

12 0.9829 0.3458 0.5572

13 0.9969 0.7018 0.6003

13 0.9895 0.4822 0.6648

13 0.9997 0.6777 0.7528

13 0.9925 0.7592 0.7333

14 0.9947 0.7693 0.6814

14 0.9925 0.6428 0.7786

14 0.9923 0.7261 0.7982

14 0.9969 0.6678 0.8820

15 0.9891 0.5813 0.8513

15 0.9878 0.8398 0.9073

15 0.9947 0.7325 0.8535

15 0.9957 0.8082 0.6823

表 4-6 不同隱藏層神經元預測混凝土坍度的分析回歸結果

7 0.9712 0.5563 0.6044

7 0.9965 0.5192 0.6684

7 0.9967 0.6408 0.7548

7 0.9760 0.6697 0.7693

8 0.9550 0.6255 0.7447

8 0.9760 0.6697 0.7693

8 0.9359 0.7219 0.6316

8 0.8739 0.6895 0.6515

9 0.9752 0.5377 0.7880

9 0.8949 0.6291 0.6700

9 0.9299 0.4575 0.6133

註：由文獻取得的配比資料，1-3【7】、4-15【18】、16-25【19】、

26-43【22】、44-68【23】、69-72【26】、73-82【27】、83-100

註：組合材料單位為重量百分比；強度單位為 Mpa；坍度單位為 cm；SP 為高效減水劑。

表 4-21 Convex hull 演算法及混凝土預測模型設計需求混凝土配比