• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于BP神經(jīng)網(wǎng)絡CFRP約束混凝土抗壓強度預測

    2021-09-29 18:03:20馬高劉康
    湖南大學學報·自然科學版 2021年9期
    關(guān)鍵詞:人工神經(jīng)網(wǎng)絡

    馬高 劉康

    摘? ?要:為研究BP神經(jīng)網(wǎng)絡對CFRP約束混凝土抗壓強度的預測能力以及神經(jīng)網(wǎng)絡模型的輸出性能,在大量的實驗數(shù)據(jù)基礎(chǔ)上,建立了CFRP約束混凝土抗壓強度的BP神經(jīng)網(wǎng)絡預測模型,探討了不同數(shù)據(jù)組合對神經(jīng)網(wǎng)絡模型預測精度的影響;基于神經(jīng)網(wǎng)絡理論,將高精度BP神經(jīng)網(wǎng)絡模型生成了可方便應用的一般公式和簡化公式,并與已有經(jīng)驗公式進行了對比分析. 研究結(jié)果表明:BP神經(jīng)網(wǎng)絡能夠很好地挖掘輸入輸出參數(shù)的數(shù)據(jù)信息,得到高精度的預測模型;相比于傳統(tǒng)回歸模型,用purelin代替sigmoid做傳遞函數(shù)推導得到的簡化線性方程式僅增加了一項常數(shù)項,其預測值與試驗值比值的平均值為1.011,變異系數(shù)為0.112,具有更高的預測精度和穩(wěn)定性.

    關(guān)鍵詞:纖維增強復合材料;人工神經(jīng)網(wǎng)絡;FRP約束;強度模型

    中圖分類號:TU37? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標志碼:A

    Prediction of Compressive Strength of CFRP-confined

    Concrete Columns Based on BP Neural Network

    MA Gao1,2,LIU Kang1

    (1. College of Civil Engineering,Hunan University,Changsha 410082,China;

    2. Hunan Provincial Key Laboratory on Damage Diagnosis for Engineering Structures(Hunan University),Changsha 410082,China)

    Abstract:In order to study the predictive ability of BP neural network on compressive strength of CFRP-confined concrete and the output performance of neural network model,this paper establishes a BP neural network prediction model for the compressive strength of CFRP-confined concrete based on a large number of experimental data. The influence of data combinations on the prediction accuracy of the neural network model is investigated. Based on the theory of neural network,the high-precision BP network model is generated into general formulas and simplified formulas for application convenience,and the prediction results of the neural network models and the empirical formulas are compared and discussed. The analysis results show that: BP neural network can well mine the data information of the input and output parameters and obtain a prediction model with? high accuracy; compared with the traditional regression models,the simple linear equation derived by using purelin instead of sigmoid as the transfer function only adds a constant term,and the average value of prediction result/test result is 1.011,and the coefficient of variation is 0.112,showing a higher prediction accuracy and stability.

    Key words:fiber reinforced polymer;artificial neural network;FRP confinement;strength model

    纖維增強復合材料(Fiber Reinforced Polymer,F(xiàn)RP)以其優(yōu)越的材料性能可對混凝土提供有效的橫向約束,從而提高混凝土柱的承載能力和抗震性能. 隨著對FRP約束混凝土力學性能研究的不斷深入,國內(nèi)外已經(jīng)積累了大量的試驗數(shù)據(jù)和混凝土本構(gòu)模型[1-3]. Singh和Patra[4]收集了755個試驗數(shù)據(jù)對56個FRP約束混凝土強度回歸模型進行了評價,發(fā)現(xiàn)部分模型的預測結(jié)果偏于保守,按回歸方法得到的抗壓強度預測值遠低于試驗數(shù)據(jù);而部分回歸模型的預測值與試驗值之比的平均值高達2.2~3.8,且預測結(jié)果變異系數(shù)較大. 顯然,按傳統(tǒng)統(tǒng)計回歸方法得到的強度預測模型具有一定的局限性. BP神經(jīng)網(wǎng)絡由于其優(yōu)異的自學習和自適應能力,具有良好的研究與應用前景. 朱先勇等[5]通過BP神經(jīng)網(wǎng)絡的訓練和神經(jīng)元間連接權(quán)值的調(diào)整,建立了合金成分與球墨鑄鐵組織和力學性能的復雜聯(lián)系. 唐和生等[6]建立了基于人工神經(jīng)網(wǎng)絡的矩形混凝土柱屈服性能的預測方法,發(fā)現(xiàn)與經(jīng)驗預測模型相比,神經(jīng)網(wǎng)絡方法吻合程度更高. 在FRP加固混凝土結(jié)構(gòu)方面,也已開展了一些研究[7-9],均發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡能對結(jié)果進行很好的預測,具有較強的映射能力.

    目前神經(jīng)網(wǎng)絡的研究大多集中在提高預測精度方面,而對于如何把結(jié)果形成簡單的數(shù)學表達式的研究還很少. J?準rgensen等[10]利用BP神經(jīng)網(wǎng)絡原理將壓彎荷載作用下鋼筋籠增強RC柱承載力預測模型的權(quán)值和閾值輸出成簡單的數(shù)學表達式,相比于其他設計公式更加簡單、且具有較高的預測精度. Leung等[11]提出一種用圖表和修正系數(shù)的方式來輸出神經(jīng)網(wǎng)絡結(jié)果,該方法計算精度較好,但需要查圖表,且修正系數(shù)公式較為復雜,不便于推廣使用. Pham和Hadi[12]用純線性purelin函數(shù)作為BP神經(jīng)網(wǎng)絡的傳遞函數(shù),相比用logsig或者tansig做傳遞函數(shù)的網(wǎng)絡結(jié)構(gòu),該方法得到的預測精度有所下降,但是能夠?qū)⑸窠?jīng)網(wǎng)絡結(jié)果輸出為簡明的線性方程. 此外,由于原始數(shù)據(jù)可以互相組合形成新的數(shù)據(jù)輸入,不同的輸入形式對預測精度存在影響,Elsanadedy等[13]的研究表明原始數(shù)據(jù)輸入形式和數(shù)據(jù)組合形式不同(如無量綱、幾何物理形式等)對FRP約束柱強度預測結(jié)果的影響較大.

    因此,本文將神經(jīng)網(wǎng)絡方法引入FRP加固混凝土柱抗壓強度的研究中,在大量的試驗數(shù)據(jù)基礎(chǔ)上,建立各輸入?yún)?shù)及組合形式與被約束柱抗壓強度非線性映射關(guān)系的神經(jīng)網(wǎng)絡預測模型,最后根據(jù)神經(jīng)網(wǎng)絡輸出結(jié)果提出理論計算公式和簡化公式,為FRP約束混凝土柱抗壓強度模型的研究提供了新的思路.

    1? ?FRP約束混凝土強度模型

    現(xiàn)有的FRP約束混凝土抗壓強度模型,大多數(shù)是基于Richart等[14]針對主動約束混凝土提出的形式(公式(1)),其中k1為約束有效性系數(shù),m為回歸曲線的形狀參數(shù). 雖然k1、m的取值通過回歸分析得到,但其與FRP約束混凝土的力學機理密切相關(guān),較小的k1反應約束的有效性較差,m則與fl / fco的增量對抗壓強度的貢獻大小相關(guān),一般小于等于1. 一些常見強度模型的k1、m取值見表1.

    式中:fcc為FRP約束混凝土抗壓強度;fco為未約束混凝土抗壓強度;fl為FRP提供的橫向約束應力;ffrp為FRP環(huán)向抗拉強度;ρfrp為FRP體積配置率;d為混凝土柱直徑;t、εfrp、Efrp分別為FRP包裹層總厚度、FRP斷裂應變、FRP彈性模量.

    除了上述公式中提到的參數(shù)外,F(xiàn)RP種類、FRP強度測試方法同樣會影響FRP約束混凝柱抗壓強度. 比如:約束試件中FRP實際斷裂時達到的應力水平要低于FRP條帶拉伸試驗測得的抗拉強度;生產(chǎn)商提供的材性指標一般高于FRP條帶拉伸試驗結(jié)果.

    2? ?神經(jīng)網(wǎng)絡的建立與訓練

    2.1? ?神經(jīng)網(wǎng)絡原理

    BP神經(jīng)網(wǎng)絡能夠模仿人腦神經(jīng)元對外部刺激信號的反應過程,基于多層感知器,結(jié)合信號正向傳播和誤差的反向調(diào)節(jié),能有效建立用于處理非線性信息的智能化網(wǎng)絡預測. BP神經(jīng)網(wǎng)絡由輸入層、隱含層、輸出層組成,如圖1所示,通過改變網(wǎng)絡的連接權(quán)值和閾值來適應外界環(huán)境,達到誤差要求,輸出最佳預測值. 故BP神經(jīng)網(wǎng)絡具有較強的容錯能力、自學習能力和自適應能力.

    2.2? ?試驗數(shù)據(jù)處理與模型建立

    由第1節(jié)可知,在原始數(shù)據(jù)收集過程中應該對FRP種類、FRP抗拉強度測定方法進行分組,減少因數(shù)據(jù)來源不同而帶來的誤差. 本文利用Sadeghian和Fam[15]收集的251組CFRP約束混凝土圓柱的試驗數(shù)據(jù),其中CFRP材性均通過條帶拉伸試驗獲得. 原始數(shù)據(jù)各參數(shù)的頻率分布直方圖見圖2,可以發(fā)現(xiàn):各試驗數(shù)據(jù)變量相對集中,分布不均勻,試件直徑主要分布于130 ~ 160 mm,原因為標準圓柱體試件(直徑150 mm,高300 mm)使用最多;試驗中未約束混凝土強度主要為常見強度范圍(30 ~ 50 MPa);FRP斷裂應變、彈性模量主要分布于0.5% ~ 1.5%、200 ~ 300 GPa.

    由于所收集的數(shù)據(jù)往往不在同一個數(shù)量級,需將所收集的數(shù)據(jù)映射到[-1,1]之間,即歸一化處理. 本文采用的歸一化公式為:

    式中:xi是歸一化后的輸入值;x是原始數(shù)據(jù);xmax、xmin分別是這組數(shù)據(jù)的最大值、最小值,具體數(shù)值參見表2.

    本文按70%、15%、15%將實驗數(shù)據(jù)隨機劃分為訓練集、驗證集和測試集.

    由于原始數(shù)據(jù)可以互相組合形成新的數(shù)據(jù),不同的組合形式會對FRP約束混凝土強度的預測精度產(chǎn)生影響. 為了得到最優(yōu)的輸入形式,本文考慮以下3種神經(jīng)網(wǎng)絡模型:1)原始數(shù)據(jù),即d、t、 fco、εrup、Efrp,記為模型A;2)考慮物理意義,以ρfrp=4t/d、 ffrp=Efrp frup、fco為輸入形式,記為模型B;3)無量綱形式,以γ=t/d、 u = ffrp /fco為輸入形式,記為模型C. 即

    模型A:

    fcc = f1(d,t,Efrp,εrup,fco)? ? ? ? (4)

    模型B:

    fcc = f2(ρfrp,ffrp,fco)? ? ? ? (5)

    模型C:

    2.3? ?最優(yōu)神經(jīng)網(wǎng)絡結(jié)構(gòu)和模型選擇

    隱含層的神經(jīng)元采用光滑、可微S型對數(shù)函數(shù)sigmoid(見式(7)),將神經(jīng)元的輸入范圍從(-∞,+∞)映射到(0,1)區(qū)間. 本文的訓練函數(shù)是trainlm函數(shù),即用Levenberg-Marquard(LM)算法隨機把輸入向量和目標向量劃分成訓練、驗證和測試集,該算法梯度下降快,訓練步數(shù)少.

    由于Hecht-Nielson在理論上已經(jīng)證明一個隱含層的BP神經(jīng)網(wǎng)絡能夠逼近任何區(qū)間內(nèi)的連續(xù)函數(shù),所以本文神經(jīng)網(wǎng)絡選用一個隱含層的結(jié)構(gòu),但隱含層的神經(jīng)元個數(shù)需要試算確定. 大量研究表明,增加隱含層神經(jīng)元個數(shù)可以提高BP神經(jīng)網(wǎng)絡的映射能力,但是神經(jīng)元數(shù)目超過一定值后,網(wǎng)路性能反而降低. 因此,一般采用R值和均方誤差MSE(Mean Squared Error)來確定隱含層神經(jīng)元個數(shù). 圖3為A模型在隱含層為7個神經(jīng)元時的訓練集、驗證集、測試集和總集經(jīng)訓練后的擬合情況,可見神經(jīng)網(wǎng)絡經(jīng)過訓練能很好地挖掘輸入輸出參數(shù)之間的關(guān)系,預測結(jié)果與試驗結(jié)果的相關(guān)性趨近于1. 為了得到最優(yōu)神經(jīng)網(wǎng)絡結(jié)構(gòu),將不同神經(jīng)元個數(shù)下的R值和MSE值繪于圖4. 可見在網(wǎng)絡結(jié)構(gòu)為5-8-1時,MSE值較小,預測精度高且穩(wěn)定,因此模型A的隱含層神經(jīng)元數(shù)取8個.

    在最優(yōu)的神經(jīng)網(wǎng)絡結(jié)構(gòu)下,各模型的FRP約束混凝土抗壓強度預測值vpred與試驗值vtest之比的統(tǒng)計信息見表3. 從表中可以看出,A模型的平均值為0.993,變異系數(shù)為0.083,計算精度高于B、C模型,說明原始參數(shù)模型A為最優(yōu)模型,能夠很好地挖掘輸入?yún)?shù)與FRP約束混凝土抗壓強度之間的非線性映射關(guān)系.

    2.4? ?與現(xiàn)有約束混凝土強度模型比較

    考慮到文獻模型提出時依賴的試驗數(shù)據(jù)與本文所用的數(shù)據(jù)不同,本文選取3個具有代表性的FRP約束混凝土強度模型進行比較,即Lam模型[17],Wu模型[20]和Sadeghian模型[15],其中:Lam模型被ACI規(guī)范采納,在研究和工程應用中已被廣泛采用;Wu模型為基于大量試驗數(shù)據(jù)的典型非線性模型;Sadeghian模型來自本文引用的數(shù)據(jù)文獻. BP神經(jīng)網(wǎng)絡模型(模型A)、常用強度模型預測值和試驗值對比情況見圖5和表3、表4.

    通過表3可以發(fā)現(xiàn),神經(jīng)網(wǎng)絡模型相比常用強度模型預測精度更高、變異系數(shù)更小. 從圖5和表4可以發(fā)現(xiàn),各模型誤差范圍基本都在40%以內(nèi),Wu模型、Sadeghian模型和Lam模型的精度依次減小. 神經(jīng)網(wǎng)絡模型中超過90%的數(shù)據(jù)點誤差范圍在15%以內(nèi),但回歸模型誤差在15%內(nèi)的數(shù)據(jù)點個數(shù)不到70%,這說明神經(jīng)網(wǎng)絡模型相比于傳統(tǒng)數(shù)據(jù)回歸方法,能夠更好地挖掘輸入?yún)?shù)的數(shù)據(jù)信息.

    3? ?神經(jīng)網(wǎng)絡結(jié)果公式化輸出

    神經(jīng)網(wǎng)絡通過不斷調(diào)整權(quán)值和閾值,使網(wǎng)絡誤差最小或者達到期望要求,因此具有較高的預測精度. 根據(jù)神經(jīng)網(wǎng)絡傳播理論,可通過權(quán)值和閾值輸出計算結(jié)果. 為便于實際應用,本節(jié)將探討用excel輸出網(wǎng)絡結(jié)果和用簡化的線性方程輸出改進的神經(jīng)網(wǎng)絡結(jié)構(gòu).

    3.1? ?理論公式推導

    隱含層第i個節(jié)點的輸入neti為:

    式中:iwij表示隱含層第i個節(jié)點到輸入層第j個節(jié)點之間的權(quán)值;b1i表示隱含層第i個節(jié)點的閾值.

    隱含層第i個節(jié)點輸出ui為:

    輸出層第k個節(jié)點輸入netk為:

    式中:lwki 表示輸出層第k個節(jié)點到隱含層第i個節(jié)點的權(quán)值;b2k表示輸出層第k個節(jié)點的閾值;φ為隱含層激勵函數(shù),即傳遞函數(shù)sigmiod.

    輸出層第k個節(jié)點輸出為:

    式中:?準為輸出層的激勵函數(shù),一般為purelin函數(shù):

    y = purelin(xi) = xi? ? ? ? ? (12)

    3.2? ?一般公式結(jié)果輸出

    采用sigmoid做傳遞函數(shù)的模型A的最優(yōu)網(wǎng)絡結(jié)構(gòu)的權(quán)重值和閾值見附錄A,參照3.1節(jié),因此神經(jīng)網(wǎng)絡隱含層第i個節(jié)點輸入neti為:

    net1=0.249 3x1+0.902 4x2-1.169 8x3+0.705 4x4-

    2.092 9x5 - 3.480;

    net8=0.882 1x1+1.896 1x2+1.624 8x3+2.759 5x4+

    0.447 2x5 - 4.586? ? ? ?(13)

    式中:x1,x2,…,x5分別對應d、t、 fco、εrup、Efrp歸一化后的值.

    傳遞函數(shù)為sigmoid,因此隱含層節(jié)點輸出ui為:

    輸出層的激勵函數(shù)為purelin函數(shù),因此輸出層輸出為:

    y=-3.33u1+2.02u2-0.42u3+3.08u4+2.60u5+

    1.15u6-1.50u7-0.79u8-3.17(15)

    式中:y是fcc歸一化后的結(jié)果,可通過反歸一化得到fcc,具體參考公式(3)和表2. 基于以上公式推導,利用excel計算表格得到的結(jié)果和模型A預測結(jié)果完全一致,證明了該公式推導的正確性和神經(jīng)網(wǎng)絡結(jié)果輸出的可行性.

    3.3? ?簡化公式

    3.3.1? ?簡化公式推導和模型選擇

    3.2節(jié)中,模型A采用sigmoid函數(shù)作為輸入層和隱含層間的傳遞函數(shù)時,網(wǎng)絡結(jié)果需要借助excel等工具輔助輸出,不便于推廣應用. 因此,本文采用purelin函數(shù)代替sigmoid函數(shù)做傳遞函數(shù),期望得到具有較高精度而又形式簡潔的線性方程式,其推導過程見圖6(以m個參數(shù)輸入,隱含層為n個神經(jīng)元為例).

    φ函數(shù)采用purelin函數(shù)時,式(10)可簡化為:

    y = lw × iw × x + lw × b1 + b2? ? ? ? (16)

    令:

    w = lw × iw,a = lw × b1 + b2? ? ? ?(17)

    最終計算公式可以寫為:

    y = w × x + a? ? ? ?(18)

    在推導簡化公式時,考慮以下3種數(shù)據(jù)組合形式:

    1)模型1. fcc = f1(d,t,Efrp,εrup,fco)

    2)模型2. fcc = f2(d,t,Efrp,εrup,fco,fl)

    3)模型3. fcc = f3(fco,fl)

    對比表3和表5可以發(fā)現(xiàn),未進行數(shù)據(jù)組合形式下采用純線性函數(shù)purelin做傳遞函數(shù)的模型1比采用sigmoid做傳遞函數(shù)的模型A網(wǎng)絡性能差,相關(guān)系數(shù)R值僅為0.761,但將d、t、Efrp、 輸入?yún)?shù)組合成fl后(即模型3),神經(jīng)網(wǎng)絡預測精度明顯提高,相關(guān)系數(shù)R值增加到0.961,這說明:1)數(shù)據(jù)的不同組合形式對預測精度有影響;2)模型3僅用純線性函數(shù)purelin做傳遞函數(shù)可以得到高精度的預測結(jié)果,說明FRP約束混凝土抗壓強度fcc與fco、fl近似成線性關(guān)系;3)模型2和模型3的區(qū)別為:在模型3中,神經(jīng)網(wǎng)絡的訓練和學習只能通過改變由d、t、Efrp、εrup組成的fl和fco的權(quán)值與閾值來適應,而在模型2中,除fl、fco外,還可調(diào)整d、t、Efrp、εrup的權(quán)值和閾值,設置模型2是為了得到更高精度的模型. 但對比模型2和模型3結(jié)果可以發(fā)現(xiàn),模型2添加d、t、Efrp、εrup后網(wǎng)絡模型性能提升并不明顯,且本文的模型3已具備較好的計算精度,因此本文采用模型3來推導簡化公式.

    3.3.2? ?簡化公式結(jié)果輸出

    采用purelin函數(shù)的模型3最優(yōu)拓撲結(jié)構(gòu)為2-7-1形式,此時m = 2,n = 7,將其權(quán)重和閾值(附錄B)代入式(17),得到

    wi = [0.484 4? ?0.741 9];

    a = 0.157 8? ? ? ? ? (19)

    由于式(18)中x、y是歸一化以后的值,為了得到輸入?yún)?shù)fl、 fco和輸出fcc的相互聯(lián)系,將歸一化式(3)代入(18),得到:

    式中:xi為模型3中歸一化之前的fl和fco;y1、y分別表示歸一化前、后的fcc值;xi max、xi min分別為輸入?yún)?shù)最大值和最小值,具體數(shù)值見表2.

    參考表2及式(19)中的權(quán)重和閾值,代入式(24)(25)可得到:

    ki? = [0.867 8? ? ?2.996 7]

    c = 8.552 1

    ki中系數(shù)稱為權(quán)重系數(shù),代表各輸入?yún)?shù)對輸出參數(shù)的影響程度.

    保留兩位有效數(shù)字,得到:

    fcc = 0.87fco + 3.00fl + 8.55? ? ? ? ? (26)

    3.3.3? ?簡化模型與非簡化模型對比

    圖7和表4對比了各模型預測結(jié)果,可見采用purelin做傳遞函數(shù)的簡化模型3,相比采用sigmoid做傳遞函數(shù)的BP模型,預測精度有所下降,但下降程度較小;用模型3推導出的預測結(jié)果90%以上數(shù)據(jù)誤差在20%以內(nèi),相比于回歸模型預測精度更高,且變異系數(shù)更小.

    因此,在使用BP神經(jīng)網(wǎng)絡預測FRP約束混凝土抗壓強度時利用purelin函數(shù)代替sigmoid函數(shù)是可行的,模型3推導出來的線性方程式(式(26))相比于傳統(tǒng)回歸模型,形式上僅增加一項常數(shù)項,但有更高的預測精度,且可以方便實際應用.

    3.3.4? ?簡化模型與數(shù)據(jù)回歸模型對比分析

    現(xiàn)有的FRP約束混凝土強度模型大多是基于式(1)形式,其k1、m取值依賴于所選擇的試驗數(shù)據(jù). 此外,參考式(26),考慮模型表達式為fcc = Afco + Bfl + C的情況. 對2.2節(jié)收集的251組試驗數(shù)據(jù)進行線性回歸分析和非線性擬合分析,可得:

    式中pred和test分別對應預測值與試驗值. IAE和MAPE是對模型誤差敏感的統(tǒng)計指標,IAE和MAPE值越小,則模型誤差越小. 表6為簡化公式與本文回歸模型預測結(jié)果的統(tǒng)計信息. 可以發(fā)現(xiàn),基于神經(jīng)網(wǎng)絡的簡化模型的預測效果僅略低于采用表達式fcc =Afco + Bfl + C直接擬合的結(jié)果,但要優(yōu)于回歸模型.

    對簡化模型的公式變形如下:

    式(32)表明約束有效性系數(shù)k1是一個變量,隨fl增大而降低,對于高側(cè)向約束應力時,k1趨近于常數(shù). 值得注意的是,當fl為0時,式(31)不能退化為素混凝土強度,由于實際應用時FRP約束混凝土均會包裹一定厚度的CFRP(至少一層),因此其約束應力存在最小值.

    已有不少文獻在基于試驗數(shù)據(jù)的回歸分析時,也發(fā)現(xiàn)k1不是常數(shù). Balmer[21]發(fā)現(xiàn)對于主動約束混凝土,系數(shù)k1在4.5到7.0之間變化,平均值約為5.6. Toutanji[22]通過FRP約束混凝土試驗結(jié)果的對比發(fā)現(xiàn)系數(shù)k1隨fl /fco增大而減小,對于高側(cè)向約束應力時,k1趨近于常數(shù),主要原因是在高側(cè)向約束應力下,混凝土的受壓力學行為更接近彈塑性材料,其提出的約束模型公式如下:

    fcc = fco + k1? fl,k1 = 3.5( fl /fco)-0.15? ? ? ?(33)

    Fahmy和Wu[23]也報道了相似的結(jié)論,且認為FRP約束混凝土強度模型的k1值除了與fl相關(guān),還與混凝土強度有關(guān),其提出的約束模型如下:

    k1 = 4.5( fl )-0.3,fco≤40 MPa;

    k1 = 3.75( fl )-0.3,fco > 40 MPa? ? ? ?(34)

    4? ?結(jié)? ?論

    現(xiàn)有的FRP約束混凝土抗壓強度模型大多是通過數(shù)據(jù)統(tǒng)計回歸分析得到,但是由于FRP約束混凝土柱的力學性能受多種因素影響,各回歸模型預測結(jié)果相差較大,且有一定比例的數(shù)據(jù)預測值遠大于實驗值. 本文在大量的實驗數(shù)據(jù)基礎(chǔ)上,用BP神經(jīng)網(wǎng)絡對FRP約束混凝土抗壓強度進行預測與分析,發(fā)現(xiàn):

    1)BP神經(jīng)網(wǎng)絡模型能夠很好地預測FRP約束混凝土抗壓強度. 神經(jīng)網(wǎng)絡模型中超過90%的數(shù)據(jù)點誤差范圍在15%以內(nèi),而回歸模型誤差在15%內(nèi)的數(shù)據(jù)點個數(shù)不到70%. 與回歸模型相比,神經(jīng)網(wǎng)絡的預測結(jié)果精度更高、變異系數(shù)更小.

    2)基于神經(jīng)網(wǎng)絡理論,將sigmoid函數(shù)做傳遞函數(shù)的模型A輸出為數(shù)學表達式,并生成excel工具表便于實際應用. 利用純線性purelin函數(shù)代替sigmoid函數(shù)作傳遞函數(shù)的模型3可生成形式簡潔的計算公式,與模型A相比,得到的簡化公式計算精度有所下降,但下降程度較小,用模型3推導出的預測結(jié)果90%以上數(shù)據(jù)誤差在20%以內(nèi),其計算精度仍高于現(xiàn)有的回歸模型.

    3)僅用純線性purelin做傳遞函數(shù)的模型3, 其預測結(jié)果的相關(guān)系數(shù)達到0.961,這說明FRP約束混凝土抗壓強度fcc與fco、 fl近似成線性關(guān)系,且通過權(quán)重系數(shù)ki能看出橫向約束應力fl對FRP約束混凝土強度fcc的貢獻遠大于未約束混凝土抗壓強度fco.

    4)神經(jīng)網(wǎng)絡擬合結(jié)果是基于已有文獻試驗數(shù)據(jù)訓練得到的,而非理論推導得到,因此其輸出結(jié)果的物理意義尚不明確,只具有統(tǒng)計意義. 從統(tǒng)計學角度看,神經(jīng)網(wǎng)絡結(jié)果優(yōu)于常規(guī)的線性回歸結(jié)果.

    附錄A

    神經(jīng)網(wǎng)絡權(quán)值和閾值如下:iw是隱含層到輸出層的權(quán)重值,b1是對應的閾值,lw是輸出層到隱含層的權(quán)值,b2是對應的閾值.

    iw= 0.249 3? ?0.902 4? ?-1.169 8? 0.705 4? ?-2.092 9-0.549 9 -0.843 7? -2.030 4? -0.203 1? 3.461 0 2.308 6? ?1.344 1? ? 1.174 9? ? ?2.789 4? ?0.983 8 0.923 7? ?1.737 3? ? 0.064 6? ? ?1.515 2? ?1.395 9-2.045 9? 3.308 3? -0.417 7? -0.419 9? -1.501 5 4.284 8? ?1.668 3? ? 0.544 7? ? ?3.295 7? ?2.181 2 2.548 7? ?1.103 0? ? 2.282 6? ? ?1.071 8? ?1.131 9 0.882 1? ?1.896 1? ? 1.624 8? ? ?2.7595? ? 0.447 2,

    b1=-3.479 9? 3.756 9-1.830 1? 0.429 9? 1.139 5? 2.531 8? 2.006 8-4.586 0,lw=-3.325 9? 2.022 8-0.421 1? 3.081 6? 2.603 3? 1.148 3-1.500 3-0.787 8,b2 = -3.166 3

    附錄B

    iw=? 0.359 6? ? 0.638 2-0.918 9? -0.527 1-0.851 6? ? 0.066 8? 0.044 7? -0.022 5-0.807 0? ? 0.963 6? 0.637 4? ? 0.249 7? 0.633 0? ? 0.639 2,b1=? 0.002 4? 0.050 5? 0.527 1-0.862 3-0.724 9-0.676 9-0.172 7,

    lw=? 0.779 1? 0.393 2-0.692 7-0.310 1? 0.229 1-0.177 6? 0.454 1,b2 = -0.397 8

    參考文獻

    [1]? ? 滕錦光,陳建飛,林力,等. FRP加固混凝土結(jié)構(gòu)[M]. 北京:中國建筑工業(yè)出版社,2005:145—185.

    TENG J G,CHEN J F,LIN L,et al. FRP strengthened RC structures[M]. Beijing:China Architecture & Building Press,2005:145—185. (In Chinese)

    [2]? ? 馬高,陳曉煌. BFRP約束損傷混凝土軸壓試驗與應力-應變關(guān)系[J]. 湖南大學學報(自然科學版),2020,47(1):36—44.

    MA G,CHEN X H. Axial compression test and stress-strain relationship of BFRP-confined predamaged concrete[J]. Journal of Hunan University(Natural Sciences),2020,47(1):36—44. (In Chinese)

    [3]? ? 單波,蔡靜,肖巖,等. 大尺寸CFRP約束混凝土方柱的軸心抗壓試驗研究[J]. 湖南大學學報(自然科學版),2016,43(3):75—82.

    SHAN B,CAI J,XIAO Y,et al. Experimental research on large-scale square columns confined with wrapped CFRP under axial compressive load[J].Journal of Hunan University (Natural Sciences),2016,43(3):75—82. (In Chinese)

    [4]? ? SINGH S,PATRA N R. Peak strength expression for concrete confined with fiber-reinforced polymer[J]. ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems,Part A:Civil Engineering,2018,4(3):04018024.

    [5]? ? 朱先勇,劉耀輝,張英波,等. 基于BP神經(jīng)網(wǎng)絡的球墨鑄鐵組織和力學性能預測[J]. 湖南大學學報(自然科學版),2007,34(10):74—77.

    ZHU X Y,LIU Y H,ZHANG Y B,et al. Prediction of the microstructural and mechanical properties of pearlite nodule cast iron based on bp neutral network[J]. Journal of Hunan University (Natural Sciences),2007,34(10):74—77. (In Chinese)

    [6]? ? 唐和生,李大偉,蘇瑜,等. 人工神經(jīng)網(wǎng)絡預測混凝土柱屈服性能[J]. 湖南大學學報(自然科學版),2015,42(11):17—24.

    TANG H S,LI D W,SU Y,et al. Prediction of the yield performance of RC columns by neural network[J]. Journal of Hunan University (Natural Sciences),2015,42(11):17—24. (In Chinese)

    [7]? ? 陳戰(zhàn)波,韓有旺. 神經(jīng)網(wǎng)絡纖維布加固鋼筋混凝土梁承載力預測[J]. 山西建筑,2010,36(32):74—75.

    CHEN Z B,HAN Y W. The BP artificial network forecasting model on the load-bearing capacity on reinforce concrete beam strengthened with FRP[J]. Shanxi Architecture,2010,36(32):74—75. (In Chinese)

    [8]? ? 任達,周朝陽,劉堅,等. 帶錨FRP受剪加固梁非剝離破壞模式BP網(wǎng)絡預測[J]. 土木建筑與環(huán)境工程,2017,39(1):77—85.

    REN D,ZHOU C Y,LIU J,et al. Prediction of failure modes for RC beams shear-strengthened with well-anchored FRP composites using neural networks[J]. Journal of Civil,Architectural& Environmental Engineering,2017,39(1):77—85. (In Chinese)

    [9]? ? 任達,黃寶全,劉啟華,等. 基于神經(jīng)網(wǎng)絡的FRP抗震加固混凝土柱破壞模式預測[J]. 廣州大學學報(自然科學版),2019,18(5):43—50.

    REN D,HUANG B Q,LIU Q H,et al. Prediction of failure modes for FRP-jacketed RC columns under seismic loads based on neural networks[J].Journal of Guangzhou University (Natural Science Edition),2019,18(5):43—50. (In Chinese)

    [10]? J?覫RGENSEN C,GRASTVEIT R,GARZ?魷N-ROCA J,et al. Bearing capacity of steel-caged RC columns under combined bending and axial loads:Estimation based on artificial neural networks[J]. Engineering Structures,2013,56:1262—1270.

    [11]? LEUNG C K,NG M Y,LUK H C. Empirical approach for determining ultimate FRP strain in FRP-strengthened concrete beams[J]. Journal of Composites for Construction,2006,10(2):125—138.

    [12]? PHAM T M,HADI M N S. Predicting stress and strain of FRP-confined square/rectangular columns using artificial neural networks[J]. Journal of Composites for Construction,2014,18(6):04014019.

    [13]? ELSANADEDY H M,AL-SALLOUM Y A,ABBAS H,et al. Prediction of strength parameters of FRP-confined concrete[J]. Composites Part B:Engineering,2012,43(2):228—239.

    [14]? RICHART F E,BRANDTZAEG A,BROWN R L. A study of the failure of concrete under combined compressive stresses[R]. Illinois,USA:University of Illinois,Engineering Experiment Station,1929.

    [15]? SADEGHIAN P,F(xiàn)AM A. Improved design-oriented confinement models for FRP-wrapped concrete cylinders based on statistical analyses[J]. Engineering Structures,2015,87:162—182.

    [16]? SAAFI M,TOUTANJIN H,LI Z. Behavior of concrete columns confined with fiber reinforced polymer tubes[J]. Materials Journal,1999,96(4):500—509.

    [17]? LAM L,TENG J G.Strength models for fiber-reinforced plastic-confined concrete[J].Journal of Structural Engineering,2002,128(5):612—623.

    [18]? SAIIDI S M,SURESHKUMAR K,PULIDO C. Simple carbon-fiber-reinforced-plastic-confined concrete model for moment-curvature analysis[J]. Journal of Composites for Construction,2005,9(1):101—104.

    [19]? MATTHYS S,TOUTANJI H,AUDENAERT K,et al. Axial load behavior of large-scale columns confined with fiber-reinforced polymer composites[J]. ACI Structural Journal,2005,102(2):258.

    [20]? WU Y F,WANG L M. Unified strength model for square and circular concrete columns confined by external jacket[J]. Journal of Structural Engineering,2009,135(3):253—261.

    [21]? BALMER G G. Shearing strength of concrete under high triaxial stress-computation of Mohrs envelope as a curve[R]//Structural Research Laboratory Report No. SP-23. Washington:Bureau of Reclamation,1949.

    [22]? TOUTANJI H A .Stress-strain characteristics of concrete columns externally confined with advanced fiber composite sheets[J]. ACI Materials Journal,1999,96(3):397—404.

    [23]? FAHMY M F M,WU Z S. Evaluating and proposing models of circular concrete columns confined with different FRP composites[J]. Composites Part B:Engineering,2010,41(3):199—213.

    猜你喜歡
    人工神經(jīng)網(wǎng)絡
    利用人工神經(jīng)網(wǎng)絡快速計算木星系磁坐標
    基于BP人工神經(jīng)網(wǎng)絡的iWrite英語寫作教學與評閱系統(tǒng)的語用研究
    人工神經(jīng)網(wǎng)絡實現(xiàn)簡單字母的識別
    電子制作(2019年10期)2019-06-17 11:45:10
    滑動電接觸摩擦力的BP與RBF人工神經(jīng)網(wǎng)絡建模
    基于人工神經(jīng)網(wǎng)絡的分布式視頻編碼邊信息生成方法
    人工神經(jīng)網(wǎng)絡和安時法電池SOC估計
    基于改進人工神經(jīng)網(wǎng)絡的航天器電信號分類方法
    模糊人工神經(jīng)網(wǎng)絡在工程建設項目后評價中的運用
    基于聲發(fā)射和人工神經(jīng)網(wǎng)絡的混凝土損傷程度識別
    探討人工神經(jīng)網(wǎng)絡在作物水分生產(chǎn)函數(shù)建模中的應用
    河南科技(2014年19期)2014-02-27 14:15:29
    欧美日本视频| 日本一区二区免费在线视频| 可以在线观看毛片的网站| 黄色片一级片一级黄色片| 日本免费a在线| 亚洲成人中文字幕在线播放| 白带黄色成豆腐渣| 国产视频内射| 大型av网站在线播放| 亚洲最大成人中文| 精品国产乱子伦一区二区三区| 日本一区二区免费在线视频| 国产亚洲av嫩草精品影院| 国产伦人伦偷精品视频| 又粗又爽又猛毛片免费看| 午夜日韩欧美国产| 国产区一区二久久| 男人的好看免费观看在线视频 | 1024视频免费在线观看| 亚洲欧美一区二区三区黑人| 亚洲人成77777在线视频| 国产91精品成人一区二区三区| 99re在线观看精品视频| 日韩成人在线观看一区二区三区| 日本五十路高清| 国产一区二区激情短视频| ponron亚洲| 亚洲精品中文字幕在线视频| 变态另类成人亚洲欧美熟女| 在线十欧美十亚洲十日本专区| 黄色a级毛片大全视频| av片东京热男人的天堂| 好男人在线观看高清免费视频| 久久久久国内视频| a在线观看视频网站| av视频在线观看入口| 在线观看美女被高潮喷水网站 | 韩国av一区二区三区四区| 99热这里只有是精品50| 欧美中文综合在线视频| 法律面前人人平等表现在哪些方面| 人妻久久中文字幕网| 成年女人毛片免费观看观看9| 狂野欧美激情性xxxx| 91麻豆av在线| 久久草成人影院| 又爽又黄无遮挡网站| 免费在线观看亚洲国产| 国产真实乱freesex| 毛片女人毛片| 免费看十八禁软件| 这个男人来自地球电影免费观看| 国产精品 国内视频| 亚洲精品美女久久久久99蜜臀| 午夜福利18| 身体一侧抽搐| 国产精品电影一区二区三区| 久久久国产成人精品二区| 男女床上黄色一级片免费看| 精华霜和精华液先用哪个| 国产野战对白在线观看| 999久久久国产精品视频| 久久精品国产综合久久久| 国产在线精品亚洲第一网站| 欧美乱妇无乱码| 一二三四社区在线视频社区8| 亚洲国产中文字幕在线视频| 国产精品九九99| 精品人妻1区二区| 两个人的视频大全免费| 国产精品乱码一区二三区的特点| 两性午夜刺激爽爽歪歪视频在线观看 | 97人妻精品一区二区三区麻豆| 亚洲av成人不卡在线观看播放网| 欧美一区二区精品小视频在线| 精品电影一区二区在线| 日本黄色视频三级网站网址| 日韩中文字幕欧美一区二区| 在线观看66精品国产| 精品少妇一区二区三区视频日本电影| 亚洲色图av天堂| 中文亚洲av片在线观看爽| 搞女人的毛片| 亚洲va日本ⅴa欧美va伊人久久| 中文资源天堂在线| 国产午夜精品论理片| 搡老熟女国产l中国老女人| 亚洲中文日韩欧美视频| 黑人操中国人逼视频| 亚洲午夜理论影院| 人人妻人人看人人澡| 在线观看舔阴道视频| 在线观看舔阴道视频| 久久精品亚洲精品国产色婷小说| 黑人操中国人逼视频| 又黄又粗又硬又大视频| 婷婷亚洲欧美| 白带黄色成豆腐渣| 国产精品久久久久久久电影 | 丝袜人妻中文字幕| 国产亚洲av嫩草精品影院| 禁无遮挡网站| 欧美成人一区二区免费高清观看 | 午夜福利免费观看在线| 久久香蕉国产精品| 国产av不卡久久| 国产精品日韩av在线免费观看| 麻豆国产97在线/欧美 | 国产精品爽爽va在线观看网站| 亚洲av电影在线进入| 听说在线观看完整版免费高清| 欧美日韩乱码在线| 国产精品免费一区二区三区在线| 女同久久另类99精品国产91| 亚洲欧美日韩东京热| 色老头精品视频在线观看| 亚洲成人免费电影在线观看| 亚洲中文字幕一区二区三区有码在线看 | 嫩草影院精品99| 日韩欧美免费精品| 日韩大码丰满熟妇| a在线观看视频网站| 一本一本综合久久| 国产区一区二久久| 特大巨黑吊av在线直播| 亚洲avbb在线观看| www.精华液| 国产又黄又爽又无遮挡在线| 亚洲欧美日韩高清在线视频| 午夜日韩欧美国产| 国产精品免费视频内射| 999久久久精品免费观看国产| 成人av一区二区三区在线看| 成人av一区二区三区在线看| 亚洲国产精品sss在线观看| 欧美黑人精品巨大| a级毛片a级免费在线| 亚洲精品美女久久av网站| or卡值多少钱| 国产高清视频在线观看网站| 久久久久久大精品| 国产黄色小视频在线观看| 91国产中文字幕| 男人的好看免费观看在线视频 | 亚洲人成网站在线播放欧美日韩| 99久久久亚洲精品蜜臀av| 亚洲av成人不卡在线观看播放网| 亚洲精品久久成人aⅴ小说| 国产主播在线观看一区二区| 国产精品一区二区三区四区久久| 亚洲人成77777在线视频| 精品久久久久久久末码| 在线观看日韩欧美| 成人亚洲精品av一区二区| 国产片内射在线| 国产伦一二天堂av在线观看| 婷婷精品国产亚洲av| 日韩精品青青久久久久久| av天堂在线播放| 亚洲成人国产一区在线观看| 日韩欧美免费精品| 一本久久中文字幕| av福利片在线| 欧美中文综合在线视频| 亚洲成av人片在线播放无| 精品一区二区三区视频在线观看免费| 最好的美女福利视频网| 宅男免费午夜| АⅤ资源中文在线天堂| 久久久久久国产a免费观看| 91av网站免费观看| 中国美女看黄片| xxxwww97欧美| 成人欧美大片| 日韩中文字幕欧美一区二区| 亚洲精品久久成人aⅴ小说| 岛国视频午夜一区免费看| 一夜夜www| 午夜福利视频1000在线观看| svipshipincom国产片| 淫妇啪啪啪对白视频| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品98久久久久久宅男小说| 男人舔奶头视频| 丰满人妻一区二区三区视频av | 亚洲精品中文字幕一二三四区| 日韩高清综合在线| 国产单亲对白刺激| 国产熟女xx| 动漫黄色视频在线观看| 在线视频色国产色| 亚洲成人国产一区在线观看| 黄色视频不卡| a级毛片a级免费在线| 免费看十八禁软件| 中出人妻视频一区二区| 日韩欧美在线乱码| 在线a可以看的网站| 久久久久亚洲av毛片大全| 亚洲国产欧洲综合997久久,| 国产亚洲精品久久久久5区| 久久精品成人免费网站| 国产精品亚洲av一区麻豆| 午夜精品一区二区三区免费看| 9191精品国产免费久久| 日本免费一区二区三区高清不卡| 国产av一区二区精品久久| 免费高清视频大片| 88av欧美| 露出奶头的视频| 十八禁人妻一区二区| 亚洲avbb在线观看| 久久精品亚洲精品国产色婷小说| 一区二区三区高清视频在线| 精品久久久久久,| 亚洲精品美女久久久久99蜜臀| a级毛片在线看网站| 一进一出抽搐动态| 白带黄色成豆腐渣| 伊人久久大香线蕉亚洲五| 免费在线观看完整版高清| av视频在线观看入口| x7x7x7水蜜桃| 午夜精品一区二区三区免费看| 在线a可以看的网站| 亚洲中文字幕一区二区三区有码在线看 | 国产aⅴ精品一区二区三区波| 国产伦在线观看视频一区| 午夜视频精品福利| 男女下面进入的视频免费午夜| 国产三级黄色录像| 亚洲国产欧美一区二区综合| 夜夜夜夜夜久久久久| 欧美最黄视频在线播放免费| 欧美日韩瑟瑟在线播放| 日韩精品青青久久久久久| 亚洲av中文字字幕乱码综合| 欧美色欧美亚洲另类二区| 午夜福利18| av天堂在线播放| 午夜日韩欧美国产| 欧美乱色亚洲激情| 大型黄色视频在线免费观看| 亚洲av成人av| 91国产中文字幕| 亚洲国产中文字幕在线视频| 日韩国内少妇激情av| 波多野结衣高清无吗| 99在线人妻在线中文字幕| 久久精品成人免费网站| 丰满人妻熟妇乱又伦精品不卡| 又黄又爽又免费观看的视频| 色噜噜av男人的天堂激情| 欧美日韩乱码在线| 夜夜夜夜夜久久久久| 黄色毛片三级朝国网站| 午夜两性在线视频| 99re在线观看精品视频| 一个人免费在线观看电影 | 欧美人与性动交α欧美精品济南到| 国产精品永久免费网站| 一本大道久久a久久精品| 欧美一区二区精品小视频在线| 88av欧美| 日韩高清综合在线| 高清在线国产一区| 欧美不卡视频在线免费观看 | 亚洲人成电影免费在线| 丁香六月欧美| 国产精品免费视频内射| 色噜噜av男人的天堂激情| 亚洲av熟女| 非洲黑人性xxxx精品又粗又长| 免费在线观看日本一区| 18禁观看日本| 老汉色av国产亚洲站长工具| 大型av网站在线播放| 亚洲成a人片在线一区二区| 亚洲成av人片在线播放无| 神马国产精品三级电影在线观看 | 亚洲avbb在线观看| 国产午夜精品论理片| 2021天堂中文幕一二区在线观| 欧美性猛交黑人性爽| 免费在线观看亚洲国产| 特级一级黄色大片| 国产av在哪里看| 哪里可以看免费的av片| 在线观看日韩欧美| 黑人操中国人逼视频| 欧美av亚洲av综合av国产av| a级毛片a级免费在线| 狂野欧美白嫩少妇大欣赏| 黄色a级毛片大全视频| 欧美日韩黄片免| 香蕉av资源在线| 国产精品久久久久久人妻精品电影| 校园春色视频在线观看| 黄色成人免费大全| 国产高清激情床上av| 亚洲精品中文字幕一二三四区| 久久草成人影院| 老司机深夜福利视频在线观看| 女人高潮潮喷娇喘18禁视频| 黄色视频,在线免费观看| 国产v大片淫在线免费观看| 又黄又爽又免费观看的视频| 美女午夜性视频免费| 淫秽高清视频在线观看| 黄色片一级片一级黄色片| 亚洲国产日韩欧美精品在线观看 | 精品无人区乱码1区二区| 欧美日韩国产亚洲二区| 亚洲成人中文字幕在线播放| a级毛片在线看网站| 九色国产91popny在线| 我的老师免费观看完整版| 欧美日韩中文字幕国产精品一区二区三区| 亚洲人与动物交配视频| 亚洲成av人片在线播放无| 国产精品影院久久| 午夜亚洲福利在线播放| 亚洲免费av在线视频| 国产亚洲精品一区二区www| 男女下面进入的视频免费午夜| 国产精品 国内视频| 久久久久国产一级毛片高清牌| 国产伦一二天堂av在线观看| 久久欧美精品欧美久久欧美| 欧美日韩亚洲综合一区二区三区_| 成人国语在线视频| 日韩免费av在线播放| 精品不卡国产一区二区三区| 亚洲国产精品sss在线观看| 成在线人永久免费视频| 97超级碰碰碰精品色视频在线观看| 在线国产一区二区在线| 丁香欧美五月| 99久久无色码亚洲精品果冻| 伦理电影免费视频| 不卡一级毛片| 淫秽高清视频在线观看| 91麻豆av在线| 国产亚洲精品久久久久久毛片| 1024香蕉在线观看| 欧美色视频一区免费| 一级毛片女人18水好多| 亚洲专区中文字幕在线| 极品教师在线免费播放| 久久久久国产一级毛片高清牌| 手机成人av网站| 久久天堂一区二区三区四区| 国产熟女午夜一区二区三区| 久久精品国产综合久久久| 色噜噜av男人的天堂激情| 久久久久久久精品吃奶| 欧美国产日韩亚洲一区| 亚洲成人免费电影在线观看| 麻豆国产97在线/欧美 | 国产激情欧美一区二区| 久久久国产欧美日韩av| 久久精品成人免费网站| 亚洲国产欧美网| 午夜a级毛片| 黄片大片在线免费观看| 一级毛片高清免费大全| 丁香欧美五月| 国产成人影院久久av| 国产成人av激情在线播放| 日本五十路高清| 51午夜福利影视在线观看| 制服人妻中文乱码| 老熟妇仑乱视频hdxx| 免费观看人在逋| 亚洲精品国产一区二区精华液| 精品一区二区三区视频在线观看免费| 久久亚洲精品不卡| 免费搜索国产男女视频| 两个人看的免费小视频| 一进一出抽搐gif免费好疼| 性色av乱码一区二区三区2| 亚洲国产精品久久男人天堂| 亚洲中文字幕日韩| 最近视频中文字幕2019在线8| 精品久久蜜臀av无| 黑人巨大精品欧美一区二区mp4| 一二三四社区在线视频社区8| 首页视频小说图片口味搜索| 国产精品国产高清国产av| 88av欧美| 欧美色欧美亚洲另类二区| 精品福利观看| 久久中文看片网| 国内精品久久久久久久电影| 亚洲最大成人中文| 五月玫瑰六月丁香| 国产精品亚洲av一区麻豆| 国产精品一区二区精品视频观看| 日本精品一区二区三区蜜桃| 夜夜夜夜夜久久久久| 麻豆成人av在线观看| 国产精品日韩av在线免费观看| 特大巨黑吊av在线直播| 老汉色∧v一级毛片| 一个人免费在线观看电影 | 精品久久蜜臀av无| 欧美成人午夜精品| 听说在线观看完整版免费高清| 久久久久精品国产欧美久久久| 欧美一区二区精品小视频在线| 黄频高清免费视频| 国内精品久久久久精免费| 在线视频色国产色| 亚洲色图 男人天堂 中文字幕| 亚洲成av人片在线播放无| 一进一出好大好爽视频| 可以在线观看的亚洲视频| 白带黄色成豆腐渣| av有码第一页| 成人18禁在线播放| 国产高清视频在线播放一区| 亚洲aⅴ乱码一区二区在线播放 | 男女做爰动态图高潮gif福利片| 亚洲色图 男人天堂 中文字幕| 亚洲欧美日韩东京热| 亚洲av成人av| 法律面前人人平等表现在哪些方面| 999精品在线视频| 制服丝袜大香蕉在线| 一级毛片女人18水好多| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲人成网站高清观看| 亚洲国产精品999在线| 午夜精品久久久久久毛片777| 少妇熟女aⅴ在线视频| 亚洲乱码一区二区免费版| 国产精品1区2区在线观看.| 亚洲国产欧洲综合997久久,| 亚洲免费av在线视频| 亚洲熟女毛片儿| 最近视频中文字幕2019在线8| 观看免费一级毛片| 国产精品影院久久| 18美女黄网站色大片免费观看| 看黄色毛片网站| 99热只有精品国产| 欧美黄色淫秽网站| 国产一区二区三区视频了| 黄频高清免费视频| 国产探花在线观看一区二区| 在线视频色国产色| 18禁裸乳无遮挡免费网站照片| 久久久久久久久中文| 亚洲,欧美精品.| 国产视频内射| 一区二区三区激情视频| av视频在线观看入口| ponron亚洲| 视频区欧美日本亚洲| 亚洲男人的天堂狠狠| 婷婷精品国产亚洲av在线| 亚洲五月天丁香| netflix在线观看网站| 亚洲男人天堂网一区| 欧美中文日本在线观看视频| 日韩中文字幕欧美一区二区| а√天堂www在线а√下载| 精品久久久久久久人妻蜜臀av| 国产蜜桃级精品一区二区三区| 狂野欧美白嫩少妇大欣赏| 麻豆成人av在线观看| 亚洲狠狠婷婷综合久久图片| 欧美大码av| 无遮挡黄片免费观看| 久9热在线精品视频| 成年版毛片免费区| 亚洲性夜色夜夜综合| 91老司机精品| 巨乳人妻的诱惑在线观看| 国产麻豆成人av免费视频| 精品福利观看| 90打野战视频偷拍视频| 欧美一级a爱片免费观看看 | 日本撒尿小便嘘嘘汇集6| 女同久久另类99精品国产91| 日韩欧美免费精品| 成人精品一区二区免费| 99精品欧美一区二区三区四区| 99久久综合精品五月天人人| 12—13女人毛片做爰片一| 亚洲国产欧美一区二区综合| 91九色精品人成在线观看| 中文字幕人妻丝袜一区二区| 久久草成人影院| 波多野结衣高清无吗| 俺也久久电影网| 搞女人的毛片| 亚洲无线在线观看| 免费观看精品视频网站| 两个人免费观看高清视频| 成年女人毛片免费观看观看9| 又粗又爽又猛毛片免费看| a在线观看视频网站| 欧美不卡视频在线免费观看 | 人人妻人人看人人澡| www.999成人在线观看| 国产精品永久免费网站| 国产在线观看jvid| 欧美中文日本在线观看视频| 亚洲精品在线观看二区| 久9热在线精品视频| 欧美成人午夜精品| 日日干狠狠操夜夜爽| 国产亚洲精品综合一区在线观看 | 精品第一国产精品| 色综合亚洲欧美另类图片| 可以免费在线观看a视频的电影网站| 此物有八面人人有两片| 麻豆国产av国片精品| 在线观看66精品国产| 日日干狠狠操夜夜爽| 欧美 亚洲 国产 日韩一| 成在线人永久免费视频| 一级毛片高清免费大全| 亚洲熟妇中文字幕五十中出| 正在播放国产对白刺激| 国产精品av视频在线免费观看| 精品久久蜜臀av无| 国产三级在线视频| x7x7x7水蜜桃| 久久久久久九九精品二区国产 | 国产精品免费视频内射| 免费观看人在逋| 国产免费男女视频| 叶爱在线成人免费视频播放| 成人精品一区二区免费| 亚洲国产欧美人成| 99精品在免费线老司机午夜| www.999成人在线观看| 久久久久久久久免费视频了| 1024香蕉在线观看| 欧美成人免费av一区二区三区| 国产精品久久久av美女十八| 真人一进一出gif抽搐免费| 精品国产超薄肉色丝袜足j| 给我免费播放毛片高清在线观看| 亚洲欧美精品综合一区二区三区| 亚洲av第一区精品v没综合| 日韩国内少妇激情av| 欧美日韩乱码在线| 一本大道久久a久久精品| 91成年电影在线观看| 男男h啪啪无遮挡| 国产精品日韩av在线免费观看| 亚洲av中文字字幕乱码综合| 色综合站精品国产| 男男h啪啪无遮挡| 亚洲av电影在线进入| 亚洲av片天天在线观看| 视频区欧美日本亚洲| 9191精品国产免费久久| 舔av片在线| 91在线观看av| 久久中文字幕一级| 亚洲一区二区三区不卡视频| 成在线人永久免费视频| 国产精品亚洲美女久久久| а√天堂www在线а√下载| 搞女人的毛片| 成人午夜高清在线视频| 国产精品乱码一区二三区的特点| 亚洲七黄色美女视频| 天天一区二区日本电影三级| 久久久久久久精品吃奶| 免费无遮挡裸体视频| 午夜福利在线观看吧| 亚洲熟女毛片儿| 精品欧美国产一区二区三| 精品电影一区二区在线| 在线观看日韩欧美| 嫩草影视91久久| 成年免费大片在线观看| 亚洲自拍偷在线| 特大巨黑吊av在线直播| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲av片天天在线观看| 90打野战视频偷拍视频| 成人永久免费在线观看视频| 一夜夜www| 国产黄片美女视频| 亚洲精品久久国产高清桃花| 日本黄色视频三级网站网址| 好男人在线观看高清免费视频| 妹子高潮喷水视频| 1024手机看黄色片| 波多野结衣高清无吗| 可以免费在线观看a视频的电影网站| 一级a爱片免费观看的视频| 亚洲成人久久爱视频| 色哟哟哟哟哟哟| 中文字幕精品亚洲无线码一区| 人人妻,人人澡人人爽秒播| 老司机午夜福利在线观看视频| 欧美在线黄色| 国内久久婷婷六月综合欲色啪| 在线免费观看的www视频| 国内精品久久久久精免费| 国产一区二区在线av高清观看| 色综合婷婷激情| 久久精品国产亚洲av高清一级| 亚洲最大成人中文| 最近最新免费中文字幕在线| 欧美三级亚洲精品| 99热6这里只有精品| 亚洲国产看品久久|