Analiza skurczu betonu za pomocÄ… sieci neuronowej RBF
XLVIII KONFERENCJA NAUKOWA KOMITETU INÅ»YNIERII LDOWEJ I WODNEJ PAN I KOMITETU NAUKI PZITB Opole Krynica 2002 Anna URBACSKA1 WiesÅ‚aw LIG ZA2 Zenon WASZCZYSZYN3 ANALIZA SKURCZU BETONU ZA POMOC SIECI NEURONOWEJ RBF 1. Wprowadzenie Mechanizm powstawania skurczu betonu jest przedmiotem licznych prac badawczych i teoretycznych. Na jego wielkość majÄ… wpÅ‚yw m.in.: cement jego skÅ‚ad chemiczny, stopieÅ„ hydratacji, ilość (cement/piasek, cement/żwir), stosunek w/c, zawartość kruszy- wa kruszywo drobne/grube, wilgotność wzglÄ™dna powietrza i temperatura, wymiary i ksztaÅ‚t elementu, domieszki stosowane do betonów. Praktycznym podsumowaniem do- tychczasowego dorobku nauki w zakresie reologii betonu jest norma europejska EC-2 [1]. Rozwój odksztaÅ‚ceÅ„ skurczowych betonu, wedÅ‚ug zależnoÅ›ci podanej przez EC-2, jest prognozowany z uwzglÄ™dnieniem nastÄ™pujÄ…cych parametrów: rodzaju cementu (S, R, RS) współczynnik ²sc, wytrzymaÅ‚oÅ›ci betonu, wskaznikowego wymiaru elementu, wilgotnoÅ›ci wzglÄ™dnej otaczajÄ…cego powietrza i temperatury. WpÅ‚yw pozostaÅ‚ych wyżej wymienionych czynników jest aproksymowany w dobranej funkcji przez współczynniki liczbowe. Zależność wedÅ‚ug EC-2 zostaÅ‚a wykalibrowana na podstawie skomputeryzo- wanego banku danych z różnych laboratoriów, gdzie Å›rednia wartość współczynnika zmiennoÅ›ci przewidywanego skurczu wynosi 35 %, a odpowiadajÄ…ce wartoÅ›ci dla prze- działów ufnoÅ›ci 10% i 5% wynoszÄ… odpowiednio: µcs,0,10 = 0.55µcs i µcs,0,90 = 1.45µcs oraz µcs,0,10 = 0.42µcs i µcs,0,90 = 1.58µcs. Dotychczas nie ma żadnego modelu, który byÅ‚by powszechnie akceptowany przez wszystkich badaczy. W wielu pracach autorzy prezentujÄ… nawet odmienne poglÄ…dy. AnalizÄ™ kilkunastu modeli rozwoju skurczu betonu [2-7], uwypuklajÄ…cÄ… te różnice, przedstawiono miÄ™dzy innymi w pracy [8]. W dalszym ciÄ…gu można mówić jedynie o istniejÄ…cym consensu- sie w grupach organizacji miÄ™dzynarodowych, na przykÅ‚ad ACI, CEB. Należy jednak zwró- cić uwagÄ™ na to, że rozwój skurczu betonu aproksymowany wedÅ‚ug tych modeli również 1 Mgr inż., WydziaÅ‚ Inżynierii LÄ…dowej i Åšrodowiska Uniwersytetu Zielonogórskiego, 2 Dr hab. inż., Instytut Materiałów i Konstrukcji Budowlanych, WydziaÅ‚ Inżynierii LÄ…dowej Politechniki Krakowskiej, 3 Prof. dr hab. inż., Instytut Metod Komputerowych w Inżynierii LÄ…dowej Politechniki Krakowskiej. 80 wykazuje istotne różnice [9]. Na przykÅ‚ad odksztaÅ‚cenia skurczowe prognozowane wedÅ‚ug EC-2 wzrastajÄ… wolniej niż odksztaÅ‚cenia przewidywane przez ACI i BEPEL. Różnice po- miÄ™dzy obliczonymi wartoÅ›ciami skurczu w czasie zwiÄ™kszajÄ… siÄ™ jeszcze bardziej, gdy ele- ment staje siÄ™ bardziej masywny (wzrasta wskaznik ho). Nowe możliwoÅ›ci badawcze otwierajÄ… tzw. miÄ™kkie metody analizy, w tym sztuczne sieci neuronowe [10]. W referacie przedstawiono pierwszÄ… próbÄ™ aproksymacji neuronowej za pomocÄ… sieci RBF (Radial Basis Function RBF), rozwoju w czasie skurczu betonu, na podstawie banku danych opisanego w pracy [8]. Oparto siÄ™ na wynikach badania skurczu elementów tarczowych, wykonanych z betonu A o wytrzymaÅ‚oÅ›ci fcm = 13.7 MPa, dla trzech cech majÄ…cych wpÅ‚yw na rozwój skurczu betonu, tj. biorÄ…c pod uwagÄ™ wiek, wilgotność wzglÄ™dnÄ… i temperaturÄ™ otaczajÄ…cego powietrza. 2. Opis badaÅ„ doÅ›wiadczalnych AnalizÄ™ skurczu betonu przedstawiono na podstawie wyników badaÅ„ przeprowadzonych na Politechnice Krakowskiej [8]. Do analizy przyjÄ™to wyniki badania elementów jednej serii (A01) wykonanych z betonu o Å›redniej wytrzymaÅ‚oÅ›ci fcm =13.7 MPa rys. 1. Elementami badawczymi byÅ‚y jednorodne tarcze o wymiarach 600×600×100 mm. OdksztaÅ‚cenia skurczu swobodnego dla 9 elementów byÅ‚y mierzone w warunkach wszechstronnego wysychania, a zmiany klimatyczne (wilgotność i temperatura) byÅ‚y rejestrowane w dniu wykonywania pomiarów (rys. 2). Czas badania byÅ‚ zróżnicowany i wynosiÅ‚: 400-435 dni dla 5 elementów (E-10, E-12, E-31-E33), 672 dni dla 2 elementów (E-4, E-5) i 1028-1030 dni dla 2 elemen- tów (E-6, E-11). W tym artykule przyjÄ™to do analizy wyniki badania skurczu betonu w okre- sie do 435 dni. AÄ…cznie zgromadzono wyniki 3753 pomiarów. 0.9 100 RH [%] 90 0.8 80 0.7 70 0.6 60 0.5 50 0.4 40 0.3 30 0.2 20 0.1 10 T [*C] 0 0 0 90 180 270 360 450 0 90 180 270 360 450 wiek [dni] wiek [dni] Rys. 1. Wyniki pomiarów odksztaÅ‚ceÅ„ Rys. 2. Zmiany wilgotnoÅ›ci i temperatury skurczowych w tarczach podczas badaÅ„ doÅ›wiadczalnych Wskaznik zmiennoÅ›ci pomierzonych odksztaÅ‚ceÅ„ byÅ‚ znacznie wiÄ™kszy od 20% w przedziale czasu t < 20 dni, natomiast dla t > 20 dni wynosiÅ‚ poniżej 10%. WiÄ™ksza wartość wskaznika zmiennoÅ›ci w poczÄ…tkowym okresie jest zwiÄ…zana z maÅ‚Ä… wartoÅ›ciÄ… zmiennych odksztaÅ‚ceÅ„ w stosunku do dokÅ‚adnoÅ›ci stosowanego do pomiarów tensometru nasadowego. Korelacja pomiÄ™dzy Å›rednim odksztaÅ‚ceniem skurczowym a wartoÅ›ciami uzyskanymi z obli- skurcz betonu [%] zmiany wilgotnoÅ› ci i temperatur [%, *C] 81 czeÅ„ wedÅ‚ug zależnoÅ›ci EC-2, dla skorygowanego współczynnika ²sc = 9, jest bardzo silna (R = 0.974). Wszystkie wartoÅ›ci pomierzonych odksztaÅ‚ceÅ„ mieszczÄ… siÄ™ praktycznie w obwiedni wyznaczonej z zależnoÅ›ci EC-2 dla statystycznie skrajnych wartoÅ›ci wilgotnoÅ›ci wzglÄ™dnej: RH = 66.2 Ä… 8.2%, wskaznik zmiennoÅ›ci ½ = 12.4%. Tylko w poczÄ…tkowym okresie do okoÅ‚o 150 dni, pomierzone wartoÅ›ci odksztaÅ‚ceÅ„ sÄ… wiÄ™ksze niż obliczone wedÅ‚ug EC-2. 3. Zastosowanie sieci RBF Do analizy skurczu betonu zastosowano radialne sieci neuronowe RBF [10]. Jako skÅ‚adowe wektora wejÅ›cia przyjÄ™to trzy zmienne mierzone podczas doÅ›wiadczeÅ„: x = {x1 , x2 , x3} , (1) gdzie: x1 - wiek betonu, x2 i x3 - wilgotność wzglÄ™dna i temperatura w komorze, w której byÅ‚y przechowywane badane elementy. Pomierzone wartoÅ›ci tych zmiennych zostaÅ‚y prze- skalowane do przedziaÅ‚u [0.1, 0.9]. Wektorem wyjÅ›ciowym byÅ‚ skurcz betonu: y = e , (2) W neuronach warstwy ukrytej jako funkcjÄ™ aktywacji przyjÄ™to gaussowskie funkcje radialne, których kombinacja liniowa jest aproksymacjÄ… funkcji wyjÅ›cia F(x): 2 K ëÅ‚ x - ci öÅ‚ , ÷Å‚ (3) F(x) = expìÅ‚- "Wi 2 ìÅ‚ ÷Å‚ 2à i =1 i íÅ‚ Å‚Å‚ 2 gdzie ci - wektor wartoÅ›ci Å›rednich (centrów), à - wariancja, Wi - wagi (współczynniki i kombinacji liniowej funkcji bazowych), K - liczba funkcji bazowych. Zbiór P = 3753 wzorców podzielono na część uczÄ…cÄ… zawierajÄ…cÄ… L = 2253 wzorców i część testujÄ…cÄ… o liczebnoÅ›ci T = 1500 wzorców. Do symulacji komputerowej sieci RBF posÅ‚użono siÄ™ pakietem MATLAB Neural Network Toolbox [11]. LiczbÄ™ K = 35 funkcji RFB obliczono podczas procesu projektowania (walidacji) sieci dla wartoÅ›ci parametru spread sp = 1. Po wielu doÅ›wiadczeniach numerycznych przyjÄ™to sieć RBF ze wzglÄ™du na najlepsze zdolnoÅ›ci uogólniajÄ…ce w porównaniu do innych sieci neuronowych (Rprop, ANFIS), które daÅ‚y gorszÄ… generalizacjÄ™ [12]. 4. Wyniki pracy sieci RBF Zbieżność procesu iteracji sieci byÅ‚a mierzona za pomocÄ… pierwiastka z bÅ‚Ä™du Å›redniokwadratowego RMSEV. Obliczano też bÅ‚Ä™dy wzglÄ™dne, tj. bÅ‚Ä…d Å›redni eavrV oraz bÅ‚Ä…d maksymalny emaxV, odpowiednio dla zbiorów uczÄ…cych i testujÄ…cych o liczebnoÅ›ci wzorców V = L = 2253 oraz V = T = 1500: V 3 1 2 1/ 2 RMSEV = dla V = L, T . (4) [ (ti( p) - yi( p)) ] " " V p=1 i=1 V (p) 1 ( ( ( p) eavrV = emaxV = max ei , dla , (5) ei p ) = ti( p ) / yi p ) - 1 Å" 100% , "ei V p=1 82 gdzie: ti( p) dane doÅ›wiadczalne, yi( p) wartoÅ›ci obliczone sieciÄ… RBF. Na rys. 3 przedstawiono porównanie badaÅ„ doÅ›wiadczalnych skurczu betonu z pra- cÄ… sieci RBF dla uczenia i testowania wiÄ™kszość wyników mieÅ›ci siÄ™ w 20% stożku bÅ‚Ä™dów. Rys. 4 przedstawia histogram i dystrybuantÄ™ liczebnoÅ›ci próbek w poszczegól- nych przedziaÅ‚ach bÅ‚Ä™dów dla sieci RBF ponad 90% próbek zawiera siÄ™ w 15% prze- dziale bÅ‚Ä™dów. Å› Å› Rys. 3. Porównanie wyników pomierzonych odksztaÅ‚ceÅ„ skurczowych z pracÄ… sieci RBF dla: a) uczenia, b) testowania 2100 1994 100% dystrybuanta 1800 80% 90.86% 1500 60% 1200 1033 900 40% histogram 383 600 165 20% 88 300 38 36 12 3 1 0 0 0 0 0% 5 10 15 20 25 30 35 40 45 50 55 60 More procentowy przedziaÅ‚ bÅ‚Ä™dów Rys. 4. Histogram i dystrybuanta liczebnoÅ›ci próbek w poszczególnych przedziaÅ‚ach bÅ‚Ä™dów dla sieci RBF W tabl. 1 podano bÅ‚Ä™dy dla procesów uczenia i testowania sieci, a wiÄ™c dla zbiorów uczÄ…cego i testujÄ…cego, odpowiednio o liczebnoÅ›ci V = L i V = T. Oprócz bÅ‚Ä™dów wzglÄ™d- nych eavrV i emaxV podano też współczynnik korelacji rP miÄ™dzy elementami peÅ‚nego zbioru o liczebnoÅ›ci P = L + T. W tablicy 2 podano charakterystyki statystyczne dla zbiorów uczÄ…cego i testujÄ…cego. Tablica 1. Wyniki bÅ‚Ä™dów dla sieci RBF BADY WZGLDNE [%] RMSEV SIEĆ Å›redni max Å›redni max współczynnik RADIALNA korelacji uczenie test uczenie testowanie rP eavrL emaxL eavrt emax RMSEL RMSET 6.2 46.8 6.6 41.1 0.991 0.0308 0.0323 predykcji lic z b a p rób e k procent trafionych 83 Tablica 2. Charakterystyki statystyczne dla zbioru uczÄ…cego i testujÄ…cego Sieć wartość Å›rednia wariancja odchylenie stand. bÅ‚Ä…d standardowy RBF sieć badania sieć badania sieć badania sieć badania uczenie 0.4537 0.4537 0.0559 0.0569 0.2365 0.2385 0.0061 0.0062 test 0.447 0.4443 0.0559 0.0558 0.2365 0.2363 0.005 0.005 5. Dyskusja wyników predykcji sieci RBF na tle EC-2 Porównanie wyników pracy sieci RBF z obliczeniami wedÅ‚ug EC-2 zostanie przeprowadzo- ne dla Å›rednich odksztaÅ‚ceÅ„ skurczowych na przykÅ‚adzie dwóch elementów (E-6 i E-31). Na rys. 5 pokazano porównanie wyników doÅ›wiadczalnych dla tarczy E-6 z obliczonymi za pomocÄ… sieci RBF i wedÅ‚ug EC-2 dla czterech przypadków: 1) sieć RBF dla RH zmiennego jak na rys. 6b, 2) sieć RBF dla Å›redniej wartoÅ›ci RH = 64.4 %, 3) wedÅ‚ug EC-2 dla RH zmiennego, 4) wedÅ‚ug EC-2 dla Å›redniej wartoÅ›ci RH = 64.4 %. 1 b) 1 a) 20% 20% 0.8 0.8 20% 0.6 0.6 20% 0.4 0.4 0.2 0.2 0 0 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 skurcz Å›redni z badaÅ„ skurcz Å›redni z badaÅ„ 1 d) 1 c) 20% 20% 0.8 0.8 20% 0.6 0.6 20% 0.4 0.4 0.2 0.2 0 0 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 skurcz Å›redni z badaÅ„ skurcz Å›redni z badaÅ„ Rys. 5. Porównanie wyników doÅ›wiadczalnych skurczu Å›redniego (tarcza E-6) dla czterech przypadków obliczania skurczu: a) sieć RBF dla RH zmiennego jak na rysunku 6b, b) wedÅ‚ug EC-2 dla RH zmiennego, c) sieć RBF dla Å›redniej wartoÅ›ci RH = 64.4 %, d) wedÅ‚ug EC-2 dla Å›redniej wartoÅ›ci RH = 64.4 % Predykcje skurczu dla tarcz E-6 i E-31 w czasie 435 dni, dla czterech wyżej wymienio- nych przypadków, przedstawiono rysunkach 6a i 6c. Rysunki 6b i 6d ilustrujÄ… odpowiednio skurcz Å› redni obliczony przez EC skurcz Å› redni obliczony sieciÄ… RBF skurcz Å› redni obliczony przez EC skurcz Å› redni obliczony sieciÄ… RBF 84 przebieg zmian klimatycznych w czasie badaÅ„. Zwraca uwagÄ™ prawie staÅ‚a temperatura T H" 20 °C oraz zmiany wilgotnoÅ›ci w zakresie RH " (55%, 80%) przy wartoÅ›ci Å›redniej dla wszystkich uÅ›rednionych pomiarów RH H" 65.5% i RH H" 64.4%. Obliczenia wykonane za pomocÄ… sieci RBF dajÄ… wyniki bardzo bliskie wartoÅ›ciom po- mierzonego skurczu. Jednak przyjmujÄ…c uÅ›rednionÄ… wartość wilgotnoÅ›ci RH wyniki z sieci odbiegajÄ… od wartoÅ›ci pomierzonych. Bardziej stabilne wyniki otrzymano w obliczeniach wykonanych wedÅ‚ug EC-2. Wyniki dla zmiennej jak też ustalonej wilgotnoÅ›ci sÄ… bliskie sobie. Wykresy pokazane na rysunkach 6b i 6d potwierdzajÄ… wiÄ™kszÄ… wrażliwość predykcji neuronowej na zmiany wilgotnoÅ›ci. 1.0 a) 0.8 0.6 0.4 EC RHÅ›r=65.5% EC RH zmienne badania 0.2 RBF RH zmienne RBF RHÅ›r=65.5% 0.0 0 50 100 150 200 250 300 350 400 450 wiek [dni] Rys. 6a. Wyniki pracy sieci RBF oraz EC-2 dla Å›redniej i zmiennej wilgotnoÅ›ci na tle badaÅ„ skurczu Å›redniego tarczy E-6 100 b) RH [%] 80 60 40 20 T [°C] 0 0 50 100 150 200 250 300 350 400 450 wiek [dni] Rys. 6b. Zmiany klimatyczne (wilgotnoÅ›ci RH i temperatury) podczas badaÅ„ doÅ›wiadczalnych tarczy E-6 c) 1.0 0.8 0.6 0.4 EC RHÅ›r=64.4% EC RH zmienne badania 0.2 RBF RH zmienne RBF RHÅ›r=64.4% 0.0 0 50 100 150 200 250 300 350 400 450 wiek [dni] Rys. 6c. Wyniki pracy sieci RBF oraz EC-2 dla Å›redniej i zmiennej wilgotnoÅ›ci na tle badaÅ„ skurczu Å›redniego tarczy E-31 nr 6 [0 ] Å› redni skurcz dla tarczy temperatur zmiany wilgotnoÅ› ci i nr 31[0 ] Å› redni skurcz dla tarczy 85 d) 100 80 RH [%] 60 40 20 T [°C] 0 0 50 100 150 200 250 300 350 400 450 wiek [dni] Rys. 6d. Zmiany klimatyczne (wilgotnoÅ›ci RH i temperatury) podczas badaÅ„ doÅ›wiadczalnych tarczy E-6 6. Uwagi koÅ„cowe i wnioski Referat jest pierwszÄ… próbÄ… zastosowania sztucznych sieci neuronowych do analizy skurczu beto- nu. NawiÄ…zujÄ…c do wykonanej analizy numerycznej należy wypowiedzieć nastÄ™pujÄ…ce uwagi: a) Z bogatego materiaÅ‚u doÅ›wiadczalnego zebranego w pracy [8] wybrano wyniki doty- czÄ…ce skurczu tylko elementów tarczowych o jednakowym wskazniku wymiarowym ho, wykonanych z betonu A o jednakowej wytrzymaÅ‚oÅ›ci. W ten sposób porównania i wnioski sÄ… spójne, gdyż opierajÄ… siÄ™ na konsystentnym zbiorze wyników. b) W pracy [12] poÅ‚Ä…czono wyniki doÅ›wiadczeÅ„ otrzymanych dla tarcz A o wytrzyma- Å‚oÅ›ci fcm =13.7 MPa z wynikami dla tarcz B o wytrzymaÅ‚oÅ›ci fcm =26.3 MPa, gdyż oblicze- nia za pomocÄ… EC nie dawaÅ‚y zbyt dużych różnic wartoÅ›ci skurczu dla tych betonów. Otrzymano w ten sposób niekonsystetny lecz znacznie liczniejszy zbiór, na którym spraw- dzono możliwoÅ›ci generalizacji różnych typów sieci neuronowych. DziÄ™ki takiemu podejÅ›ciu stwierdzono, że do dalszej analizy najbardziej przydatne sÄ… sieci RBF. c) Predykcja neuronowa skurczu opiera siÄ™ na modelowaniu niejawnym. Oznacza to, że posÅ‚ugujemy siÄ™ jedynie wynikami doÅ›wiadczeÅ„. Takie modelowanie nie wymaga przyjmo- wania żadnego modelu funkcyjnego, który prowadzi do kalibrowania parametrów. Wykonana analiza numeryczna pozwala przedstawić nastÄ™pujÄ…ce wnioski: 1. Sieć RBF nauczona na wynikach doÅ›wiadczalnych daje wyniki bliskie Å›rednim warto- Å›ciom pomiarowym. 2. Porównanie wyników otrzymanych za pomocÄ… sieci RBF i wedÅ‚ug EC-2 wskazuje na ogół dobrÄ… ich zgodność. Wyniki predykcji neuronowej sÄ… bliższe wyników pomiarów w poczÄ…tkowym okresie peÅ‚zania ( do ok. 50 dni). 3. Predykcja neuronowa jest bardziej wrażliwa na zmiany wilgotnoÅ›ci niż wyniki otrzy- mane wg EC. 4. Stosowanie sieci otwiera nowe możliwoÅ›ci w przewidywaniu skurczu betonu o róż- nych parametrach mechanicznych w otoczeniu Å›rodowiska o różnych parametrach klima- tycznych. Wymaga to jednak rozszerzenia analizy na obszerniejsze zbiory danych: badania skurczu betonu o różnej wytrzymaÅ‚oÅ›ci, badania na elementach o różnym wskazniku wymia- rów elementu ho, badania o zróżnicowanej wilgotnoÅ›ci wzglÄ™dnej powietrza RH. Literatura [1] ENV 1992-1-1: 1992, Eurocode 2, Design of concrete structures, Part 1: General rules and rules for buildings. [2] BA%7Å„ANT Z. P., BAWEJA S., Creep and Shrinkage Revisited. Discussion Paper by N. J. Gardner and J.W. Zhao, 90-M26/From the May-June 1993 ACI Materials Journal. ACI Materials Journal, Vol. 91, No. 2, March-April 1994, 204-216. i temperatur zmiany wilgotnoÅ› ci 86 [3] BA%7Å„ANT Z. P., KIM J. K., WITTMANN F. H., ALOU F., Statistical Extrapolation of Shrinkage Data Part II: Bayesian Updating. ACI Materials Journal, Vol. 84, No. 2, March-April 1987, 83-91. [4] BA%7Å„ANT Z. P., WITTMANN F. H., KIM J. K., ALOU F., Statistical Extrapolation of Shrinkage Data Part I: Regression. ACI Materials Journal, Vol. 84, No. 1, January- February 1987, 20-34. [5] GARDNER N. J., ZHAO J. W., Creep and Shrinkage Revisited. ACI Materials Journal, Vol. 90, No. 3, May-June 1993, 236-246. [6] SAKATA K., Prediction of Concrete Creep and Shrinkage, [in:] Ba~ant Z. P., Carol I. (eds.): Creep and Shrinkage of Concrete. Proc. of the 5th International RILEM Sympo- sium. Barcelona, September 1993, 649-654. [7] McDONALD D. B., ROPER H., Accuracy of Prediction Models for Shrinkage of Con- crete. ACI Materials Journal, Vol. 90, No. 3, May-June, 1993, 265-271. [8] LIG ZA W., Redystrybucja siÅ‚ wewnÄ™trznych we wzmacnianych betonowych elemen- tach tarczowych. Monografia 277. Seria Inżynieria LÄ…dowa. Wydawnictwa Politechniki Krakowskiej, Kraków 2000. [9] DESTREBECQ J. F., Rheology of concrete building materials according to Eurocode 2, in: Dyduch K., Muzeau J.-P. (eds.): Selected desing problems of concrete structures ac- cording to Eurocode 2, Conference on Eurocode 2, Cracow University of Technology 1994, 23-37. [10] WASZCZYSZYN Z., (ed.), Neural Networks in the Analysis and Design of Structures, CISM Courses and Lectures No.404, Wien - New York, Springer, 1999. [11] DEMUTH H., BEALE M., Neural Network Toolbox for Use with MATLAB, User's Guide, The Math Works Inc., 1998. [12] URBACSKA A., WASZCZYSZYN Z., Neural Networks in the Analysis of Concrete Shrinkage Strains, Proc. 6th Intern. Conf. on Neural Networks and Soft Computing, Zakopane, 11-15.06.2002, (w druku). THE ANALYSIS OF CONCRETE SHRINKAGE WITH THE USE OF A RADIAL BASIS FUNCTION NEURAL NETWORK Summary A Radial Basis Function (RBF) neural network with three inputs (time in days, humidity, temperature) is applied to the analysis of concrete shrinkage strains. The training and testing of the network were carried out on the base of results of laboratory tests on a group of con- crete plates . The neural prediction is very close to the average shrinkage measurements and corresponds quite well to the Eurocode 2 estimation. The RBF network gives lower values of strains up to the first 50 days and neurocomputing is more sensitive to the humidity changes than EC2 predictions.