BP模型在强度预测中的应用

在分析普通混凝土强度影响因素基础上，选取混凝土配料中7个因素作为输入值，混凝土28d强度作为输出值建立了混凝土强度预测的BP网络模型；讨论模型的学习样本、网络参数对预测精度的影响，从而选出最佳网络参数配置，并提高模型预测精度。     

碾压混凝土坝层面抗剪断强度的人工神经网络与模糊逻辑系统预测

碾压混凝土坝层面抗剪断强度与其影响因素之间是不确定性和非线性的。该文基于人工神经网络与模糊逻辑系统方法对碾压混凝土坝层面抗剪断强度参数进行预测。将水胶比、胶凝材料含量、粉煤灰掺量、层面处理方式、层面间隔时间作为模型输入参数,抗剪断强度参数f′和c′作为输出参数,考虑室内试验和现场原位试验2种不同情况,建立人工神经网络与模糊逻辑系统预测模型。模型训练与测试结果表明:人工神经网络的预测精度优于模糊逻辑系统,室内试验的预测精度优于现场原位试验。人工神经网络与模糊逻辑系统模型预测值与试验值符合情况均较理想,可以作为层面抗剪断强度的预测方法,为混凝土层面结合性能评估提供依据。     

支持向量机在矿渣-粉煤灰混凝土强度预测中的应用

为了更好地预测矿渣-粉煤灰混凝土强度,选择水胶比、取代率、灰渣比、减水剂、砂率和激发剂作为预测参数,建立了矿渣-粉煤灰混凝土强度预测的支持向量机模型。根据有限的学习样本,建立了各种影响因素和混凝土抗压强度之间的一种非线性映射,对矿渣-粉煤灰混凝土强度进行预测。以实际样本数据进行训练,并对测试样本进行了预测。预测结果表明,支持向量机方法有着良好的泛化能力,优于人工神经网络建模方法,为预测混凝土强度提供了一种新的方法。     

神经网络在混凝土强度预测中的应用

通过建立神经网络中使用最广泛的BP网络模型，预测普通混凝土，高强混凝土等多种混凝土强度，模型的预测值与试验数据，传统的鲍罗米经验公式的预测结果进行了比较。研究表明，神经网络方法由于综合考虑了混凝土强度的各种影响因素，能够实现非线性关系，具有较高的预测精度，在混凝土性能预测中具有广阔的应用前景。     

以粒子蜂群神经网络建立高性能混凝土强度模型

以粒子蜂群算法整合神经网络,提出一套可以预测高性能混凝土强度模型的方法论.以两个已经发表的方法进行比较,包括演化运算树及倒传递网络.由模型准确度可知,研究提出的三种不同隐藏层节点的粒子蜂群神经网络模型预测准确度高于演化运算树,但接近倒传递网络.由参数的影响性可知,粒子蜂群神经网络认为水泥、龄期、水、高炉矿渣粉、超塑剂、粉煤灰添加量对于高性能混凝土强度的影响性大,而粗、细骨料用量对高性能混凝土强度并不敏感,这样的结果与实际相符合.     

基于模型的铁焦强度预测及其控制途径分析

为了预测、改善和控制铁焦的强度,通过6个配煤方案、72组炼焦试验,系统地研究了铁矿粉配比w、入炉煤堆积密度d、入炉煤挥发分质量分数w(Vdaf)和粘结指数G对铁焦强度的影响。在此基础上,以上述4个因素为参数建立了铁焦强度的预测模型。该模型揭示了各因素对铁焦强度的影响规律和各因素的适宜值,预测精度较高;根据预测模型分析了控制铁焦强度的途径。     

基于BP神经网络的FRP筋与混凝土界面黏结强度预测

纤维筋增强混凝土材料的界面黏结强度是评价其力学性能的重要指标之一.基于现有文献中的试验数据,建立了292组FRP筋混凝土拉拔试验的数据库,利用人工神经网络对FRP筋与混凝土之间的黏结强度进行预测.数据库被随机分成两个数据集,其中242组数据用于训练,50组数据用于仿真预测.利用反向传播算法训练了一个3层人工神经网络模型,该模型的输入层包括7个参数:FRP筋类型、表面形式、FRP筋直径、锚固长度、破坏模式、混凝土抗压强度和归一化的混凝土保护层厚度.输出层为FRP筋与混凝土界面黏结强度.结果表明,BP神经网络模型具有良好的预测和泛化能力,预测误差较小.该方法能够综合考虑众多FRP筋与混凝土界面黏结强度的影响因素,给出精确的预测结果.     

FRP-混凝土界面粘结强度多变量非线性回归模型

采用文献中的FRP-混凝土粘结单剪试验的355组试验数据,对5个界面粘结强度模型进行了分析评估;对其中的两个界面粘结强度模型进行了修正和重新评估。以剪切试验中的几何参数与粘结材料的力学性能作为自变量,以试验中得到的界面粘结强度为因变量,提出了两种不同参数为独立变量方法回归模型,得到了非线性方程,提出了长度效应系数与宽度效应系数的概念。对实验数据结果及粘结强度模型计算分析表明:理论预测与试验值有不同程度的精确性;FRP粘结长度是影响粘结强度的一个独立变量,给出的非线性模型不仅有更高的精度,且无需另外定义有效粘结长度。长度效应系数可以用来修正未考虑粘贴长度影响的近似解析模型。     

低温钢纤维混凝土强度试验与预测

以不同温度(0℃、-5℃、-10℃、-15℃、-20℃)、不同钢纤维掺量及不同水灰比的钢纤维混凝土的抗压、抗拉、抗折与抗剪强度试验结果,建立以温度、钢纤维掺量以及水灰比作为输入矢量,混凝土预测强度作为输出矢量的网络模型。用人工神经网络分别为抗压强度、抗折强度、抗拉强度及抗剪强度建立了合适的网络模型,输入层和隐含层均采用双曲线正切S型传递函数,输出层采用线性传递函数。网络采用Levenberg-Marquardt算法进行训练,对低温钢纤维混凝土的强度进行了预测,预测的相对误差在0~0.05的范围内波动,各训练总标准差与仿真总标准差均在0.3的范围内,取得了满意的结果,这对低温条件下钢纤维混凝土强度预测有一定实用价值。     

基于神经网络的沥青混合料抗剪强度预估方法

通过采用神经网络工具,探讨沥青混合料的抗剪强度预估方法．通过对比,采用不同输入参数,选定沥青类型、集料类型、空隙率、级配类型、公称粒径、油石比等六个影响因素作为输入参数．引入了误差分级迭代法进行网络学习训练,通过对比常规BP算法和误差分级迭代法,发现后者能有效减轻初始权值和阈值对训练和样本预测的影响,也能较好控制样本预测的误差．因此,建议采用基于误差分级迭代法的BP神经网络方法,预测沥青混合料的抗剪强度．     

基于模糊神经网络的供热负荷预测

首先在对供热负荷预测算法的发展现状主要成果阐述的基础上,对影响供热预测因素采用模糊量化的方式进行研究处理,并由此推断将模糊神经网络算法应用于供热负荷预测可以得到良好的效果.研究模型的设计核心是BP神经网络,即将模糊量化后的影响因素作为系统的输入值,去调整神经网络的权值,从而得到预测的网络模型.建立预测模型和预测策略后,可以采用Matlab科学计算软件开发程序对预测模型效果进行模拟仿真,结果表明,预测的结果能够满足要求,相对误差在合理的范围内,并且模糊神经网络算法比单纯神经网络算法具有更好的预测精度和鲁棒特性,从而达到节能的目的.且适应性强,可以应用到类似的供热工程上.     

神经网络模型在面板坝堆石体施工期沉降变形预测中的应用

在分析面板坝堆石体施工期坝体沉降影响因素的基础上,将影响沉降的主要因素作为网络输入参数,以测点沉降量作为网络的输出,建立了神经网络模型.以水布垭面板坝堆石体为例,将模型预测值与实测结果进行了对比,结果表明,预测值与实测结果比较接近,该神经网络能很好地反映面板坝堆石体施工期沉降变形与其影响因素之间的非线性映射关系,预测结果可作为后期填筑反馈设计的依据,同时可通过网络输入参数的调整检验某一因素对坝体沉降的影响程度.     

露天煤矿边坡稳定性的随机森林预测模型

 边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6 个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30 组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12 组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM 和BP 神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6 个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。     

基于神经网络的公路网规模预测

路网规模研究是公路网规划的重要内容。考虑影响公路网合理规模的多种因素，提出了一种基于BP神经网络的公路网规模预测方法，并建立了模拟路网规模与其影响因素间的非线形关系预测模型。步骤依次为：改进传统的BP算法、合理确定影响因素、建立预测模型、模型的训练与检验、数据预测。预测结果表明，该方法客观、合理，预测精度高，实用性强，具有较强的理论与实际应用价值。     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

京津塘高速公路K131+610段路基沉降预测研究

高速公路施工中,路基沉降对工程质量有着重要的影响。但是影响路基沉降的因素很多,传统的线性预测模型很难将各种影响因素统一表达,BP神经网络模型可以将传统的函数关系式转化为高维的非线性映射,在路基沉降预测中得到广泛应用。以京津塘高速公路K131+610段工程为例,探讨了BP神经网络模型的最佳参数配合。     

基于PSO-SVM的岩石边坡稳定性预测

边坡稳定性与其影响因素之间存在着复杂的非线性关系.结合粒子群优化算法和支持向量机,提出了边坡稳定评价的粒子群优化支持向量机模型.模型采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,利用粒子群算法对支持向量机参数进行全局寻优,从而确保了模型参数的准确性.模型的测试结果显示了良好的精度.将该模型应用到某岩石高边坡中,预测结果与实际情况符合较好,表明该模型在岩石边坡稳定性预测中的可行性和有效性.     

自适应变异粒子群优化BP的短期风电功率预测模型

针对反向传播(BP)神经网络预测模型在风电预测中预测精度低、输入变量多的问题,提出一种基于互信息的自适应变异粒子群优化BP的短期风电功率预测模型.首先,采用互信息筛选出原始数据中与输出功率相关度较大的影响因素,减少冗余信息;然后,引入具有自适应惯性权重系数和变异因子思想的粒子群算法对预测模型进行优化.结果表明:与传统预测模型相比,该预测模型具有收敛速度快、预测精度高等特点.     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

基于改进果蝇的混合小波神经网络交通流预测

为了提高交通流预测精度,提出了一种基于果蝇算法的混合小波神经网络模型.首先,选择果蝇优化算法对小波神经网络的初始参数进行调节,解决了小波神经网络预测对初始参数敏感的问题.其次,将迭代次数和当前解的情况作为搜索半径和种群规模的动态调整因子,对果蝇算法进行了改进,提高了果蝇算法的全局寻优能力和局部收敛速度.最后,鉴于小波神经网络预测误差存在一定的规律性,使用误差补偿法将调参后的小波神经网络与其他模型进行组合,进行二次误差提取.实验证明,所有混合模型均提高了交通流预测的准确度,其中,与随机森林模型的结合预测精度最高.