室内轰燃判据的研究

如果室内火灾在初期得不到有效控制,就很可能发生轰燃,达到全面发展阶段.因此,准确预测轰燃的发生,就显得非常重要.常规的轰燃判据都是从热效应角度,选取几个热参数具体值来确定轰燃的发生标准,有时不足以确保轰燃的发生.在试验基础上确定轰燃发生的判据.     

基于大涡模拟的火源释热率与轰燃时间关系的回归分析

轰燃是一类特殊火灾现象,危害很大。影响轰燃的因素很多,其中火源是重要因素之一。利用FDS5分析了火源释热率对室内轰燃的影响情况,并用SPSS对火源释热率与轰燃时间之间的关系进行了回归分析。     

含新型装饰材料的室内轰燃时间研究

根据火灾动力学理论,建立了含壁面材料相关参数的轰燃前室内火灾温度的预测模型;选择铝塑复合板、PVC装饰板、PE保温装饰板和矿棉吸声板等常用新型装饰材料作为壁面材料,在小规模室内火灾实验箱内研究了轰燃现象;结合理论分析和实验研究结果,得到了轰燃时间的预测公式,并探讨了壁面材料特性对轰燃时间的影响。     

神经网络技术在织机生产状况预测中的应用

为提高织机生产效率,研究了基于优化神经网络的织机生产运转状况预测方法.针对BP网络模型的缺点,在反复实验的基础上对BP网络参数、算法进行改进,建立了织机生产运转状况预测模型,并与传统的BP神经网络预测方法进行比较.实验结果表明,利用改进的BP神经网络预测织机生产运转状况时,网络收敛速度快,预测精度高,优于传统的BP网络...     

BP神经网络在围岩变形预测中的应用

利用神经网络，建立了围岩变形预测的BP神经网络模型，采用围岩变形的实测数据对网络进行了训练，以此训练好的BP神经网络对围岩变形进行了预测。预测结果表明，该模型具有很高的预测精度，为预测围岩变形提供了一种新的方法。     

基于概率神经网络的产品质量预测方法研究

对通过正交试验法采集样本数据、采用概率神经网络（PNN）对产品质量进行预测的方法进行研究．并将预测结果与反向传播神经网络（BP）预测结果进行比较。结果表明，在利用正交试验法采集的训练样本数据分别训练PNN和BP网络后发现，概率神经网络的预测准确度远远大于反向传播神经网络，显示了概率神经网络在模式识别领域的优势。     

人工神经网络预测高炉铁水硅含量

提出了BP神经网络预测高炉铁水硅含量的几种网络优化方法，指出了神经网络预测硅含量的可行性与局限性。     

应用级联神经网络预测供热锅炉次日小时热负荷的初步研究

通过对供热锅炉房热负荷的分析，建立了基于两个BP网络的级联神经网络(CNN)。相关性分析表明，可将时间序列负荷数据作纵横向分离，横向相关系列负荷可作为CNN前一BP子网络的输入数据，纵向相关系列负荷可作为CNN后一BP子网络的输入数据。前一BP子网络用于小时负荷的初始预测，其预测结果加入后一BP子网络的输入系列，实现对负荷的精确预测。按照此模型，建立了某一印染厂锅炉房次日小时蒸汽负荷的CNN预测模型。程序运行结果表明该模型在预测时足够准确可靠。     

基于BP神经网络的机场旅客吞吐量预测

利用BP神经网络对非线性系统的函数所具有的以任意精度逼近的良好特性,设计了具有成都双流国际机场特点的、低成本的机场旅客吞吐量的BP神经网络预测模型,经过BP网络预测软件运行检验,证明在该机场应用BP网络预测方法不仅可行,而且有更好的预测精度。     

木块在小尺寸轰燃实验中的点燃及预测模型

利用小尺寸轰燃实验台对松木和杉木的点燃性能进行了研究。该实验台能够提供接近实际火灾的燃烧环境，实验具有较好的可重复性。在锥形量热计实验的基础上提出了一种新的材料热辐射引燃判据。采用实验测得的轰燃实验台上层热烟气温度的平均值，结合热辐射引燃判据计算了木材在轰燃实验台中的点燃情况。     

基于BP神经网络和模糊逻辑的绝缘子污秽等级预测

针对复杂地理环境下的绝缘子污闪问题,提出一种基于BP人工神经网络和模糊逻辑补偿的绝缘子污秽等级预测新方法.该方法首先利用BP神经网络预测在温度、湿度、降雨量、风速等基本因素下绝缘子的污秽等级,然后充分考虑与复杂地理位置相关的海拔高度、气压比、覆冰水电导率等因素对绝缘子污秽度的影响,采用模糊逻辑补偿的方法进行校正.算例结果表明方法的正确性和有效性.     

预变形Cu本构关系的神经网络模型和Z-A模型

利用Split-Hopkinson bar装置上所得到的变形数据，研究了冲击预变形铜的神经网络本构关系模型以及Zerrrlli-Axmstrong本构关系模型，比较了两种模型对冲击预变形铜在不同热力学状态下流变应力的预测精度．研究表明：神经网络模型的总的拟合度为0．9％，而Zerrilli-Armstrong模型的拟合度为8％；Zerrilli-Armstrong模型相对于神经网络模型精度较低，是由于物理模型把材料内部某些动态变量作为常数处理，而神经网络模型建模训练时已经包含了这些动态变化的因素；通过增加神经网络输入节点数可以扩大神经网络模型的应用范围。     

基坑变形灰色人工神经网络预测模型及其应用

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比GM(1,1)预测模型小;与BP预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与BP预测相结合的方法进行预测。     

神经网络在金属大气腐蚀率预测中的应用

根据我国大气腐蚀网站积累的环境数据和材料腐蚀数据，采用人工神经网络方法，建立了碳钢及低合金钢在大气条件下，腐蚀率与金属腐蚀暴露时间对应关系的预测模型。结果表明：在相同的大气环境下不同的金属存在着不同的网络；相同金属在不同的大气环境下存在着不同网络；BP算法的形式要根据实际情况而定。     

利用神经网络预测开采引起地表沉陷

本文将人工智能中的神经元网络理论引入开采沉陷学领域．用以预测矿山开采引起的岩层与地表移动．利用神经网络对已知样本进行学习．初步探索出一条新的用来预测矿山开采沉陷的理论方法。     

基于模糊感知器的路面性能预测方法

利用模糊感知器人工神经元网络尝试建立一个智能型路面性能预测模型，对神经网络原理和模型结构进行了系统的理论分析，给出了详细的算法，并以平整度历年调查资料为数据基础，对该模型进行了实例分析，证明了模型的理论与实际运用的可行性。该方法利用神经网络与模糊方法各自的优点，针对不同性能指标，建立对应的神经网络预测模型，来对今后的指标值进行预测，较好地解决了路面性能预测中的模糊性和不确定性。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于人工神经网络的中厚板精轧机轧制力预报

采用人工神经网络方法,以生产实测数据为基础,建立了高精度的中厚板精轧机轧制力预报模型。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型,并基于正交试验获得的训练样本对网络进行学习,以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础,用蚁群算法来学习神经网络的权系数。利用反演结果,建立快速拉格朗日快速计算法(FLAC)模型,对地表沉陷进行预测。结果表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

结合人工神经网络的冷凝器稳态分布参数模型

为了克服由于实际装置的复杂性及生产工艺的差异对冷凝器稳态仿真精度的影响 ,提高冷凝器仿真模型的通用性和准确性 ,提出了冷凝器基本模型结合人工神经网络的仿真思路 .以相区划分和制冷剂出口焓值迭代为基础 ,提出了一种稳定的逆流型冷凝器仿真分布参数模型和算法 ,建立了冷凝器仿真的基本模型 .其计算结果与实验数据的变化趋势一致 ,能够在定性上反映实际物理过程的基本特性 .通过对部分实验数据的学习 ,进一步建立了与基本模型相结合的人工神经网络 .利用其非线性映射能力进行模型修正 ,显著提高了冷凝器的仿真精度 ,从而为同时提高冷凝器仿真的通用性和准确性提供了一种有效的工程应用方法