边坡岩体力学参数反分析方法

为了提高数值计算结果的可靠度,基于正交设计、差分法和人工神经网络建立了新的边坡岩体力学参数反分析方法. 按照正交设计要求,选定反演参数的水平,确定数值模拟方案;用FLAC2D差分程序计算得出相应的神经网络分析样本;对RBF神经网络进行训练;利用现场监测位移,对某露天矿边坡岩体的力学参数进行神经网络反分析. 反分析结果与理论值的误差很小,满足精度要求,表明该反分析方法的可行性和精确性.     

边坡变形时序分析的进化-自适应神经模糊推理模型

变形监测与预报是保证边坡工程施工安全与工程质量的重要措施,但由于位移时间序列的强非线性,边坡变形预报成为非常困难的问题.自适应模糊神经推理系统(ANFIS)有优越的学习和泛化性能,而遗传算法(GA)是优秀的全局优化工具.采用遗传算法优化ANFIS参数,并编制了相应的计算程序.结合三峡工程永久船闸施工变形监测和新滩滑坡变形监测,建立了边坡变形时序分析的GA-ANFIS智能模型.为了对比该模型的预测精度,采用GA优化支持向量回归(SVR)和BP神经网络的模型参数,编制了GA-SVR及GA-BP程序,对相同的算例进行了变形预测分析.按滚动预测法对三峡永久船闸高边坡和新滩滑坡的计算结果表明,文中提出的GA-ANFIS模型能够获得比GA-SVR和GA-BP模型更高的预测精度,可以应用于边坡工程变形监测预报分析,并为类似工程提供参考.     

基于自组织神经网络与遗传算法的边坡稳定性分析方法

将自组织(SOM)神经网络、误差反馈(BP)神经网络和遗传算法(GA)三者结合起来,应用于边坡稳定性分析中.首先推导了基于高斯函数的SOM神经网络过程简化权值求解公式,并采用SOM神经网络对收集到的边坡样本进行归类,降低了学习样本的噪声;然后设计了适用于边坡工程的神经网络结构编码模式;再将GA用于优化BP神经网络结构;最后对优化后的BP神经网络进行了计算.计算结果证明,优化后的BP神经网络在安全系数的拟合以及样本的误差分布方面均有明显的改善.同时,通过与其他类型的神经网络相比较,优化后的BP神经网络准确度较高,用于计算边坡的安全系数误差较小.     

基于信息扩散和BP网络的黄土边坡稳定性分析

目的探讨基于信息扩散原理的BP神经网络的黄土边坡稳定性评价模型。方法收集黄土地区24组黄土边坡实例,采用模糊信息优化处理中的信息扩散原理,建立各评价因子与安全系数之间的模糊关系,并在此基础上建立与BP神经网络相结合的评价模型。结果建立的评价模型对4组预测样本的预测结果,效果良好,较好地解决了样本过少或含有矛盾样本的问题。结论该模型在黄土边坡稳定性评价中比普通神经网络具有更高的实用性和有效性。     

基于神经网络的多参数露天边坡稳定性分析

针对分析露天边坡稳定性的参数的不确定性和不完备性,精确分析方法在表达边坡系统各组成部分之间的非线性关系上有其局限性问题,依据神经网络建立的数学模型,采用神经网络的学习方法,对露天边坡进行稳定性评价。计算结果表明:边坡实际状态和预测结果十分相近,因此运用神经网络模型评价黄土地区边坡的稳定性有较好的适用性,该方法对露天边坡稳定性预测预报具有重要的理论意义和实用价值.     

基于BP神经网络理论的注浆材料模型研究

以某矿现场注浆材料正交试验数据为训练样本,以注浆材料结石体28d强度为考核指标,建立BP神经网络预测模型,样本训练结果与BP神经网络模型预测结果拟合度均高于99%。选取矿山具有代表性的材料配合比实测结果与模型预测结果进行对比,结果表明:BP神经网络模型预测结果与实际结果具有较高的吻合度,能够进行注浆材料的28d强度预测。这对于快速确定注浆参数,实现突水灾害治理具有重要意义。     

基于PSO和SVM的矿区地表下沉系数预测

研究并建立矿区地表下沉系数的智能预测模型.将粒子群优化(PSO)和回归支持向量机(SVM)方法进行融合.采用PSO算法优化SVM回归估计参数,在简要分析影响地表下沉因素的基础上,建立了基于PSO优化参数的SVM(PSO-SVM)矿区地表下沉系数智能预测模型.以我国典型的地表移动观测站资料作为学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP神经网络算法的预测结果进行了比较.结果表明:PSO-SVM方法计算地表下沉系数是可行的,收敛速度更快,计算精度更高.为地表下沉系数的计算探索了一种可行的方法.     

基于模糊控制的人工神经网络模拟在土质边坡安全预测中的应用

从最优化角度出发,用神经网络解决模糊控制系统的规则提取问题,给出可靠的基于BP算法的可靠神经网络模拟过程,对模糊子集个数的选取与系统复杂性、精确性之间的关系进行讨论.为获得边坡复杂工况下的安全特征,建立基于模糊控制的人工神经网络边坡安全预测模型,由大量样本进行网络训练.研究结果表明:所建立的模型预测精度较高,且实用易行;边坡的坡度、内摩擦角、凝聚力对边坡的安全系数影响较大;该预测模型可用于处理普遍存在的不确定性、非线性复杂工程问题;通过模糊控制调整模型,可对不同工程对象进行较精确的模拟分析.     

滑带黄土振陷预测中的BP神经网络方法

目的针对陇海铁路沿线密集的黄土滑坡灾害,对其振陷系数提出一种新的预测方法。方法以滑带黄土动三轴试验资料为基础,运用MATLAB建立滑带黄土振陷的BP(error back propagationneural network)神经网络预测模型,并与多元线性回归方法建立的模型进行误差对比分析。结果BP神经网络模型预测的结果要比多元线性回归模型预测的更准确。结论滑带黄土振陷预测的BP神经网络模型是一种比较理想的预测方法,对黄土地区的滑坡稳定性评价和铁路地基沉降的分析具有重要的价值。     

运用神经网络估算黄土边坡的安全系数

应用人工神经网络BP模型的非线性动力学、自学习和实时处理等特性,以黄土边坡实例作为输入样本,建立神经网络BP模型,并以安全系数作为输出值,估算黄土边坡稳定性的安全系数.通过试验数据对比,所得安全系数误差在6%以内,表明该计算方法可用于边坡稳定性分析.     

BP神经网络在碳酸盐岩储层参数测井解释中的应用

由于碳酸盐岩储层具有严重的非均质性特点,运用传统的测井解释方法对该类储层进行储层参数分析得到的计算结果往往存在较大误差。为提高储层参数测井解释精度,应用BP神经网络方法,在岩心分析和地质、测井等资料的基础上,对碳酸盐岩储层进行岩心深度归位、测井数据标准化、归一化等预处理工作,挑选合适的学习样本,建立储层参数预测模型,用交会图法、叠合图法和误差统计法对预测效果进行评价并与传统计算结果对比,结果显示:BP神经网络储层参数预测结果比经验模型法、方程法等传统方法精确度更高。     

自组织特征映射神经网络在薄板冲压中的应用

从影响薄板冲压成形结果因素和有限元网格法出发,研究了基于神经网络预测毛坯尺寸模型的方法.选取模具参数和工艺参数等作为影响冲压成形结果的因素,用正交表和随机法产生径向基函数神经网络的学习样本;利用自组织神经网络对样本进行分类,用有限元网格法反算的毛坯的长度作为神经网络的输出;设计了神经网络流程,定义了神经网络输出与有限元分析数据的相对误差.通过仿真试验证明,提出的预测毛坯尺寸模型的方法是有效的.     

灰色系统理论与神经网络的宏观经济预测模型研究

灰色建模要求的样本点少,不要求样本有较好的分布规律,而且计算量少,操作简便.而BP网络在对样本进行学习时,会对输出误差进行反馈校正,具有并行计算、分布式信息存储、容错能力强、自适应学习功能等优点.本文将灰色预测建模和神经网络技术融合起来建立灰色神经网络组合模型.应用于青海省宏观经济的预测,实证表明,该组合模型精度方面比常规灰色模型要好.组合的算法概念明确,计算简便,有较高的拟合和预测精度.它的提出拓宽了灰色模型的应用范围.     

基于改进的BP神经网络的大坝蓄水期实时预报模型

蓄水期是大坝安全监测的重点时期.鉴于坝体性态随水位快速升高产生实时变化,蓄水期监测资料平稳性较差等特点,传统的BP神经网络对数据处理本质上属于静态网络,不能满足对实时变动的蓄水期数据样本的准确预测.为了解决这个问题,在传统的BP神经网络模型的基础上,通过在误差计算和模型参数中分别引入遗忘因子,实时更新数据的影响权重,建立了大坝蓄水期资料分析的时变分析模型.最后使用传统的BP神经网络模型和改进的BP神经网络模型进行实例分析,结果表明后者比前者在径向位移的预测上精度提高1mm以上,改进的BP神经网络模型更加适用于大坝蓄水期监测资料分析与预测.     

改进的BP神经网络在碾压混凝土坝温度场反分析中的应用

采用改进的BP神经网络,建立了碾压混凝土坝热学参数反馈分析模型;利用三维有限元浮动网格法正分析得到的样本去训练网络,再利用温度实测值对热学参数进行反分析,根据反演后的热学参数进行温度场计算.计算结果和实测结果较为接近,可满足工程实际要求,且该方法具有较好的稳定性和收敛性,表明改进的BP神经网络算法用于反演混凝土坝热学参数是可行的.     

一种基于BP神经网络的调驱增油预测方法

调驱后增油效果预测是调驱措施决策和方案优化设计的重要内容.通过室内岩心物理模拟实验参数,分析了调驱增油效果及其影响因素,建立了基于物理模拟参数为学习样本的调驱效果BP神经网络预测模型.此方法对于渤海南堡35-2油田A21和B17井预测结果与实际调驱增油量统计数据间误差分别为9.89%和7.22%.由此可见,基于物理模拟参数为学习样本的调驱效果BP神经网络预测模型切实可行,预测精度较高.     

基于极限学习机和熵值法的岩土灾变预警

滑坡的监测和预测是降低滑坡灾害的有效手段和可行方法。传统监测手段时效性差,采用统计预报模型、确定性模型等模型建立的预测模型精度相对较低。为了改善此问题,提出了一种基于综合测量、以极限学习机与熵值法结合的滑坡预警研究方法。通过分析滑坡的影响因子,搭建滑坡模拟监测平台,由多传感器实时监测到雨量、土壤浅层含水率、土壤深层含水率、下滑应力、地下位移、地表位移等影响滑坡的综合因子。将熵值法用在滑坡的评价中,将其综合评分作为危险性参数及综合测量参数作为训练样本,搭建极限学习机模型。结果表明:在综合测量方法下,将熵值法与极限学习机算法结合的预警模型得到的结果与实际情况一致,预测值与测量值吻合;其精度为98.48%,比BP神经网络精度更高;且网络的学习速度明显提高。可见该方法对滑坡预测的可行性,适用于复杂非线性的滑坡预测中,为建立滑坡预警模型提供了一种可行方法。     

基于试井资料分析的煤储层渗透率定量预测模型

为了探讨煤储层渗透预测的方法,基于工区的试井资料,对煤储层渗透率的主控因素进行了分析,认为煤层埋深、储层压力、地应力和有效地应力与煤储层渗透率具有较强的相关性;以工区的试井资料为依据,选取相应的参数,利用多元线性逐步回归分析和非线性的BP神经网络两种方法,对煤储层渗透率进行了预测分析.预测结果和实测资料对比分析表明:预测的煤储层渗透率与实测的煤储层渗透率之间的误差较小,且非线性的BP神经网络方法预测结果明显优于线性回归预测的结果;基于试井资料建立煤储层渗透率预测模型具有可行性,其预测结果是可靠.     

神经网络在黄土边坡稳定性分析中的应用

应用神经网络理论估算黄土边坡稳定性的安全系数,用黄土边坡实例作为输入样本,建立神经网络BP模型,以安全系数作为输出值,进行实验。试验结果表明,该方法计算所得安全系数较为可靠,可用于边坡稳定性分析。     

万州城区吴家湾滑坡灾变的神经网络识别

以万州城区吴家湾滑坡为例,分析了神经网络(ANN)方法用于滑坡灾变识别的评价因子的确定、学习样本数据对的建立、ANN网络结构及参数设置的方法;并以万州区类似的滑坡作为样本训练ANN模型,对吴家湾滑坡的几种工况进行灾变识别.最后将ANN灾变识别结果与传统的极限平衡计算结果进行对比分析,得到了二者基本吻合的结果.结论表明神经网络方法用于滑坡灾变识别的精度较高,识别结果令人满意.