柴油喷雾贯穿距影响因素灰色关联分析

由于燃油的喷射、雾化、蒸发以及与空气的混合等过程对发动机的燃烧和排放特性有重要影响,以柴油喷雾的主要特征尺寸喷雾贯穿距为研究对象,采用纹影法成像技术,研究了不同喷油脉宽、喷油压力和环境背压下定容弹中柴油的喷雾形态,得到不同工况下的柴油喷雾贯穿距,然后应用灰色关联理论分析这3个因素对喷雾贯穿距影响程度.结果表明:在相同喷油压力和脉宽下,喷雾贯穿距随背压的增大而减小;在相同背压和喷油脉宽下,喷雾贯穿距随喷油压力的增大而增大;喷油压力对喷雾贯穿距的影响最大,背压次之,喷油脉宽影响最小.     

基于GA-BP神经网络的金精矿品位的预测

在对金矿生产过程进行大量实际调研工作的基础上,分别采用BP神经网络和遗传算法优化BP神经网络的方法,建立了金精矿品位的预测模型,以现场采集的978组数据作为样本,运用噪声平滑技术进行数据预处理,筛选了770组数据,运用其中的650组数据建模,并运用其余的120组数据对模型进行了验证.通过对两个模型的预测误差分析,得出用遗传算法优化的BP神经网络(GA-BP)预测精度更高,当预测相对误差在±2%范围内时,模型的预测精度达到97.5%.     

基于GA-BP神经网络的颗粒阻尼器减振特性预测

提出了一种基于遗传算法改进的BP神经网络(GA-BP)的颗粒阻尼效应预测模型.首先通过悬臂梁阻尼检测实验建立数据集,然后对建立的数据集进行训练非线性复杂模型,用于描述颗粒阻尼器的阻尼效应.为了进一步验证所提模型的有效性,通过CA-YD-1181压电传感器采集相关数据进行二次验证.结果表明,与传统的BP神经网络预测模型相比,遗传算法优化后的模型能够通过不同参数的变化对颗粒阻尼器减振效果进行精准预测,收敛速度提高了近36.8%.该模型具有良好的拟合效果,能准确、合理地预测阻尼特性,并调整颗粒阻尼器的相关参数.     

基于GA-BP神经网络的软土路基运营期沉降预测

为了实现高速公路软土路基沉降的准确预测,采用遗传算法(GA)优化BP神经网络,研究3种输入对预测结果精度的影响.选取时间t以及其15 d前的沉降量S_t-15和平均沉降速率v_t-15为影响因素,在t、t-S_t-15、t-S_t-15-v_t-15三种输入下,分别取某高速公路软土路基运营期实测沉降数据的前50%、80%为训练集,余下原始数据为测试集,重复训练10次后取平均值作为输出值.采用决定系数(R²)来判别模型拟合度,均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为模型性能的评价指标.结果表明：3种输入的R²均大于0.99;训练集占原始数据的比例为50%时,t-S_t-15输入的预测误差最小,RMSE为1.31 mm, MAPE为4.71%;训练集占原始数据的比例为80%时,t-S_t-15-v_t-15输入的预测误差最小,RMSE为0.29 mm, MAPE为1.00...     

基于GA-BP神经网络的极端降水定量分析与预测

从南京市、太原市、北京市、上海市和广州市最近10年的历史气象数据出发,采用皮尔逊相关系数法对每个城市年降水量与多个气象特征变量进行相关性分析,通过计算皮尔逊相关系数的绝对值,筛选出前7个对降水量最具有影响的气象特征变量;用GA-BP神经网络构建7个气象特征变量与降水量之间的非线性关系,通过训练得到一个神经网络定量预测模型;以郑州市2021年7月份为例,利用训练得到的神经网络模型对降水量进行预测,结果显示该模型能较为准确地预测极端降水天气,对极端降水预测、提前防范洪涝灾害以及数据缺失值补全等具有重要意义。     

基于GA-BP神经网络与敏感性分析的带钢厚度预测

为提高带钢厚度预测精度,构建了融合GA-BP神经网络和敏感性分析的T-GA-BP预测模型。首先通过循环迭代方式确定较优的BP神经网络隐含层的层数与节点数,再采用遗传算法对BP网络的权阈值进行优化。在此基础上,利用Tchaban算法进行敏感性分析,研究输入层中各工艺参数对带钢厚度的影响程度,筛选出重要参数作为新的输入样本来训练T-GA-BP神经网络模型,以降低网络复杂度。采用实际生产数据进行测试,结果表明,T-GA-BP模型的带钢厚度预测精度要高于BP、GA-BP、RBF、Elman神经网络等其他优化模型。同时,工艺参数敏感性分析结果可为轧制工艺调控方案的制定提供参考。     

基于GA-BP神经网络的隧道初期支护钢拱架内力预测

针对误差反向传播(BP)神经网络易陷入局部极小值的问题,将遗传算法(GA)与BP神经网络相结合,先以遗传算法全局最优的特性对初始化的BP网络的权重和阈值进行优化,再将优化的权重和阈值作为初值带入BP网络训练得到最优解.运用此改进的BP神经网络对竹盖山隧道初期支护钢拱架内力进行预测,取得了良好的效果,精度高、收敛快,为指导和控制工程施工提供了有效的依据.     

基于GA-BP神经网络的长宁地区页岩气水平井产能预测技术

准确预测页岩体积压裂井的产能是确定合理开发决策的重要前提。目前页岩气井产能预测主要基于理论模型,需要理想化假设条件和不易得到的参数,导致体积压裂前的产量预测精度不高。为此,通过数据挖掘技术直接从影响产能的参数入手,突破传统理论模型的局限,首先利用灰色关联度确定影响长宁地区57口页岩气水平井压后产量的主控因素及权重,然后基于遗传算法优化的误差反向传播(back propagation,BP)神经网络方法,建立页岩气水平井体积压裂产能预测模型。基于该模型,针对长宁地区已生产井数据开展现场应用。应用结果表明:工程参数主要影响页岩气水平井的初期产量,总有机碳含量(total organic carbon,TOC)、单井百米液量、单井百米砂量、脆性矿物指数等工程参数是影响页岩气水平井测试产量和3个月累产气量的主控因素;TOC、I类储层钻遇长度、孔隙度、含气量等地质参数是影响页岩气水平井1年累产气量的主控因素;基于长宁地区已生产井数据建立的页岩气水平井体积压裂测试产量预测模型的平均误差为8.76%,预测误差同比多元回归模型预测降低了47.79%;基于遗传算法-误差反向传播(genetic algorithm-back propagation,GA-BP)神经网络的产能预测技术具有操作灵活和预测精度高的特点。利用大数据分析和产能预测方法为长宁地区页岩气井的产能预测提供一种新思路,提高了产能预测效率,并有效地指导现场施工。     

基于双隐含层GA-BP神经网络的重型柴油车排放预测

为了建立一种能够预测柴油车道路排放特性的模型,文章采用便携式车载(汽车尾气)排放测量系统(portable emission measurement system, PEMS),对某重型柴油车进行道路污染物排放特性测试;利用测得的试验数据,在双隐含层反向传播(back propagation,BP)神经网络的基础上,引入Levenberg-Marquardt(LM)优化算法,用遗传算法(genetic algorithm,GA)优化网络的权值与阈值;以车辆比功率(vehicle specific power,VSP)为输入,搭建CO、NO_x排放预测模型,并用试验数据对模型进行训练、验证。结果表明,CO、NO_x的预测结果与样本数据之间的皮尔逊相关系数分别为0.855 3、0.851 2,线性高度相关;在整体误差水平上,CO、NO_x排放因子的相对误差分别为2.61%、6.71%。该方法对车辆CO、NO_x的瞬时排放和整体排放特性的预测准确性较好,具有一定的理论意义和工程应用价值。     

基于GA-BP神经网络长服役期内结构混凝土的强度演变预测

为研究长服役期内既有混凝土结构的强度演变规律及其预测模型,以唐包铁路、西户铁路等实际工程为研究背景,以服役时间为2、16、25、30、40、52、66、88、95和100 a的在役桥涵为研究对象,基于混凝土回弹法,开展役桥涵混凝土强度试验,分析长服役期内既有桥涵混凝土强度动态发展过程。同时,基于试验实测混凝土强度数据与收集的230组同类条件下在役桥涵(服役时间2～88 a)混凝土强度数据,构建GA-BP神经网络混凝土强度预测模型。此外,为提高模型可应用性,基于高精度GA-BP神经网络强度预测模型,建立一般矩阵公式和简化公式。基于本文构建的混凝土强度预测模型,分析该类地区(试验中已调研区域)长服役期内混凝土结构的强度演变规律。研究结果表明：相较于既有混凝土强度预测模型,本文构建的GA-BP神经网络混凝土强度预测模型可有效预测不同服役时间下的混凝土强度,预测数据的平均绝对百分比误差为8.76%,决定系数为0.83。本文简化公式(C25)精度较高,平均绝对百分比误差为6.6%,为便于简化计算,推荐简化公式(C25)作为长服役期内混凝土强度预测公式。百年服役期内混凝土强度经历2个时间阶段,即混...     

基于GA-BP神经网络的温度传感器校准系统

鉴于制药厂对温度的严格要求,对温度传感器DS18B20在10℃-30℃(制药厂要求温度范围)内进行校准.经BP神经网络校准后,最大误差从0.5℃降至0.24℃.BP神经网络随机生成初始参数易造成局部最优和收敛速度慢,故利用遗传算法对其进行优化.优化后收敛轮数从25降为13,最大误差从0.24℃降为0.21℃,精度在原BP神经网络基础上提升了12.5％.实验结果表明,利用遗传算法优化BP神经网络可加快训练收敛速度,提升校准结果精度.此外,采用以Cortex-M3为内核的STM32F103系列MCU开发温度传感器校准系统,将训练好的神经网络搭载到相应的校准模块.经调试,此系统校准精度与Matlab测试结果一致.     

基于GA-BP算法的模糊神经网络控制器研究

提出了一种基于GA-BP算法的模糊神经网络控制器,将GA的离线全局寻优及BP实时学习相结合,克服了单独应用GA算法或BP算法调节模糊神经网络控制器参数存在的缺陷。仿真结果表明经GA-BP算法优化的控制器性能优于传统算法调节的控制器。     

基于GA-BP神经网络的拱坝地震易损性分析

拱坝在其生命周期内可能会承受强烈地震,其地震易损性引起了广泛的关注。一般而言,采用非线性有限元法进行拱坝的地震易损性分析,需要大量的计算工作量。该文提出了一种预测拱坝地震响应的方法——基于遗传算法(genetic algorithm, GA)的多层前馈(back propagation, BP)神经网络,该方法可以替代部分非线性有限元分析计算,显著减少计算成本。以大岗山拱坝的易损性分析为算例,基于已有的390个有限元非线性动力分析工况数据,将结构的响应设定为BP神经网络的输出,地震强度参数IM作为输入,进行BP神经网络的训练和验证。结果表明,该文提出的GA-BP神经网络采用390个有限元结果中的30%的数据进行训练,即可得到满足精度的预测结果,给出合理的拱坝地震易损性曲线,说明采用GA-BP神经网络后可节省70%的非线性有限元计算成本。     

基于GA-BP神经网络算法的马铃薯晚疫病预测模型

应用基于遗传算法的BP神经网络构建马铃薯晚疫病预测模型,对原始样本进行归一化处理,应用遗传算法优化BP神经网络的结构、初始权值、阀值,通过BP神经网络训练构建马铃薯晚疫病预测模型,利用遗传算法来改善BP神经网络算法本身的缺陷,提高学习精度,预测准确度.仿真结果表明,GA-BP神经网络模型预测准确度较高,误差率较低,稳定性较好.实践证明,将GA-BP神经网络算法应用于马铃薯晚疫病预测模型中是可行的,能够实现晚疫病流行程度的快速预测.     

基于GA-BP的分布式光伏发电预测

基于分布式光伏发电在家庭能源管理系统(HEMS)中具有广泛的应用,光伏输出功率的准确预测影响家用设备优化调度、并网时电网的稳定性及光伏发电利用率。对光伏输出功率主要影响因素进行研究,通过选取光伏发电预测日相似日天气类型(晴天、多云、阴雨天),在传统BP预测模型基础上引入GA优化算法,建立GA-BP光伏发电预测模型。分别选取预测日相似日天气类型为晴天、阴雨天进行实验仿真,结果表明所建预测模型能够提高光伏发电预测精度,在HEMS系统中具有一定的实用价值。     

基于GA-BP神经网络的深海集矿机避障系统

结合深海集矿机的实际作业环境,建立集矿机的实时避障神经网络模型。该模型采用多传感器融合技术,将声纳传感器采集到的环境信息进行处理后作为BP神经网络的输入;设定车体的注视向量、转向角和速度为网络输出;根据集矿机实际行进情况,并综合人的行走经验,设置能够实现实时避障的网络导师训练信号。引入遗传算法对已建立BP避障模型进行改进,以克服局部极小值问题。仿真研究表明:遗传算法优化后的BP神经网络,能够有效训练达到预期目标,并能在很大程度上克服BP网络的局部极小值问题。在Matlab中给出障碍物环境中的避障仿真结果,表明此方法的可行性。