高分子溶液粘度的测定、关联和预测

实验测定了3种高聚物在不同溶剂及混合溶剂中较宽浓度范围内溶液的粘度。对Lyons—Tobolsky方程中的[η]，k′M，b分别引进了包含高聚物和溶剂溶解度参数的经验关系式，在较宽浓度范围内对高聚物在不同溶剂中的溶液粘度数据进行了关联，平均相对误差为6．3％；同时对混合溶剂体系的粘度进行了预测，平均相对误差为11．8％。     

基于MIVM神经网络模型对合金组元活度的预测

为了使用分子相互作用体积模型(molecular interaction volume model,MIVM)准确便捷预测出合金溶液中组元的活度,建立了活度预测的BP(back propagation)神经网络模型和算法,模型的输入层为合金溶液中组元的实验活度系数,输出层为分子对位能相互作用参数,隐含层设定为一层。采用遗传算法优化BP神经网络模型各结构参数,在遗传算法中使用合金溶液中组元的无限稀活度系数的实验值和理论值的偏差作为适应度函数,以偏差最小为目标进行优化以保证BP神经网络的有效性。最后以Pb-Bi,Sn-Bi,Sn-Pb,Fe-Cu二元合金溶液中组元活度预测为例对BP神经网络模型和算法进行验证。结果表明:组元活度预测值与实验值之间的平均相对误差均小于4%,绝对偏差小于0.78,能满足工程计算要求。     

用原子吸收光谱法测定交联聚合物中的铬含量

用原子吸收光谱法直接测定了聚丙烯酰胺中的铬含量，并对影响铬测量值的因素进行了分析。实验结果表明，加人交联剂可有效地提高聚合物溶液的粘度，改善聚合物的抗温、抗盐、抗剪切的性能，从而提高聚合物驱油效果。对空白试剂进行了考察，该测量方法的相对标准偏差为2．3％，试样加标回收率达到95％～105％。铬的检出限为0．016mg/L。实际测定了不同浓度聚丙烯酰胺中的铬含量，测量结果的相对误差小于1％。     

基于BP人工神经网络的分布式降雨量插值估算

将人工神经网络应用到降雨量插值研究中,综合考虑影响降雨量的多种因素.提出并构建了基于隐含层节点数可调节的BP人工神经网络降雨量插值模型.应用该插值模型估算湖北省宜昌地区的一次大到暴雨天气的降雨量分布情况.研究结果表明:采用BP算法分别对3组样本数据进行插值得到的平均相对误差为37.71%,远远低于采用距离反比加权法插值估算的平均相对误差52.71%,精度提高了15%.当隐含层节点数为6,即BP神经网络采用3-6-1的模型结构时,估算的误差精度最佳,其平均相对误差为30.33%.     

新型核-多臂星形聚合物电解质

采用傅里叶转换红外光谱法(FT-IR)、微分扫描量热分析(DSC)、离子阻抗谱等测试手段对以超支化聚缩水甘油(HPG)为核，线型聚氨酯(PEU)为臂的核-多臂星形聚合物进行了表征，对其分子结构与电导性能之间的关系进行了初步探索．结果表明，星形聚合物比线型聚合物有更强的溶盐能力和离子传输能力．氧锂比(氧化乙烯单元与锂离子的摩尔比)为4，共混比(质量)为30％时，体系的最高电导率可达0．2mS／cm．当星形聚合物的臂数为5时，体系的电导率高于相同条件下的其他臂数的聚合物体系．体系的电导率随温度的升高而升高，其变化规律符合Arrhcnius方程．     

基于改进BP网络对三门峡水库泥沙冲淤量的计算

人工神经网络具有很好的分布存储和容错性，适合解决非线性问题．在分析了汛期、非汛期水库泥沙冲淤影响因子的基础上。利用改进的BP网络模型对水库泥沙冲淤量进行计算．网络训练时，非汛期采用动量法和学习律自适应调整策略，拟合误差较小，平均相对误差约为0．10；汛期采用Levenberg-Marquardt优化方法，由于非线性关系复杂及人为因素多。误差相对较大，利用该模型预测不同水库运行条件下泥沙淤积量，计算量小，使用方便．     

污水配制聚合物对提高采收率影响研究

利用纵向非均质人造岩心,进行了聚合物驱提高采收率的物理模拟实验。研究污水配制聚合物溶液对提高采收率的影响。实验结果表明,同浓度下,用污水配制或稀释聚合物溶液,其黏度比清水配制的低,相应的采收率也低。在水型和聚合物浓度相同的条件下,抗盐聚合物驱采收率增幅比普通聚合物高1.3%—2.5%;而且水质越差,差别越明显。说明抗盐聚合物更适用于污水配制聚合物进行驱油。黏度相同而水型不同的聚合物溶液,其注入压力也不同。清水配制并稀释的聚合物溶液具有最低注入压力。     

近红外光谱法定量分析亚麻油中的主要组分

用厚度为 1cm的玻璃比色皿作为吸收池 ,测定了亚麻油的近红外光谱 ,利用 70 0 0～ 6 0 0 0cm-1范围内的透波率 ,建立了主成分回归分析模型和BP人工神经网络模型 ,用二模型预测了亚麻油中油酸、亚油酸和亚麻酸的含量 ,预测结果的平均相对误差均在 2 %以内 ,并BP人工神经网络模型预测的效果较好。该法可用于亚麻油中主要组分的实时成分分析。     

HPAM/PPG颗粒悬浮液驱油体系增黏机制的分子模拟

采用分子动力学模拟方法从原子分子层次考察聚合物HPAM/PPG(聚丙烯酰胺/聚丙二醇)颗粒悬浮液驱油体系的增黏性质。结果表明：当溶液中聚合物HPAM和PPG颗粒总的质量浓度相同的情况下,聚合物HPAM质量浓度占比增加时,体系提供更高的黏度;聚合物HPAM具有更大的回转半径,形成更多的交联,从而提供更高的结构黏度;较强的相互作用有利于形成稳定的水化层,实现水动力学增黏;—COO^-形成的水化层中水分子数量更多,更容易形成水化层且形成的水层更稳定,对水动力学黏度的贡献更大;聚合物HPAM的亲水基团对水动力学黏度的贡献大于PPG颗粒亲水基团的贡献。     

聚合物溶液的水动力学尺寸研究

聚合物在溶液中的性质及形态与所用溶剂有着很大的关系,溶剂的性质不同(如溶液的矿化度不同、溶液中表活剂的浓度不同等),聚合物分子形态伸展程度都会不一样,其在溶液中分子尺寸(水动力学半径)也会发生很大改变。运用微孔滤膜过滤法,通过对抗温抗盐聚合物(KYHPAM系列)在不同矿化度以及不同浓度表活剂的水中配成溶液,让其在恒定压力(0.2 MPa)下经过不同孔径滤膜后测定其滤液浓度、黏度等性质,结果发现聚合物的分子量和浓度、表活剂的浓度、矿化度等因素都会对聚合物的水动力尺寸产生不同程度的影响。     

变载荷感应电动机的神经网络建模研究

根据采用晶闸管三相调压器控制变载荷电动机运行的特点,阐明了采用神经网络方法对该系统建模的必要性.基于带有回归单元的Elman神经网络,对变载荷三相异步电动机的晶闸管三相调压器系统进行了建模.采用一种带惯性项的动态反向传播学习算法,克服了通常的BP算法振荡和收敛速度慢的弱点,使变载荷电动机系统跟随负载变化对电动机实现调压控制.对Elman神经网络的结构运用方法,以及惯性项的动态反向传播学习算法做了较详细的介绍,对由晶闸管三相调压器构成的拖动系统建模所选向量参数进行了说明.实例表明,利用该方法迭代后的学习结果更容易将误差减小至期望值.     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

Back-propagation network improved by conjugate gradient based on genetic algorithm in QSAR study on endocrine disrupting chemicals

Since the complexity and structural diversity of man-made compounds are considered, quantitative structure-activity relationships （QSARs）-based fast screening approaches are urgently needed for the assessment of the potential risk of endocrine disrupting chemicals （EDCs）. The artificial neural networks （ANN） are capable of recognizing highly nonlinear relationships, so it will have a bright application prospect in building high-quality QSAR models. As a popular supervised training algorithm in ANN, back-propagation （BP） converges slowly and immerses in vibration frequently. In this paper, a research strategy that BP neural network was improved by conjugate gradient （CG） algorithm with a variable selection method based on genetic algorithm was applied to investigate the QSAR of EDCs. This resulted in a robust and highly predictive ANN model with R2 of 0.845 for the training set, q^2 pred of 0.81 and root-mean-square error （RMSE） of 0.688 for the test set. The result shows that our method can provide a feasible and practical tool for the rapid screening of the estrogen activity of organic compounds.     

BP网络的改进及其应用

阐述了人工神经网络基本原理,研究分析了BP神经网络模型的缺陷并提出了优化策略.建立了求高分子材料本构关系的三层前馈反向传播神经网络模型,并作了多次不同的泛化性测试.实例分析表明,改进的BP网络在收敛速度及稳定性方面都有很好的效果,可应用于求高分子材料本构关系.     

神经网络用于模式识别分类的改进算法

用ＢＰ神经网络算法进行模式识别分类,即使对一个训练比较好的网络也极有可能出现样本的导师模式（真实模式）与网络判定模式不符的情况,即会出现误判样本。当待判样本与某一误判训练样本比较接近时,网络很可能对其造成模式误判。为此,本文通过引入训练样本的正、误判子集及定义在其上的待判样本的距离,将距离算法和ＢＰ算法相结合,提出了解决这一问题的新方法。     

Combined back analysis method of ground stress based on refined geological modeling

A new back-analysis method of ground stress is proposed with comprehensive consideration of influence of topography, geology and nonlinear physical mechanical properties of rock on ground stress. This method based on non-uniform rational B-spline (NURBS) technology provides the means to build a refined three-dimensional finite element model with more accurate meshing under complex terrain and geological conditions. Meanwhile, this method is a back-analysis of ground stress with combination of multivariable linear regression model and neural network (ANN) model. Firstly, the regression model is used to fit approximately boundary loads. Regarding the regressed loads as mean value, some sets of boundary loads with the same interval are constructed according to the principle of orthogonal design, to calculate the corresponding ground stress at the observation positions using finite element method. The results (boundary loads and the corresponding ground stress) are added to the samples for ANN training. And on this basis, an ANN model is established to implement higher precise back-analysis of initial ground stress. A practical application case shows that the relative error between the inversed ground stress and observed value is mostly less than 10 %, which can meet the need of engineering design and construction requirements.     

模糊神经网络中长期负荷预报研究

采用动量法、自适应学习率和异变换函数对BP算法进行改进,并通过模糊神经网络对中长期负荷进行预测,还针对BP算法中隐层节点难以确定的不足,大胆采用预测误差曲面方法,使隐层节点个数选择具有科学的依据,算法计算表明,采用模糊神经网络提高了预测精度。     

基于神经网络和时间序列的河南省老年人口系数的预测

基于河南统计年鉴2001—2013年老年人口系数的数据,利用BP神经网络模型对河南省老龄化指标进行预测,训练效果不理想.因此采用时间序列二次指数平滑法对老年人口系数进行预测,预测结果的相对误差均值为4.97%.为了更加精准地预测老年人口系数,采用时间序列和BP神经网络结合的模型对其进行预测,此方法解决了老年人口系数的非线性的映射关系,预测结果的相对误差基本控制在1%左右,因此这个模型是最优的,更加适合预测河南省老年人口系数.预测结果表明河南省人口老龄化趋势是逐渐上升的.     

基于BP神经网络的沉积物(生物膜)主要活性组分

利用MATLAB建立沉积物（生物膜）主要活性组分（铁氧化物、 锰氧化物和有机质）吸附Cu/Zn过程的BP神经网络模型, 模型训练集均方差、 训练
集偏差、 验证集均方差和测试集偏差分别为0.002 2(0.001 5), 1.542 9×10^-6(2.648 4×10^-6), 0.087 1(0.069 2)和0.018 7(0.035 7). 所建模型能够反映沉积物（生物膜）主要活性组分含量梯度变化时吸附Cu/Zn的规律, 并且初步揭示了沉积物（生物膜）主要活性组分吸附Cu/Zn时的交互作用. 沉积物（生物膜）组分含量变化与其吸附Cu/Zn的能力呈显著反比关系时, 交互作用的影响度最大为1 420.30%/54.30%（沉积物）和79.27%/703.31%(生物膜). 沉积物（生物膜）吸附Cu/Zn时, 与对应原样相比交互作用的促进作用影响度最大为386.14%/30.08%（沉积物）和66.17%/47.92%（生物膜）.