高速公路小修保养工程量的预测模型

为了科学合理地预测高速公路小修保养工程数量,分析了影响高速公路小修保养工程量的主要因素,提出了基于Matlab的BP神经网络高速公路小修保养工程量预测方法;以沥青路面年小修保养工程量历史统计数据为样本,将路面质量等级评分值、路面使用性能指数、年均日交通量、年均日重车量、计算使用年限、年均降雨量、年平均温差、路面厚度、路面宽度确定为影响沥青路面小修保养工程量的量化指标,建立了预测沥青路面小修保养工程量的多元非线性模型;以调研路段沥青路面实际破损维修数量为样本,分别用BP神经网络模型和多元线性回归模型进行预测分析。研究结果表明：将预测结果与实际维修量数据进行比较,BP神经网络模型预测误差为5%,多元线性回归模型预测误差为14%,说明BP神经网络模型是预测高速公路沥青路面小修保养工程量的一种较为合理可行的方法。     

城市高架桥群桩基础沉降量计算评价

探讨城市高架桥群桩基础沉降量计算评价方法,为桩基沉降安全评价提供理论依据。在详细总结深厚软土层区群桩基础沉降的影响因素和目前工程中常用的沉降量计算方法的基础上,针对具体的工程实例采用等代墩基法、等效作用分层总和法、弹性理论法以及Flac 3D数值模拟方法分别计算了高架桥群桩基础的沉降量和应力位移场变化规律,并与实测数据进行对比分析。结果表明,采用弹性理论法和等代墩基法计算沉降量与实际吻合较好,等效作用分层总和法和数值模拟方法计算结果虽然偏大,但应用的范围较广。至少3种方法得到的沉降量均小于允许值,才能判定沉降量满足安全要求。     

枯水流量演进方法及其应用

将枯水期河段槽蓄水量表示为上断面多个时刻流量的线性组合,考虑河段引水、加水和损失等因素的影响,建立了枯水流量演进的线性方程模型,并用优化方法率定了模型参数;以河段上断面流量、河段用水量、区间加水量、河段损失量作为网络输入因子,河段下断面流量作为网络输出因子,构建了一个3层BP神经网络模型;将线性方程模型、BP神经网络模型和水力学方法应用于黄河下游河段枯水流量演进模拟计算,并对其模拟结果进行了比较.结果表明:线性方程模型稳定性好,便于演进计算和反馈控制计算;BP神经网络模型具有较好的泛化能力,计算精度也较高,但难以进行反馈控制计算;水力学方法在进行流量演进和反馈控制时,存在计算稳定性和收敛性问题,其应用有一定困难.     

基于BP神经网络的优势通道定量计算方法

目前优势通道参数的定量计算方法非常少.为此,借助典型井的优势通道参数定量解释结果,提出了一种利用BP神经网络模型定量计算优势通道参数的方法.从优势通道形成诱因及优势通道形成后的动态响应特征出发,选取优势通道控制因素作为BP神经网络的输入层,典型井的优势通道参数的定量解释结果作为BP神经网络的输出层,通过训练学习建立优势通道参数与控制因素相关的定量计算方法.结果表明,训练后的BP神经网络模型能准确计算优势通道的参数,计算结果与实际监测值误差不到10%,可以为调剖堵水等措施的实施提供技术支持,具有一定的矿场应用价值.     

凝析气顶油藏气顶油环协同开发方式下水侵量计算模型

针对凝析气顶油藏开发中由于相态变化复杂而导致水侵量计算较为困难的研究现状,依据物质的量守恒原理建立凝析气顶油藏物质的量物质平衡方程,并推导水侵量的计算公式。该水侵量计算模型同时考虑气顶反凝析、油环溶解气逸出、水蒸气含量、注水注气等因素的影响,较好地描述凝析气顶油藏外部水侵过程中复杂的物理现象,并将该方法应用于某凝析气顶油藏中。研究结果表明:凝析气顶油藏气顶投入开发后,累积水侵量迅速增加;反凝析、水蒸气含量、逸出溶解气等因素对水侵量影响的时间顺序不同;以综合考虑各因素得到的水侵量为基准,忽略反凝析、水蒸气含量、逸出溶解气等因素的影响,水侵量的计算结果都偏大,误差最大的是气顶反凝析,其次是油环溶解气的逸出,较小的是水蒸气含量。     

基于BP神经网络的高速动车组牵引能耗计算模型

为准确计算动车组牵引能耗,提出BP神经网络模型和改进牵规法预测动车组牵引能耗。选取机车类型、坡度、目标速度、停站方案等8个因素作为动车组牵引能耗的BP神经网络输入变量,建立3层BP神经网络模型。采用增加动车组运动方程和优化基本阻力公式方式对牵规法进行优化。利用正交实验法对动车组牵引能耗影响因素进行分析,并对111组实测能耗进行模拟验证。研究结果表明:BP神经网络模型的实测能耗与计算能耗相对误差在4.26%以内,改进牵规法的实测能耗与计算能耗相对误差基本在10%以内,证明BP神经网络模型比改进牵规法模型能更好地预测动车组的牵引能耗,而且当目标速度增大时,BP神经网络模型的计算精度明显比改进牵规法的计算精度高;目标速度和坡度对牵引能耗有显著影响。     

基于人工神经网络的水力旋流器分离性能预测

水力旋流器分离过程复杂,其性能指标与影响因素之间属于典型的多维非线性关系。以往旋流器分离过程的理论和经验模型大多在特定的简化条件下得到,且预测单一。为了全面预测分离器性能指标,建立了三层BP神经网络模型,通过输入结构参数和操作参数,模拟输出分离粒径、生产能力、底流质量分数等多个分离性能指标。以生产能力为例,分析了神经网络与理论和经验模型计算值的预测精度。结果表明:在各传统预测公式中,庞学诗法的预测精度最高,误差为20.88%,与其相比,BP神经网络的预测误差仅为16.64%,优于其他各模型的预测精度,且能够实现性能指标的全面预测。人工神经网络是预测水力旋流器分离性能的可靠方法。     

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.     

基于遗传算法优化BP神经网络的地层破裂压力预测方法

针对地层破裂压力现有预测方法适用性差、误差较大等问题,提出了遗传算法优化BP神经网络(GABP)预测地层破裂压力的方法。分析了地层破裂压力的影响因素;以地层深度、地层孔隙压力当量密度和岩石密度为输入变量,以地层破裂压力当量密度为输出变量,建立了GABP预测地层破裂压力模型,并利用塔里木盆地YB1井的数据进行神经网络学习和结果验证。GABP模型的预测结果误差约3.5%,精度远高于Eaton法。该方法不受地质构造条件影响,且具有精度高、计算速度快等特点。     

铁矿石烧结性能预报模型

研究了铁矿石烧结性能的评价指标及其主要影响因素, 提出了误差修正的带动量项的线性再励自适应变步长BP神经网络算法, 建立了铁矿石烧结性能预报模型. 模型预报结果表明, 用拓扑结构为12-34-4的BP神经网络训练6 700次后, 神经网络训练误差为0.000 187, 模型预报命中率均达83.5%以上, 模型具有很好的泛化能力和自适应能力.     

采用MEA-AdaBoost-BP模型的工程结构可靠性分析方法

针对工程结构可靠性设计中算法和计算存在的问题,提出基于MEA-AdaBoost-BP神经网络算法模型的可靠性求解方法. 运用思维进化算法(MEA)求解训练集权值和阈值优化的BP神经网络,并构造为弱预测器函数.然后,运用AdaBoost算法将多个优化后的BP神经网络弱预测器函数迭代训练,形成MEA-AdaBoost-BP神经网络算法模型强预测器函数. 最后,利用逼近隐性功能函数求解可靠性指标,并将其与AdaBoost-BP算法和Monte-Carlo算法进行比较.研究结果表明:所提算法在计算中与Monte-Carlo算法相比,其迭代次数分别仅为16次和46次,效率高,计算精度与Monte-Carlo法接近;而和AdaBoost-BP法相比,其可靠性指标误差分别仅为1.59%和1.88%,计算结果更精确.     

基于BP神经网络模型的机床大件结构动态优化方法及其应用研究

将BP神经网络理论与有限元建模方法相结合，提出了采用BP神经网络建立机床整机主要部件的动力学模型，并应用大型有限元分析软件ANSYS的APDL进行BP神经网络样本的快速采样的方法，根据所提出的方法，建立了机床双W筋板床身的筋板位置，厚度与床身前5阶频率之间的BP神经网络模型，并以床身第1阶固有频率最高为目标进行了设计变量的自动搜索寻优计算且获得了满意的结果，表明神经网络理论与传统的数值方法相结合应用于实体结构的动态分析计算具有重要的现实意义。     

基于BP神经网络模型的磨床部件动态灵敏度分析

利用ANSYS的APDL语言建立磨床部件的参数化模型，计算出磨床部件的动态特性，快速采用得到BP神经网络模型的学习样本，建立基于BP神经网络的动态分析模型，将磨床部件结构参数与其动态特性之间的关系反映为神经网络模型的网络输入与网络输出之间的数学关系，从而方便地，快速地对磨床部件进行了动态灵敏度分析，结果表明，在BP神经网络模型上进行磨床结构优化要比在有限元模型上方便，快速，该方法特别适用于对大型复杂结构的优化设计计算。     

基于RBF-BP复合神经网络的企业创新能力评价模型

为更加精准地测量企业创新能力,利用熵值法和相关性分析,从创新投入、创新产出、创新支撑3个维度建立企业创新能力评价指标体系,构建企业创新能力评价的RBF BP复合神经网络模型。该模型由1个输入层、1个RBF隐含层、1个BP隐含层以及1个输出层组成,其特点是将RBF隐含层的输出作为BP隐含层的输入。十折交叉验证与随机二次抽样2种方法检验表明,与单一RBF神经网络、单一BP神经网络相比,RBF BP复合神经网络模型的平均均方误差与平均绝对误差分别下降2821%、1519%和1251%、1255%,表明RBF BP复合神经网络模型具有最优的数据拟合能力,更适合于企业创新能力评价。     

改进型 BP 神经网络自适应均衡器设计

针对传统的基于 BP 神经网络的自适应均衡器存在的缺陷,提出了一种改进的 BP 神经网络自适应均衡器的 FPGA 设计方法.从互连结构、训练法则及收敛算法等几个方面对 BP 网络进行改进,通过加入协调器提高 BP 网络收敛速度和容错性能,并根据 BP 网络的并行性能得到分块结构模型,同时采用流水线技术使计算速度明显提高.通过软件仿真,验证了这种结构简单、收敛速度较快的 BP 网络的有效性和可行性,并在ModelSim 工具上完成了自适应均衡器的仿真验证     

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。     

基于GMS的地层三维结构可视化模型及神经网络预测

 通过收集到的长春市及周边地区各类钻孔资料,运用软件GMS建立了长春及周边地区的三维地层结构可视化模型,与实际地质(地形)情况较为吻合,清晰地反映出长春地区地层结构情况,通过软件还可观察地层任意位置的剖面情况。将神经网络引入其中,当输入钻孔坐标(x,y,z)、地层厚度及地层深度时,能够较为准确地预测出对应地层的地质时代和岩性,采用结构为5-13-5的BP神经网络(单隐含层)预测结果的平均相对误差为11.12%,其最小误差为7.50%、最大误差为15.71%;采用改进后的结构为5-11-7-5的BP神经网络(双隐含层),预测结果的平均相对误差为4.64%,其最小误差为3.63%、最大误差为6.59%,完全满足预测精度要求。     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

神经网络权值和阈值的优化方法

为确定多层神经网络权值和阈值建立了真实的最优化求解方法,即将网络总体平均误差建立为目标函数,以权值和阈值作为设计变量,采用梯度法和共轭梯度法对网络权值和阈值进行优化计算·通过 Ｂ Ｐ 算法、梯度法和共轭梯度法对相同实例网络权值和阈值计算,验证了所提出的优化方法的有效性,实现了权值和阈值的快速准确计算·