BP神经网络模型在煤尘润湿性研究中的应用

针对煤尘固体表面接触角测定过程繁琐和煤尘润湿等级划分不合理的问题,以煤质化学组成及其结构参数共13个影响因子为输入参数,采用两层双曲正切S形函数为激励函数,构建有关煤尘接触角估算及润湿性分级的3层BP神经网络.结果表明,隐含层节点数为10时,估算结果相对误差为0.19%~13.99%,平均相对误差为5.18%,煤尘润湿接触角估算结果与实测结果相关性系数为R2=0.933,煤尘润湿分级正确率达91.67%.BP神经网络模型的接触角估算结果和润湿性分级结果可用于指导煤矿井选择降尘措施.     

运用人工神经网络方法预报表层岩溶地下水动态

将人工神经网络的理论与方法应用到表层岩溶带地下水动态预报中,从不同角度建立了2个预报BP网络模型,A模型刻画水位与降雨量、蒸发量和泉流量之间的关系,相对误差为±2%;B模型刻画水位自身的变化规律,相对误差为±5%,均可用于预报水位.A,B模型可为表层岩溶水研究及开发利用提供依据.     

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BP网络的粉煤灰混凝土钢筋握裹力计算

基于改进的BP算法,建立了2个粉煤灰混凝土钢筋握裹力BP网络计算模型,模型1为2-6-1型,即该模型输入层为2个神经元,隐含层为6个神经元,输出层为1个神经元,模型1的输入为水胶比及粉煤灰掺量,输出为混凝土钢筋握裹力;模型2为2-8-2型,即该模型输入层为2个神经元,隐含层为8个神经元,输出层为2个神经元,模型2的输入为水胶比及粉煤灰掺量,输出为混凝土强度及钢筋握裹力.模型1混凝土钢筋握裹力计算相对误差为0.019 08%~3.128 92%;模型2混凝土强度及钢筋握裹力计算相对误差分别为2.248 55%~6.808 00%和0.112 74%~9.773 29%.计算结果较为理想.     

基于BP神经网络理论的岩石硬度识别

岩石硬度是露天矿山爆破参数设计的重要依据,为了精确判断岩石硬度,以1190E型牙轮钻机为研究对象,利用传感器采集钻机的工作参数,通过现场取样和室内试验获得对应的岩石硬度,分别运用2层和3层结构的BP神经网络建立岩石硬度的识别模型。研究发现当BP神经网络的训练样本集较大时,两层结构的BP神经网络,岩石硬度预测值与目标值的相对误差随着隐含层节点数的增加而减小;而3层结构的BP神经网络,岩石硬度预测值与目标值的相对误差在隐含层节点数为8时达到最小值,之后随着隐含层节点数的增加而增加。结果表明:3层结构的BP神经网络比两层结构的具有更好的泛化能力,对岩石硬度识别结果的精度更高,其绝对误差均小于0.04,相对误差均小于0.7%,均能满足判断岩石硬度的精度要求,可以为露天矿爆破参数设计中岩石硬度的识别提供方法和依据。     

基于BP神经网络模型的大众健美操成绩非线性相关分析

确定了分项评价指标及其标准,具体包括以下9个指标:准确性、整齐性、弹性、协调性、稳定性、控制力、健康性、统一性和和谐性.建立了包含输入层,隐含层和输出层的三层BP人工神经网络模型.结果表明,该模型能够很好地反映9个分项指标的成绩与总体成绩之间的非线性关系.各个样本的预测值与真实值十分接近,相对误差在5%上下波动,网络训练成功.表明BP网络经有效训练后应用于竞技健美操成绩评价具有较高的预测精度和良好的泛化能力.     

基于改进BP算法的中频淬火工艺参数预测

以钢的中频淬火工艺参数为研究对象,构造人工神经网络模型,采用3-4-2-2两层前向BP神经网络结构.模型输入参数为设备频率、淬硬层深度、零件尺寸,输出参数为加热时间、比功率.采用改进的BP网络算法--Levenberg-Marquardt算法,隐层、输出层传输函数分别为log-sigmoid函数和线性函数,经1 500余次训练,达到平方误差和《0.01.预测值与实际值的相对偏差在±4%以内.该算法能够较好地满足生产实际需要,具有较高精度.     

非充分灌溉稻田墒情预报的人工神经网络模型

通过对人工神经网络理论的分析,建立了一个描述非充分灌溉稻田土壤水分变化的BP模型,并对同一小区2002年水稻生长期土壤水分的动态变化进行了模拟预测,同时用实测资料进行对照.研究结果具有良好的一致性,质量含水量绝对误差值最大为1.8%,最小为0.1%,平均为0.7%;相对误差值最大为8.42%,最小为0.55%,平均为3.02%.BP网络可以用于区域土壤水分动态预测,方法简便可行,有较高的精度.     

BP人工神经网络在聚合物溶液体系活度预测中的应用

应用不同BP人工神经网络对不同聚合物溶液体系的活度进行了训练,共12个系统,613个数点,总的平均相对误差为0．0263,在采用相同BP人工神经网络对聚合物PS与不同溶剂溶液体系的活度进行试练时,总的平均相对误差为0．0212,而利用相同BP人工神经网络对同一聚合物不同溶剂溶液体系的活度进行预测时,总的平均相对误差为0．0484。     

基于BP神经网络的隧道下穿既有运营地铁线注浆施工参数预测——以广州地铁18号线隧道注浆工程为例

新建隧道下穿既有运营地铁线施工过程中极易对既有运营地铁线产生不利影响,而广泛采用的超前预注浆尚处于以经验性选取注浆施工参数的阶段,导致工程事故频发。为此,首先以开挖段地层物性参数、地层位移变化值作为输入层,注浆施工参数为输出层,构建了基于BP(back propagation)神经网络的注浆施工参数预测模型;其次,以MAPE(mean absolute percentage error)作为预测精度评价指标,采取试算法对BP神经模型参数(隐含层节点数目、学习率)进行了探讨;最后,将提出的BP神经网络用于指导工程实践。研究结果表明：当BP神经网络预测模型隐含层节点数为9、学习率为0.01、训练次数为20 000以及精度目标值为1×10^-4时,模型适用性评价显示预测值与监测值之间最大相对误差为19,平均相对误差均低于13,说明提出的BP神经网络预测模型可行;进一步的工程应用结果表明：采用预测的注浆施工参数进行注浆后掌子面稳定、开挖过程中未发生隧道塌方等事故,满足相关规范要求。研究成果也可在隧道下穿其他结构或建筑物灾害防控注浆工程中得到推广应用。