小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

改进一维卷积神经网络的隧道围岩收敛变形分级预测

隧道围岩收敛变化是认识围岩和支护结构动态作用及其时空演变机理的前提,变形分级准确预测是对围岩稳定性和支护结构有效性评估的重要基础.本文提出了改进一维卷积和支持向量机融合深度网络的隧道收敛变形分级预报模型.根据围岩变形的主要影响因素和特征类型,选取强度应力比、隧道埋深、隧道等效直径、支护刚度和岩体质量指标,建立了变形等级的识别框架.收集了159组国内外经典的隧道收敛变形实例数据,采用全局均值池化层和支持向量机改进传统卷积神经网络中全连接层和Softmax层进行等级分类,利用改进的一维卷积神经网络自动提取隧道变形的隐含典型特征.运用衰减学习率和Dropout正则化深度学习训练技巧,防止模型出现过拟合.与其他方法的结果对比,证明了该方法有着更好的准确率和鲁棒性,模型完全利用数据驱动实现有限数据集的深层复杂且微妙关系学习.应用于多雄拉公路隧道的围岩收敛变形分级预测,预测结果与现场实际一致,进一步验证了方法的准确性和适用性.研究结果有利于提高隧道收敛变形预测的理论水平和可靠性,为类似工程提供参考.     

BP小波神经网络在大断面隧道变形预测中的应用

将BP算法引入小波神经网络,自适应地调整小波系数和网络权重,同时利用自适应算法调节BP算法的学习率,提高收敛效率.以4车道隧道——前欧隧道的监测数据为基础,建立BP小波神经网络变形预测模型.预测结果表明:BP小波神经网络对地质条件相似,施工及初期支护方法相同的隧道断面变形进行预测,其预测结果满足工程精度要求,能较准确地...     

交叠隧道施工地表变形的进化智能预测

在分析交叠隧道盾构法施工地表变形规律的基础上 ,采用进化神经网络建立了地表变形智能预测模型 ,由此预测盾构推进中下一步地表变形以给变形控制提供依据 .通过对上海地铁明珠二期交叠区间隧道上下行线施工地表变形的预测 ,表明进化智能预测具有较高精度 ,预测和实施的相关性系数达 98%以上 ,从而论证了该方法的可行性和适用性 .     

基于RBF神经网络的隧洞围岩变形预测方法

传统回归方法对于围岩变形时程曲线存在反弯点，这种情况的模拟具有难度。提出的基于RBF神经网络的隧道围岩变形预测方法，不仅能很好地描述复杂的围岩变形时程曲线     

基于进化神经元算法的堡镇隧道软弱围岩施工弹塑性智能位移反分析

结合宜万铁路堡镇隧道的施工,将BP神经网络和遗传算法引入特长隧道软岩段的施工位移反分析,采用遗传算法自动搜索BP神经网络训练效果最优的参数,建立起反映围岩变形与岩体物理力学参数及初始地应力之间高度非线性、不确定的GA-BP智能模型,然后采用遗传算法在岩体物理力学参数和初始地应力取值范围内,搜索BP神经网络预测围岩变形与实测围岩变形最接近的参数组合,取得反演获得的岩体物理力学参数和初始地应力.从堡镇隧道应用结果来看,这种进化神经元算法反演结果可以满足隧道施工的需要,并为类似工程提供了借鉴.     

贝叶斯正则化神经网络在深基坑变形预测的应用

针对传统BP神经网络在深基坑施工开挖变形的预测,基坑的安全性判定仅利用监测的最终数值而无法全面服务于深基坑工程,提出了一种遗传算法(Genetic Algorithm, GA)和贝叶斯正则化算法(Bayesian Regularization, BR)组合优化传统BP神经网络的预测模型,在优化预测模型中加入了影响深基坑安全稳定的客观因素及人为主观因素,进一步提高了BP神经网络全局优化能力以及泛化能力.研究结果表明：该组合优化方法对深基坑地表沉降和水平位移变形预测的平均相对误差分别为0.32%和0.59%,表现出较高的预测精度.该组合优化模型首次在深基坑变形领域验证了应用的可行性,为深基坑变形预测提供了新的思路和方法.     

临近基坑开挖引起的隧道变形预测分析

随着城市地下空间开发利用的快速发展,基坑开挖对邻近隧道的影响成为工程中不可忽视的问题。文中分析了基于反向传播神经网络法(BPNN)预测临近基坑开挖引起的隧道变形。首先,基于土体的小应变特性,采用有限元软件(Plaxis 3D)数值模拟计算得到关于隧道变形的完整数据库,基于此数据库训练检测BPNN模型的准确性,并利用此BPNN模型定量分析各输入变量(隧道与支护结构相对水平距离、隧道相对埋深、支护结构的最大位移)对隧道变形的影响。最后,将BPNN预测结果与17个工程案例实测结果进行对比分析,可以看出两者具有很好的一致性,说明BPNN模型能够准确预测基坑开挖引起的隧道变形,为实际工程提供一种简便的预测方法。     

隧道围岩应力时序的神经网络预测模型

围岩应力是影响隧道稳定性的根本因素,掌握隧道围岩应力的变化发展趋势,是准确判断隧道稳定性的前提.针对隧道围岩应力变化难以准确预测的问题,作者在分析了隧道围岩应力变化规律和主要影响因素的基础上,采用BP神经网络建立了隧道围岩应力时序的神经网络预测模型.模型在綦万高速公路观音岩隧道施工中成功应用,结果表明采用神经网络预测隧道围岩应力时序是可行的,其使用简便,预测准确.     

隧道开挖超小变形监测与数值仿真分析

为有效预测和控制隧道开挖引起的地表超小变形，首先基于随机介质理论和MATLAB软件编写反分析程序，对地表沉降的实测数据进行拟合，反演断面收敛面积ΔA和地层影响角β,并研究ΔA与隧道埋深Z以及ΔA与tanβ的关系。其次，基于滚动预测的方法建立反向传播(back propagation, BP)神经网络，并预测隧道断面DM-1未来的地表超小变形值。结果表明：ΔA的取值较离散，随着隧道埋深Z的增加，ΔA呈逐渐减小趋势，地层损失也随之减小，当隧道埋深约为20.53 m时，收敛面积ΔA接近0。随着ΔA的逐渐增大，tanβ逐渐减小，当隧道埋深约为20.53 m时，tanβ约为0.447。通过滚动预测的方法建立的BP神经网络误差值较小，可以很好地预测隧道开挖引起的地表超小变形值，对类似的工程具有较好的指导意义。     

用Hopfield神经网络解决作业车间调度问题

对作业车间调度问题的换位矩阵表示方法进行了改进,给出新的作业车间调度问题的 Hopfield 神经网络计算能量函数表达式,然后提出改进的 Hopfield 神经网络作业车间调度方法。为了避免 Hopfield 神经网络容易收敛到局部极小的缺点,将模拟退火算法应用于 Hopfield 神经网络求解,提出随机神经网络作业车间调度方法。与已有算法相比,改进算法能够保证神经网络稳态输出为可行的作业车间调度方案。     

近红外光谱分析中人工神经网络法的应用

设计了实用的人工神经网络模型进行定标并预测. 用误差反向传播算法, 构造了三层的神经网络结构, 用于解决光谱分析中谱峰重叠严重、 噪声较大等问题. 在定标样本数量较大的情况下, 应用人工神经网络方法对玉米的蛋白质含量和近红外吸收光谱进行了分析和讨论. 实验结果表明, 人工神经网络方法优于线形回归法和偏最小二乘方法.     

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.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

模糊神经网络在信息系统安全评价中的应用

随着科技的发展信息系统也越来越复杂化,传统的方法已不能满足信息系统安全评价准确度的要求。为了能进一步提升信息系统安全评价的准确性,通过将模糊评价方法与BP神经网络方法相结合,提出了模糊神经网络综合评价方法。充分利用了模糊评价方法强的模糊性识别能力和BP神经网络的非线性处理能力,从而更为有效地对系统进行安全评价。实验结果验证了算法的有效性,并通过与模糊评价方法和BP神经网络方法进行对比验证了算法的优越性。     

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。     

BP神经网络在载波调制度定标中的应用

介绍了运用MATLAB神经网络工具箱进行BP神经网络设计的基本方法与过程。在调制度定标过程中,将BP神经网络应用于调制度数值与副/主载波功率差值特性曲线拟合,并通过训练和仿真。验证了应用BP神经网络进行测试数据预测的优越性。仿真结果表明,BP神经网络应用于调制度定标具有较高的预测精度和良好的泛化能力,它为调制度定标工作提供了一种全新的思路和方法。     

用人工神经元方法预报IF钢性能

用人工神经元方法分析ＩＦ钢性能与成分、加工工艺之间关系，通过实验与现场数据训练１个前向网络的考核结果表明，该方法是用于大生产中ＩＦ钢成分与工艺设计的有效方法。     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.