基于BP神经网络的平板叶片阻尼反演方法

航空发动机在工作中容易受到外物撞击,包括跑道砂石、鸟体、机身零件等,对风扇和压气机造成损伤,导致机毁人亡的严重事故;故需要模拟外物撞击转子叶片,建立动态响应数值分析模型;其中阻尼系数是叶片振动分析最重要的物理参数之一;但其无法直接测量。研究采用BP神经网络反演的方法得到平板叶片阻尼比。先取二十组阻尼比的叶片撞击仿真模型中的振幅和衰减时间,通过训练BP神经网络理论得到振幅、衰减时间与阻尼比的映射关系,再将实验得到的真实振幅和衰减时间输入映射关系,反演出真实结构的阻尼比。最后将阻尼比代入另一组参数的叶片撞击仿真,与试验结果进行对比,两者一致性较高,表明反演得到的阻尼参数是合理可靠的。     

白水隧道围岩力学参数敏感性分析与智能反演

以石黔高速公路白水隧道为例,采用敏感性分析与数值模拟相结合的方法计算出隧道围岩各力学参数的敏感度,确定影响隧道变形的主要力学参数。首先,基于正交试验设计构造BP神经网络的样本,建立待反演参数与围岩变形的非线性映射关系,将现场监控量测实测值作为输入样本,得到围岩力学参数。然后,将反演得到的力学参数代入到数值模拟中,计算出隧道围岩变形值,对比分析实测值与计算值。结果表明,两者误差较小,这说明该方法应用于该工程的可行性。     

基于遗传算法和神经网络的隧道围岩位移智能反分析

基于正交试验设计和FLAC3D建立的学习样本以及测试样本,通过工程现场获取的围岩位移信息,用神经网络建立待反演参数与围岩位移之间潜在的映射关系。研究结果表明:利用该神经网络的仿真预测功能,结合遗传算法搜索反演参数的最优解,从而实现位移反分析;可将反演结果反馈于隧道支护结构的设计,实现隧道的信息化施工与设计。     

钢结构建筑振动阻尼比与位移振幅相关性

分析了与位移振幅相关的阻尼产生机理,表明墙体与钢结构间的黏滑摩擦使阻尼表现出与位移振幅相关的非线性特性.基于黏滑运动机理,推导了基于位移振幅的阻尼比计算表达式,从理论上分析了与位移振幅相关的阻尼机理.通过数值仿真研究验证了理论推导的正确性,分析了主体结构刚度和墙体刚度贡献、墙体产生滑移运动时的结构变形、自振频率、材料阻尼等参数对非线性阻尼的影响.通过与现场实测数据对比,验证了理论推导的可靠性.     

BP神经网络在热轧中厚板力学性能预测中的应用

基于神经网络原理,采用BP算法训练网络,建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明,将神经网络模型应用于热轧控制预报,具有现实意义。     

基于叶片应变测量的航空发动机风扇外物撞击监测识别

飞机在跑道上滑跑、起飞与着陆过程中的发动机外物撞击监测对其飞行安全保障至关重要。为监测识别发动机工作过程中的外物撞击事件,通过风扇叶片外物撞击模拟试验平台开展外物撞击模拟试验,采用应变测量的方法对叶片应力进行实时测量与分析,实现风扇外物撞击事件监测识别的目的。试验与分析结果表明：获取了数值模拟与应变测量的风扇转子叶片结构特性图,数值模拟与试验测量动频最大误差为0.86%;外物撞击使叶片的一阶动频幅值发生较大的增加,通过试验过程中的应变测点时频图可监测识别外物撞击事件发生的时刻、频次与位置等。     

基于BP-PSO联合算法的沥青混合料空隙率反演计算

为提高沥青混合料空隙率反演计算效率,提出一种基于BP神经网络和PSO联合算法的沥青混合料空隙率反演计算方法.通过建立探地雷达电磁波在沥青路面结构层中的传播仿真模型,利用BP神经网络对仿真样本进行训练,得到能够反映输入和输出关系的回归曲面.利用PSO算法对回归曲面进行寻优,得到最优解.将该联合算法应用于沥青混合料空隙率反演计算中,反演计算结果表明:该联合算法能够在满足计算精度的条件下大幅提高计算效率,证明应用该联合算法反演计算沥青混合料空隙率的可行性和有效性.     

微通道阻尼特征的神经网络建模与训练

为了提取微通道的结构特征参数与阻尼系数的映射关系,采用三层前馈神经网络建立了微通道阻尼特征模型。同时,为了提高模型训练的效率,提出了PSE-BP算法。以等截面的矩形截面直线形微通道为例,利用数值仿真产生训练样本,对模型进行了训练,对训练结果进行了实验验证。相比BP算法,PSE-BP算法的训练效率提高了20倍以上,训练与仿真结果吻合较好。PSE-BP算法训练的理论计算与实验结果的平均偏差为5.2%,BP算法训练的理论计算与实验结果的平均偏差为5.8%,理论与实验曲线吻合较好。     

基于Elman型回归神经网络的公交客流预测

文章将动态回归神经网络(Elman)预测方法应用于城市公交客流量的预测, 通过对合肥市公交量的历史数据分析得到公交客流量的时间序列,将时间序列视为一个从输入到输出的非线性映射,对网络进行学习与训练仿真实验,并与BP神经网络输出结果进行了比较,并对网络模拟结果和历史数据进行了线性回归分析,求得一定的相关系数.结果表明,应用Elman神经网络方法比BP神经网络对公交客流量进行短期预测,预测精度高及效果好.     

“巨”型负磁导率材料的优化设计

针对单回路＂巨＂型负磁导率材料结构和设计要求,基于神经网络和遗传算法理论进行了结构优化设计.通过正交实验法选出了负磁导率材料结构参数样本;利用HFSS得到的仿真实验样本对BP神经网络进行训练,建立了结构参数和结构性能之间的映射关系;根据设计要求定出相应的适应度函数表达式,经过遗传进化得到了优化的负磁导率材料结构参数.     

尾砂充填体力学参数混沌优化反分析研究

采场尾砂胶结充填体力学参数难以在实验室得到,有必要用反分析方法获取.采用有限元方法对不同充填体力学参数的变形结果进行计算,建立充填体力学参数与其变形结果的神经网络映射模型.用混沌优化与神经网络映射模型相结合,实现了充填体力学参数反演计算.对安庆铜矿高阶段充填体工程实例进行了分析,得出了不同配比尾砂胶结充填体力学参数.研究结果表明,混沌优化与神经网络相结合的反分析方法能实现全局寻优,具有较高的计算精度.图2,表3,参8.     

基于神经网络的尾流激励叶片气动力辨识方法

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学（CFD）方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP神经网络和NARX神经网络建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。     

BP神经网络的LM算法及其对颗粒碰撞振动阻尼的预测

介绍了一种BP神经网络的改进Levenberg Marquardt(LM)算法原理,用这种方法对颗粒碰撞振动系统的阻尼进行了训练和仿真,并将此改进算法与传统算法进行比较.结果表明,该算法稳定、快捷,预测准确,适合应用于对实时性要求比较高的场合,且预测得到的模型与相关文献中的结果一致.     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型,并基于正交试验获得的训练样本对网络进行学习,以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础,用蚁群算法来学习神经网络的权系数。利用反演结果,建立快速拉格朗日快速计算法(FLAC)模型,对地表沉陷进行预测。结果表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

BP神经网络方法预测改性聚乙烯醇的吸水率

用人工神经网络法来预测高分子化学反应产物的性能,通过研究顺丁烯二酸酐与聚乙烯醇反应制备吸水材料过程中反应物的配比、反应体系的温度、pH值以及反应时间等条件和产物吸水率之间的关系,得出了制备最大吸水率的反应条件。并通过人工神经网络方法建立BP神经网络模型,采用Matlab语言编写神经网络程序,再以实验测得的数据对网络进行训练,然后用训练好的网络对实验条件和吸水率之间的关系进行仿真,并将仿真结果和实验数据加以比较。结果表明,BP神经网络用于化学反应产物性能的预测是可行的.为神经网络在化学反应控制预测领域的应用奠定了基础.     

双主动圆盘式电流变传动器的数学模型

在基于虚拟仪器构建的通用的电液测控实验台上,采用Bingham模型描写电流变液,建立电流变传动器的离散数学模型.对于随机负载干扰和不确定摩擦阻尼的情况,利用输入输出角度和转矩的采样数据,识别模型的系数,并可计算系统的无阻尼自然频率和阻尼比或时间常数.所建立的数学模型与基于Leven berg-Marquardt算法的人工神经网络建立的模型相比较,能更有利于对电流变传动系统进行结构设计、参数识别和系统控制.     

基于RBF神经网络的异向介质基本单元分析

利用径向基神经网络(RBF神经网络)对异向介质的基本单元进行分析,建立异向介质等效介电常数及等效磁导率与介质敏感结构参数之间的神经网络模型.实验结果表明,该模型所得结果与全波分析相吻合,分析时间为138.465793s,训练平方和误差为0.0374879,满足工程要求.验证了该模型的可靠性及合理性,减少数值分析法由于厚度谐振等问题而引起的结果错误问题,解决了异向介质分析精度与效率难以共存的问题.