幂律流体不稳定径向流的数值解法

对微可压缩非牛顿幂律流体在均质多孔介质中的非稳定径向渗流方程进行了回顾和对比，用有限差分方法建立了微分方程的数值解法．研究了时间步长、空间步长对数值解精度和稳定性的影响，并结合算例绘出了不同流性指数的瞬时压力曲线．该研究结果可用于非牛顿流体渗流机理研究及试井分析．     

径向载荷对行星摆线针轮减速器的影响分析

通过某设计中摆线针轮减速器受径向载荷作用所反映出的问题，分析了径向载荷对摆线针轮减速器的影响，提出摆钱针轮减速器、谐波减速器、少齿差行星减速器等受有较大径向载荷时，应适当降低许用扭矩，以保证减速器能安全正常工作     

面部软组织三维有限元建模和变换

为了实现在临床上快速地为病人建立个体化有限元模型用于正畸治疗的术前预测，研宄首先在正常领型志愿者A的CT数据的基础上建立一含包含度朕、肌肉和脂肪的通用唇面部软纽织三维有限元模型。然后通过选取的面部标志点，使用径向基函数（Radial Base Function,RBF）插值法把通用模型变换成志愿者B的唇面部模型而实现通用模型的含体化。结果显示志愿者B的个体化模型和其CT数据在唇面部区域的平均误差在0．47mm左右，而且具有较好的相似度。     

基于径向基神经网络的股价预测

借助径向基函数（Radial Basis Function)神经网络对非线性函数的逼近能力，对深能源A股价这个时间列作了连续若干天的一步预测，并与其他预测方法进行了比较。结果表明，用径向基神经网络预测股价是可行的和有效的。     

基于RBF神经网络的井眼方位角误差建模及补偿

对于陀螺钻井测斜技术而言,由于惯性器件本身误差及井下恶劣条件带来的干扰均具有复杂性,误差补偿是影响测量精度的关键因素。在阐述陀螺测斜原理、分析测斜系统可能产生的各种误差的基础上,进行了测斜仪转台实验,并采用神经网络中的径向基函数理论建立了井眼方位角误差模型,将其建模性能指标与双线形插值建模指标进行综合对比,结果表明RBF网络建模时间短、拟合性能好、预测能力强、补偿后方位角误差得到有效抑制、补偿精度高,各项指标均优于双线形插值方法。     

压电驱动的桥式放大机构设计与优化

为了解决传统桥式放大机构的静力学建模中混淆了菱形结构和桥式结构的区别,以及忽略了刚性连杆变形的问题,通过欧拉-伯努利梁理论和能量守恒定律来计算放大倍数,使用ANSYS Workbench对各种理论模型计算的精度进行验证和对比。此外,通过径向基函数(RBF)神经网络模型和多岛遗传算法(MIGA)对桥式放大机构的参数进行优化。通过仿真分析结果表明,采用欧拉-伯努利梁理论与能量守恒定律计算的放大倍数与仿真值最接近,优化后的放大倍数增大了16.0%,固有频率增大了19.7%,可见所提出的理论模型和优化方法有效。     

基于Kriging代理模型的造斜率预测方法研究

造斜率受导向工具结构、类型、钻井参数、井眼轨迹、地层和钻头等因素的影响,构成了一个多变量影响的非线性耦合体系。造斜率预测呈现一定的模糊性、随机性和非线性特点,难以用显性的定量关系式来精确刻画造斜率与其影响因素之间的函数关系。从回归分析预测法的角度,提出一种采用Kriging代理模型构建预测功能函数,进行造斜率预测的新方法。该方法基于空间插值理论,以造斜率预测值为输出目标。首先选取造斜率主要影响因素作为输入参数,确定训练样本和测试样本;然后,计算Kriging模型中的最优超参数,并构建该预测模型。最后,以测试样本为基准,计算模型预测性能指标,完成对Kriging代理模型的造斜率预测性能评价。通过现场案例研究表明,与常见的多元回归模型和径向基函数模型(radial basis function,RBF)相比,基于Kriging代理模型的造斜率预测方法在均方根误差(root-mean-square error,RMSE)、最大绝对误差(maximum absolute error,MAE)和平均绝对误差(average absolute error,AAE)3个常见的定量指标上表现了更佳的预测性能。预测结果更稳健,计算量更小,对造斜率的预测精度较高,能克服几何法预测精度不高或力学法计算量大等缺点。在工程应用中能节约计算成本和提高预测效率,便于推广应用。     

基于MPSO-BP的RBF网络自构建学习算法

采用PSO混合编码,提出了一种基于混合MPSO-BP的RBF自构建学习算法。该算法中,每个粒子由整数与实数两部分构成,分别对RBF的基函数个数及相关参数(中心、宽度和输出层权值)进行编码。同时设计了一个特殊的适应度函数,在保证精度的前提下,使网络的结构相对简单,以增强网络的自适应与泛化能力,减少主观因素设计对网络性能的影响。仿真实验表明,相对于RBF其他学习算法,所提算法隐节点少、精度高、泛化能力强。     

最小二乘支持向量机应用于西安霸河口水质预测

利用西安霸河10年的水质平均数据作为数据集,建立了基于最小二乘支持向量机的水质预测模型。通过适当的参数选择,其平均相对误差只有4.95%,预测的准确率达到95%。通过实例计算且与误差逆传播(BP)神经网络、RBF神经网络等预测方法进行了对比分析,表明该方法的平均预测精度较传统的神经网络方法提高约4%,且具有收敛速度快、泛化能力强等优点,可有效用于水质预测。