基于BP神经网络土体自由膨胀率的模拟研究

土体的膨胀性与其物理力学指标有着密切关系,但它们的关系是非线性的、复杂的,难以用传统的方法进行模拟.BP神经网络以其良好的非线性映射能力而成为应用最广泛的一种神经网络模型.结合南水北调中线工程,取南阳地区土样作样本,以BP神经网络模拟土体自由膨胀率与物理力学指标的关系.模拟计算结果与试验值基本吻合,精度较高.对于没有做土膨胀试验的地区,可以将土样物理力学指标输入训练好的BP神经网络,以判别土样是否为膨胀土.     

基于PCA-BPNN的膨胀土自由膨胀率预测

为了准确地对膨胀土进行分类,将主成分分析方法（PCA）和BP神经网络方法（BPNN）相结合,进行膨胀土自由膨胀率预测研究。首先,对影响自由膨胀率的几个物性指标数据进行主成分分析,得到主成分数据序列;然后,根据主成分数据序列建立输入样本并应用BP神经网络进行训练,得到PCA-BPNN预测结果,从而预测自由膨胀率。采用南阳膨胀土数据进行实例分析,结果表明,该模型比单一BP神经网络预测方法的效果更好。     

GRNN神经网络在坝基渗流预测中的应用

人工神经网络在大坝监测资料分析及预测中应用效果良好,而广义回归神经网络具有柔性网络结构、很强的非线性映射能力及高度的容错性,非常适合解决非线性问题。实例分析结果表明:与BP神经网络相比,广义回归神经网络在预测能力及学习速度上具有明显优势,且样本较少时其预测效果也较好。     

基于BP神经网络的膨胀土判别分级方法研究

以安康膨胀土为研究对象，选用粘粒含量、粉粒含量、液限和塑性指数4个分级指标，建立了两层无偏置的BP神经网络模型，研究膨胀土的判别分级问题。结果表明，该模型学习效果良好，能准确预测未知样本的膨胀性；对于安康膨胀土，粘粒含量和粉粒含量对分级结果影响较大，而液限和塑性指数影响较小；相比于传统的指标分级法，该模型具有较好的容错能力，可有效减小指标测量误差对分级结果的影响；BP神经网络用于膨胀土的判别分级是合理可行的，具有一定的推广与应用价值。     

基于Logistic回归模型的膨胀土判别与分类

采用《公路工程地质勘察规范》(JTG C20—2011)推荐的自由膨胀率、塑性指数、标准吸湿含水率作为膨胀土判别与分类指标,将膨胀潜势分为非、弱、中等、强膨胀土4个等级。以某高速公路沿线土样为例,利用SPSS软件建立了土膨胀潜势分级的有序Logistic回归模型,并利用所建模型对待判土样进行判别,结果与实际一致。研究结果表明:有序Logistic回归模型的判别性能良,能客观反映膨胀土分类的复杂状况,具有较好的工程应用前景。     

膨胀土分类的分形插值评价方法

膨胀土胀缩等级的判别与分类是在膨胀土地区建设工程首要进行的工作,准确评价膨胀土所处的分类状态,可为工程设计和施工提供合理的参数和科学依据。选取影响膨胀土评价的液限、胀缩总率、塑性指数、天然含水率、自由膨胀率等5个主要因素,依据膨胀土分类标准,采用随机插值生产40个标准样本构建膨胀土分类的分形插值模型,并根据最大似然分类原则计算各个指标的分维数;同时结合样本综合评价值与经验等级之间的关系分析建立分形插值评价模型。通过实例分析表明,该方法简单、可靠,计算得到的每个样本具体得分值及等级优劣顺序合理,且精度可满足工程应用要求。     

支持向量机在大坝渗流监测中的应用

支持向量机是基于统计学习理论的小样本学习方法,是一种处理高度非线性分类回归等问题的新方法,它能较好地解决小样本非线性高维数,避免了神经网络无法解决的局部极小问题.本文简要介绍了支持向量机的基本原理及其在渗流监测数据处理中的应用,论述了如何利用支持向量机建立大坝渗流统计模型和预报.通过对云龙水库渗流监测连续观测数据的计算和分析,并与RBF神经网络预测结果进行比较,证明支持向量回归机在渗流监测中比RBF神经网络预测精度更高,具有良好的泛化能力.     

基于BP神经网络的桂林生态城市建设需水量预测

根据桂林市经济社会历年统计的主要指标数据,运用SPSS社会科学统计软件分析并选取出桂林市辖区生态城市建设需水量的显著性影响因子,采用改进的归一化进行非线性规格化数据处理,基于Matlab建立BP神经网络模型,预测桂林市辖区生态城市建设需水量,结果表明,预测结果与原始数据的平均相对误差为1.19%,最大为2.08%,最小为0.28%。该模型具有较高的预测精度和良好的泛化能力,BP神经网络与SPSS软件优化组合模型,可用于需水量预测。     

BP神经网络在城市水环境承载力预测中的应用

将人工神经网络引入到水环境承载力预测的研究应用中,选取11项指标为模型输入项,把综合污染指数作为输出项,构建了BP神经网络评价模型,利用构建的模型预测评价丽水市内河水环境承载力状况,给出了该区在不同方案下的水环境承载力情况,并对预测结果进行了分析。采用的BP神经网络评价模型具有结构简单、建模方便等特点,通过训练能快速准确获得样本信息,评价结果能直观地反映评价地区的水环境承载状态。     

人工神经网络模型在黄河水质预测中的应用

采用画匠营子断面2004-2009年逐周水质指标资料作为神经网络模型的训练样本,对BP神经网络进行训练,分别建立了pH值、溶解氧、氨氮、高锰酸盐指数的预测模型.为了验证模型的正确性,利用训练好的神经网络模型,采用调整后的权值和阈值,将2010年的数据作为独立样本进行预测检验.结果表明:基于BP神经网络的水质指标预测模型收敛速度快,对训练样本具有很好的拟合能力,且对检验样本的预测精度较高.     

熵权可拓模型在膨胀土胀缩等级判别中的应用

对膨胀土胀缩等级的分类是治理膨胀土的首要工作。基于可拓工程方法,选取自由膨胀率、膨胀总率、液限、塑性指数、0.005 mm黏粒含量5项指标作为判别因子,为避免主观因素对确定评价指标权重的影响,提出熵值法计算物元模型中各评价指标的权系数的方法,建立了膨胀土胀缩等级判别的熵权可拓模型并应用于从襄荆高速公路沿线取回的部分土样的胀缩等级判别。实例应用表明:熵权可拓模型对膨胀土胀缩等级的判别结果合理,客观地反映了膨胀土判别的复杂状况,具有较高的可靠性和易操作的优点。     

基于改进BP神经网络砾石土-滤层渗透破坏判别研究

针对BP人工神经网络具有易陷入局部极小、学习过程中常常发生振荡等缺陷,提出了在BP算法中引入动量因子,并采用自适应调整学习率的梯度下降算法,建立了砾石土渗透破坏判别的改进BP神经网络模型。根据砾石土渗透破坏的实测资料,分别对BP神经网络判别结果和改进的BP神经网络判别结果进行比较,结果表明后者比前者判别能力更佳。     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

BP神经网络在岩爆预测中的应用

综合考虑围岩产生岩爆的内外在因素,采用地应力大小、岩石抗压和抗拉强度、岩石弹性能量指数等参数作为指标,建立了BP人工神经网络岩爆预测模型.将国内外具有代表性的工程实例作为样本,以提高网络的泛化能力;采用Levenberg-Marquardt算法来训练BP神经网络,以提高效率.实例表明,采用本文所给出的BP神经网络模型预测结果与实际情况相符,说明了此模型的有效性.     

基于神经网络的河道浅滩演变预测模型

河道浅滩演变是一个复杂的非线性动力学过程, 作者借助神经网络处理非线性问题的优势, 在分析影响河道浅滩演变因素的基础上, 建立了预测河道浅淮演变的BP网络模型, 并对模型中的输入因子和样本的提取进行了探讨. 以闽江竹岐至侯官河段为实例,用“试控法”给出了BP网络模型的建模方案, 用正交设计原理选取相应的训练样本集, 利用该样本集对网络进行学习和训练, 并用训练好的BP网络模型预测浅滩上年内最小水深和年平均淤积厚度. 计算结果表明: 模型预测结果与实际值吻合良好. 这为河道浅滩演变预测研究提供了新方法.     

基于改进BP神经网络的大坝安全监测预报模型

合理有效的安全监控预报模型,是保障大坝的安全运行的重要手段。针对传统统计模型预测精度不高的问题,通过对BP神经网络的优化改进,建立基于逐步回归特征选择算法筛选输入变量、自适应学习率和附加动量因子网络学习的BP神经网络预测模型,并将该模型用于某混凝土拱坝的变形预测中。结果表明,改进的BP网络预测模型具有出色的非线性逼近能力,可准确表征变形趋势,且精度明显优于相应的统计模型。该法在大坝安全监测中具有一定的可行性和实用性。     

基于概率神经网络的无粘性土渗透破坏预测研究

为了避免人为因素及判别方法对渗透破坏判别方法的限制,引入非线性映射能力强的概率神经网络,利用其容错性能好、分类正确率高等优势,输入无粘性土的物性参数,构建“物性参数—渗透破坏类别”预测模型进行渗透破坏类别预测,预测结果与实际相符。并选取了不同平滑因子输入网络,结果表明平滑因子的正确选择对网络输出至关重要。与其他算法的预测模型的预测值做对比分析,可以直观的看出基于PNN的渗透破坏类型预测模型的分类结果可靠。     

基于EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。     

神经网络在黄河口水沙通量研究中的应用

利用利津断面1963～1989年的水沙资料,建立了GRNN网络模型和BP神经网络模型,研究并探讨了黄河口水沙通量的预测问题.结果表明:①利用奇数年数据建立的GRNN和BP模型预测误差大、精度低,而用归一化处理的数据建立的GRNN和BP模型预测的绝对误筹小、精度高,并且GRNN的预测精度比BP模型的高;②神经网络具有很高的灵活性和非线性映射能力;③归一化的实质是自变量的无量纲化,利用量纲分析理论研究水沙影响因子,为进一步研究黄河口水沙问题提供了一个思路.     

基于G-LSTM模型的短期径流预报——以长江上游寸滩断面-三峡入库断面为例

长短时记忆神经网络(LSTM)具有极强的复杂多变量时间序列非线性关系拟合和历史数据认知能力,适用于对径流这类复杂时间序列过程进行模拟和预报。基于LSTM,采用灰色关联分析法(GRA),选取合适的预报因子建立G-LSTM预报模型,探究了该模型在短期径流预报中的应用和效果。将该方法应用于长江上游寸滩断面-三峡入库断面的径流模拟,并与传统的新安江模型、BP神经网络、LSTM模型的模拟结果进行比较。结果表明:与传统学习的近似映射相比,G-LSTM模型具有优秀的非线性函数学习能力,率定期与检验期的确定性系数均在0.9以上,明显优于其他两种模型的模拟结果。G-LSTM模型显著提高了短期径流预报精度,是一种有效的径流预测方法。