基于宽频电阻抗特性与阿尔奇公式的含水合物饱和度计算模型

以自主设计开发的水合物电学参数测量装置为基础，在频率范围5Hz~400kHz内测试了不同饱和度条件下的含四氢呋喃水合物海沙体系的宽频阻抗。分析了水合物生成分解过程中模拟沉积物的宽频阻抗特性，讨论了不同含水合物饱和度条件下的阻抗幅值频散特性及其与饱和度之间的定量关系，建立了基于宽频阻抗幅值和阿尔奇公式的含水合物饱和度计算模型。研究结果表明:（1）含水合物天然海沙体系的阻抗幅值呈现出频散特性，频散特性受到孔隙壁与孔隙流体之间界面极化效应的影响，阻抗幅值频散度与含水合物饱和度之间呈现近似线性关系；（2）在测试频率200~200kHz时，阿尔奇公式中的胶接指数较为稳定，饱和度指数与测试频率的对数之间呈现出近似线性的关系，测试频率应作为含水合物饱和度计算模型的参数。本研究为沉积物中含水合物饱和度的评价提供了新方法，通过测量宽频阻抗幅值并应用所提出的模型，综合多个频率的模型计算结果有望得到更加准确可靠的饱和度评价值。     

基于CT的含水合物沉积物电阻率测量系统设计与开发

为满足从微观尺度研究沉积物孔隙中水合物分布对电阻率响应特性影响的需求,设计开发了基于CT的含水合物沉积物电阻率测量系统,包括天然气水合物实验模拟部分、电阻率测量部分和CT扫描部分,实现了水合物原位生成过程中电阻率和CT扫描图像的同时监测。通过开展甲烷水合物生成实验,验证了系统的可用性。实验结果表明：（1）电阻率随通过CT图像计算的水合物饱和度呈指数规律上升;（2）水合物饱和度为17.13%~30.72%时,阿尔奇公式中饱和度指数在1.57至2.48之间。所开发的测量系统为进一步开展不同环境条件下水合物生成分解实验提供了技术保障,为研究水合物微观分布对电阻率的影响以及优化水合物饱和度计算模型提供了数据支撑。     

基于含水合物多孔介质复电导率的渗透率测试有限元仿真研究

渗透率是影响天然气水合物储层产气效率的关键参数，野外尚缺少实时监测水合物储层渗透率动态变化的技术，实验室内测试渗透率的方法存在成本高、周期长、可靠性低等问题。研究了一种基于复电导率的含水合物沉积物渗透率测试新方法。首先，针对含水合物多孔介质建立了能够计算其渗透率和复电导率的有限元数值模型，然后开展了不同水合物饱和度条件下的仿真实验，获取了0~40%水合物饱和度时多孔介质的流场和电场响应参数，分别探讨了孔隙中水合物及其饱和度变化对复电导率虚部和渗透率的影响规律和机理，最后建立并验证了基于复电导率虚部的含水合物多孔介质渗透率评价模型，为深入研究基于激发极化原理的含水合物沉积层渗透率测试新技术提供了理论和模型基础。     

差压传感器非线性特性研究

介绍了一种智能差压传感器,针对影响传感器准确度的输出—输入非线性问题进行了研究。采用了BP神经网络来建立差压传感器的输出—输入模型,网络模型采用了三层结构,输出—输入层各自采用了一个神经元,将神经网络的均方误差目标值设定为10-6,并在MATLAB中进行了仿真,经训练得到的输出—输入模型的非线性误差可以达到±0.032%。通过与多项式拟合方法和最小二乘直线拟合方法所得结果进行比较,结果表明:采用BP神经网络方法对提高智能差压传感器的测量准确度具有参考价值。     

基于分段涂层TDR探针的含水合物多孔介质电学参数测量仿真研究

针对海洋沉积物中天然气水合物饱和度评价需求，提出了基于分段涂层TDR探针的沉积物介电常数和电导率同步测量新方法。针对无涂层探针、全涂层探针以及分段涂层探针分别建立了模拟TDR测量响应的有限元数值模型，仿真研究了涂层参数对介电常数和电导率测量性能的影响规律，继而应用于含水合物多孔介质的测量并对误差进行了分析与校正。研究结果表明：探针涂层的厚度和介电常数直接影响采集电压信号的衰减程度，因此需根据被测介质的电学性质对其进行优化设计；在涂层厚度和介电常数已确定的条件下，通过改变涂层间隙长度可以调节探针所适用的电导率测量范围；当测量非均匀介质时，可以通过增加涂层间隙的个数来提高电导率测量的准确度；采用分段涂层探针测量含水合物多孔介质的介电常数和电导率时，需要对涂层引起的误差进行校正。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

基于电-声复合传感器测量含水合物液膜厚度仿真研究

针对天然气输送管道内含水合物液膜的厚度测量问题,基于电-声联合探测方法原理设计了集成同轴圆盘-双环电极和超声晶片的内嵌凹面式电-声复合传感器,建立了数值仿真模型对传感器的结构和工作参数进行了优化,并分别对含有离散分布水合物颗粒和水合物沉积层液膜的厚度进行了仿真测量,讨论了电阻法和超声渡越时间法的适用性;研究结果表明:同轴圆盘-双环电极中的圆盘电极的半径、圆盘电极/内环电极的间距是影响电学测试空间灵敏度的主要结构参数,超声波频率对声学测试空间灵敏度产生显著影响,因此需要对凹面式电-声复合传感器的参数进行优化设计;电阻法和超声渡越时间法分别适用于测量水合物以离散颗粒形态分布和以沉积层形态分布的液膜,两类方法优势互补显著,拓宽了电-声复合传感器的适用范围。     

基于改进BP神经网络的传感器集成故障诊断

针对传感器故障，提出了一种基于改进的BP神经网络的集成故障诊断方法。在测量回路中引入“等价偏差”向量，用改进的BP网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合．进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

基于BP神经网络的传感器无效数据过滤器设计

基于催化原理的传感器在矿井环境工作时，受内在外在因素的干扰，测量的可燃气体浓度值存在误差过大的问题。设计了基于列文伯格-马夸尔特(L-M)训练算法及反向传播(BP)神经网络的传感器无效数据过滤器。通过离线采集传感器响应特性曲线数据的方式构建网络模型，并用Matlab工具对模型进行仿真训练。综合对比分析L-M训练算法、拟牛顿训练算法、自适应线性回归(LR)动量梯度下降训练算法的收敛速度和误差性能。对比结果表明，基于L-M训练算法构建的BP神经网络模型收敛速度更快、误差值更小、效率更高，有利于矿用催化原理传感器无效检测非线性数据的过滤。     

接触式传感器测量软体驱动器角度的数据融合

现有用于软体驱动器角度测量的接触式传感器主要包括惯性传感器与曲率传感器,但惯性传感器的测量精度易受软体驱动器内嵌气道膨胀的影响,曲率传感器测量则存在迟滞和漂移等问题。为进一步提高接触式传感器测量软体驱动器角度的准确性,结合模糊推理与卡尔曼滤波结合的算法实现惯性传感器和曲率传感器数据融合。基于BP神经网络和长短时记忆网络分别融合曲率传感器和惯性传感器,减少接触式传感器测量软体驱动器角度时迟滞和气道膨胀的影响。实验结果显示,采用长短时记忆网络、BP神经网络和模糊推理与卡尔曼滤波相结合的数据融合结果均方根误差精度分别为0.51°、0.63°和1.59°,表明长短时记忆网络能够更好地提高接触式传感器对软体驱动器角度的测量精度。     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

基于BP神经网络的光照分布研究

光照度对植物的生长发育有着不可忽视的重要作用,它的强弱直接影响到植物的光合作用、物质代谢、结构形态和农作物产量等。通过重点研究大规模样本点的BP神经网络空间插值方法,进而提高计算光照分布的准确性和有效性。利用分组训练、组合优化的改进BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。实验结果表明该模型的相对误差较小,对光照度预测的可信度较高,可以用于预测光照分布。     

基于BP神经网络的高层建筑工程成本造价评估模型

针对高层建筑造价评估准确性低的缺陷,提出基于BP神经网络的高层建筑工程成本造价评估模型。根据建设项目总体投资组成,对成本造价指数分类,确定整体造价修正系数,利用灰关联分析方法构建评估指标体系;根据BP神经网络结构,计算网络误差,并通过梯度下降方法定义输出层、隐含层的误差信号,获取网络权值调整公式;最后利用自适应学习率调节公式设置网络参数,将建筑工程中关键参数引入到输入层,建立最终的成本造价评估模型。仿真实验表明,所提方法可以利用较少的信息量准确快速地评估出高层建筑工程成本的最佳方案,具有较强非线性信息处理能力。     

BP网络和多元回归在葡萄酒质量模型中的应用

利用因子分析法筛选出对葡萄酒质量影响较大的12种理化指标,将其作为多元线性回归的自变量和BP网络输入层神经元,分别用多元线性回归和改进的BP神经网络两种方法建立葡萄酒和酿酒葡萄的主要理化指标与葡萄酒质量的关系模型。比较了两种模型的泛化能力,得出多元线性回归模型对新样本预测的平均相对误差是1.93%,而BP神经网络模型的平均相对误差是0.37%。仿真实验表明,BP神经网络的泛化能力和稳定性明显优于多元回归模型。     

铜冶炼节能参数优化学习模型研究

针对铜冶炼过程中的能耗难以预测的问题,提出基于支持向量回归的铜冶炼节能过程参数优化学习方法:,首先分析影响铜能耗的各种参数,然后利支持向量回归算法对输入参数和输出能耗之间的关系进行训练,从而筛选出最优参数,为生产能耗控制模型提供了基础。实验结果:表明,提出方法:较传统的BP神经网络算法相比具有学习速度快,收敛性好,泛化能力强等特点,且能耗预测的平均相对误差小于7%。     

基于DE-BP神经网络的室内热舒适评价方法

本文从智能家居角度研究室内热舒适, 分析热舒适评价方式PMV, 指出其部分参数在智能家居场景中获取困难. 提出在忽略风速和平均辐射温度的情况下, 引入气候和环境特征来拟合PMV公式. 研究使用经过差分进化算法(Differential Evolution, DE)优化后的BP神经网络算法(DE-BP)来建立拟合模型, DE算法优化神经网络的参数, 神经网络训练使用动量加速的随机梯度下降算法, 且增加了仿射变换的标准化层和L2正则化. 测试结果显示模型在收敛速度、稳定性和泛化性能上比传统BP神经网络更优,在较小误差范围内可应用于计算热舒适度的系统中, 降低其输入参量难度.     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

基于SGOA神经网络的短期负荷预测

短期负荷预测的结果对电力系统的经济效益具有重要影响。针对多极值问题,首次提出了一种体现大融合思想的共享式全局寻优算法,将几种全局寻优算法有机组合,使它们共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力。并且为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将SGOA算法和BP算法相结合的短期负荷预测方法,用SGOA算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法。在构建网络模型时,同时也考虑到了气候、温度等因素的影响,对它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

改进PSO-BP神经网络对储层参数的动态预测研究

为提高BP神经网络的收敛速度和泛化能力,防止其陷入局部最优值,在前人工作基础上对传统粒子群算法进行了改进,具体包括：设定最大限制速度、改变惯性权重因子和改进适应度函数,并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测,具体步骤为：确定神经网络的输入、输出神经元,定量化时间参数[T],利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析,结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。