基于FOA-GRNN油井计量原油含水率的预测

研究原油含水率准确预测问题,提供高精度的原油含水率数据在油井计量中具有重要意义。针对原油含水率预测受到多因素影响,由于原油中存在复杂的非线性关系,传统的预测方法无法满足预测精度要求。为了提高原油含水率的预测精度,提出了果蝇优化广义回归神经网络的原油含水率预测方法,果蝇优化算法用于广义回归神经网络的参数优化。通过同轴线相位法含水率计的测量系统对原油含水率有影响的多个参量进行测定,建立果蝇算法优化广义回归神经网络的原油含水率预测模型。仿真结果表明:相对于广泛应用的BPNN预测模型,果蝇算法优化的广义回归神经网络预测精度高,是一种实用有效的原油含水率预测方法。     

基于仿真的高速公路施工区交通分流分析

为更好地研究高速公路施工区的交通分流现象,文中通过交通仿真的方法研究了短期和长期施工区对道路交通的影响,并建立了基于施工时间和交通需求/通行能力比例的分流预测模型。结果表明:动态交通分配模型的day-to-day learning模块可以较好地揭示出行时间的变化对于出行者路径选择的影响;此外,短期施工区的交通分流对于时间因素不敏感,长期施工区的分流主要受到交通需求和通行能力比例的影响。可见交通仿真方法以及分流预测模型对于高速公路施工区的交通组织具有支持作用。     

基于核偏最小二乘法的动态预测模型在铜转炉吹炼中的应用

为实现铜转炉吹炼过程中的关键操作参数的准确预测,构造一种基于核偏最小二乘法的动态预测模型,并提出一种适用于动态建模的在线式异常样本剔除方法。该动态预测模型使用滑动窗方法不断更新建模数据,再利用核偏最小二乘法对动态模型的参数进行辨识,最后根据反馈的前次计算误差对本次预测值进行修正。仿真研究结果表明：该动态预估模型具有较好的泛化能力和较强的鲁棒性,并具有较好预测精度（风量预测的相对均方根误差小于10%,氧量预测的相对均方根误差小于19%）。目前,该预测模型被用于某转炉的吹炼辅助决策系统中。     

改进的非等间距GM(1,1)模型在气井生产动态预测中的应用

在非等间距灰色模型GM(1,1)中α增加ω,建立改进的非等间距灰色模型IGM(1,1)。该模型在已知数据中预测,调节ω,使得该模型历史数据预测值和历史数据的平均误差率达到事先给定的精度。通过实证分析,非等间距IGM(1,1)模型较非等间距GM(1,1)模型的预测精度有所提高。因此用非等间距IGM(1,1)模型对气井生产动态进行预测,可以比非等间距GM(1,1)模型更准确的了解气井未来的变化趋势。     

基于TW-SVM预测模型的某堆石坝变形预测分析

为提高监测资料有缺失的大坝变形预测模型精度,采用支持向量机方法建立一种具有小样本、高维、非线性的预测模型,并结合对其重要组成部分核函数的分析应用,提出一种根据结构风险最小化的TW-SVM预测模型。以某堆石坝为例进行研究,利用坝坡垂直位移和水平位移的监测数据,分别采用TW-SVM方法和BP神经网络(NET)方法建立相应预测模型进行比较分析。结果表明:采用TW-SVM方法和NET方法预测的垂直位移最大绝对误差分别为0.58 mm和6.18 mm,最大相对误差分别为270.00%和1 286.22%;采用TW-SVM方法和NET方法预测的水平位移最大绝对误差分别为0.25 mm和14.91 mm,最大相对误差分别为31.25%和1 189.85%;TW-SVM预测模型比NET预测模型更适合于影响因素为时间、水位的小样本预测分析。研究结果为堆石坝变形预测与分析提供参考。     

神经网络在炸药晶体密度预测中的应用

运用密度泛函理论,在DFT-B3LYP/6-31G·的水平上对16种炸药分子进行全分子优化,并进行频率振动分析,分析了求得各个炸药分子量化结构参数,结果表明,平均极化率、平均四极矩和偶极矩与炸药密度有较好的相关性.结合人工神经网络算法,用以上3种参数作为描述符,构建炸药密度的网络预测模型.预测结果表明,预测值与文献值的最大相对误差为6.6%,最小相对误差为0.47%,说明神经网络可以用来预测炸药密度.     

林樊家油田出砂量预测研究

本论文根据国内外出砂理论研究现状,针对林樊家油田开采过程中存在的出砂问题,建立了林樊家油田出砂量预测模型。运用该模型及相关参数,即可求得储层的临界生产压差及临界产量,或者计算给定产量下的出砂量。     

PS/SCCO_2发泡体系挤出胀大和泡孔平均直径预测模型

运用正交试验和统计相结合的方法,研究了温度、压力、剪切速率、发泡剂含量对聚苯乙烯/超临界CO2发泡体系挤出胀大和泡孔的影响;综合胀大比和毛细管数的关系,提出了聚苯乙烯/超临界CO2发泡体系挤出胀大和泡孔平均直径预测模型。与实验结果相比,发泡体系挤出胀大的预测值与实验测量结果的误差在5%左右,泡孔平均直径的预测值与实验测量值的误差在10%左右。     

水泥回转窑的智能控制

文章介绍了PIT Navigator对水泥熟料生产自动化控制的实现,基于神经网络的自学习、自适应控制元件,将相关的过程数据记录下来,随后借助数据关联性进行分析,在预测和自学习过程模型(模型预测控制)中处理这些数据,并计算过程参数的实时预测,使用这些工具,可以实现更稳定的窑况,同时提高产量和降低能耗。     

基于BP网络的保护渣性能预测模型的研究

结合BP网络计算机实验研究 ,建立了保护渣化学组成与性能的预测模型 ,并利用化学组成与性能的关系 ,对网络的实用性进行了检验 ,结果符合保护渣化学组成与性能的关系。保护渣粘度随着保护渣碱度的增大而减小 ,而半球点温度随碱度增大而增大 ;保护渣的半球点温度和粘度都随着渣中CaF2 含量的增加而减小。用BP网络的误差反向传播算法建立的保护渣的化学组成与性能的预测模型 ,得出的预测值与实际值的误差小 ,对保护渣的设计与应用都有一定的指导作用。