基于LS-SVM的粉煤灰混凝土强度预测模型

提出一种基于最小二乘支持向量机(LS-SVM)的粉煤灰混凝土强度智能预测模型,并给出了相应的步骤和算法。通过该模型分析了水胶比、水泥用量、粉煤灰替代率及砂率等因素对粉煤灰混凝土强度的影响。在此基础上,对不同配比所浇注的混凝土强度进行预测,有助于准确认识混凝土强度随配比参数的变化规律。与多元线性回归、神经网络及标准SVM模型比较,该模型的优点为:(1)采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型小样本泛化能力;(2)将迭代学习算法转换为求解线性方程组,使得整个模型仅有一个全局最优点,解决局部最小问题;(3)用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,有效提高建模速度。用该模型对混凝土的强度预测实例表明,其建模速度比标准SVM高近1个数量级,预测误差仅为SVM方法的20%、BP神经网络方法的10%左右。     

基于神经网络的混凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。     

基于神经网络的混凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型：BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。     

基于神经网络的温凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射.通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度.另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力.     

基于Elman神经网络算法的型钢再生混凝土结构粘结强度预测方法研究

为研究型钢再生混凝土结构的粘结破坏规律及利用Elman神经网络算法预测其粘结强度的方法,选取再生混凝土取代率、再生混凝土强度、再生混凝土埋置长度、型钢保护层厚度、箍筋直径及箍筋间距作为影响因素,设计并制作了36个型钢再生混凝土推出试件.通过推出试验获得了型钢再生混凝土结构的粘结破坏规律并定义了3个平均特征粘结强度.其次,基于试验结果将取代率为0,50％和100％的30个试件作为训练样本建立了型钢再生混凝土构件粘结强度的Elman神经网络模型,最后利用该模型对取代率为30％的9个试件的粘结强度进行了预测.与试验结果对比表明,建立的Elman神经网络模型能够准确地预测型钢再生混凝土结构的粘结强度,神经网络在结构工程领域具有较大的应用前景.     

BP网络预测再生混凝土性能研究

利用BP神经网络模型,对再生混凝土强度及工作性能的预测方法进行了探讨。根据再生混凝土的特殊性,找出影响其强度和坍落度、保水性的主要因素,对试验中通过主观观察得到的数据进行量化,在此基础上建立预测其强度和工作性能的BP神经网络模型,针对所建模型,输入一定量的实测数据样本,对网络进行训练。为了验证训练好的网络的推广性能,用预留的一组试验数据进行仿真训练的效率和误差及仿真计算的结果表明,采用优化的BP网络模型及合适的样本参数训练出的预测系统对再生混凝土的强度及工作性能进行预测是可行的。     

应用GRNN网络预测高强混凝土强度

为了更好地解决混凝土强度的预测问题,提出了应用GRNN(广义回归网络)预测混凝土28d强度的方法。该网络是建立在数理统计基础之上的一种新型的神经网络,能够综合考虑影响混凝土强度的各种因素,具有良好的函数逼近效果。利用试验所得数据,建立了GRNN网络模型和BP网络模型,并对两种网络进行了比较。     

SPSBS,P神经网络及ANFIS在透水性混凝土性能预测中的应用

利用SPSS统计分析软件及建立BP和ANFIS两种神经网络模型,对透水性混凝土的性能进行预测,将3种模型的预测结果进行了比较,研究表明,BP和ANFIS神经网络模型由于综合考虑了影响混凝土强度的各种因素,能够实现非线性关系,具有较高的预测精度,在透水性混凝土性能预测中具有广阔的应用前景。     

基于神经网络的混凝土柱峰值承载力预测

提出了基于人工神经网络预测钢筋混凝土柱峰值承载力的方法。该方法采用5个设计参数作为神经网络的输入:混凝土强度、轴压比、剪跨比、纵筋配筋率和纵筋屈服强度。为验证该方法的可行性与有效性,基于PEER 154组实验数据,利用神经网络模型对矩形混凝土柱的峰值承载力进行预测并与经验模型的预测结果进行比较。比较分析结果表明:神经网络模型预测结果与实验结果吻合度远高于其他经验模型;同时也表明神经网络为精确预测结构在地震作用下的性能提供了一种新方法。     

SPSS,BP神经网络及ANFIS在透水性混凝土性能预测中的应用

利用SPSS统计分析软件及建立BP和ANFIS两种神经网络模型,对透水性混凝土的性能进行预测,将3种模型的预测结果进行了比较,研究表明,BP和ANFIS神经网络模型由于综合考虑了影响混凝土强度的各种因素,能够实现非线性关系,具有较高的预测精度,在透水性混凝土性能预测中具有广阔的应用前景.     

神经网络在高性能混凝土强度预报及优化设计中的应用

本文首先介绍了神经网络中应用最为成熟广泛的BP网络的模型及其学习算法 ,并简单对比介绍了RBF网络。然后将其用于长江三峡高性能混凝土强度预报及优化设计中 ,并与线性回归进行了对比 ,结果表明神经网络方法是一种可以定量分析、简便易行并具有较高精度的预报方法 ,在混凝土性能预报和优化设计中具有广阔的应用前景。     

利用改进的BP神经网络预测烧结砖的抗压强度

根据改进的BP神经网络基本原理，建立了烧结砖的神经网络强度预测模型．利用试验数据训练神经网络，通过工程实例，对训练过的神经网络进行了测试，并将用神经网络方法获得的结果与用传统数学回归模型计算的结果进行了对比．结果表明，该神经网络方法所得的预测值优于传统方法．     

混凝土的强度预测及其配合比优化设计研究

针对混凝土配方数据构成的复杂性,应用聚类分析原理对样本数据进行自身特性分析,建立了混凝土双并联神经网络模型,在配合比优化设计时采用了模拟退火算法,通过实例验证获得了较好的精度。     

BP神经网络在房地产预警体系中的应用

将人工神经网络方法引入到房地产市场预警体系中,通过人工神经网络分析出警兆指标和房地产市场警情变化之间的内在关系,同时分析了深圳市房地产投资情况,以预测房地产发展趋势,更好地促进我国房地产市场健康发展.     

基于人工神经网络的压弯钢筋混凝土柱侧向承载力的预测

双向压弯钢筋混凝土柱侧向承载力的计算比较复杂,它受截面尺寸、轴压比、混凝土强度、加载角度、剪跨比及配筋等诸多因素影响。基于BP神经网络技术,提出双向压弯钢筋混凝土柱侧向承载力的预测模型。以影响柱侧向承载力的主要因素为参数,用数值模拟结果,建立模型,并验证BP神经网络模型对双向压弯钢筋混凝土柱侧向承载力预测的效果良好。     

基于RBF神经网络方法的混凝土强度预测

在分析普通混凝土强度各影响因素的基础上,选取6个影响因素组成输入层,以混凝土28 d强度作为输出,建立径向基函数网络,经网络训练和仿真结果对比,表明所建网络结构合理、收敛速度快、精度高,可以满足普通混凝土强度预测要求,具有广泛的应用前景。     

基于BP神经网络的污水处理水质建模与模拟

分析了BP神经网络原理及污水处理过程中BP网络模型设计,经过对苏州市某污水厂123组实测数据异点剔除和归一化处理后,对网络进行了训练和学习,30组数据用来检验网络,并用另外70组实测数据进行了实际仿真模拟,分析模拟结果表明,对各出水水质指标的模拟平均相对误差均小于5%,建立BP神经网络活性污泥法污水处理过程模型是有效的、可行的。     

双掺粉煤灰和矿渣混凝土强度的BP网络预测模型

双掺粉煤灰和矿渣混凝土的强度发展机理复杂,不能用传统的水灰比线性函数来预测,利用BP神经网络模型来预测其3、28和56d的抗压强度.结果表明:BP神经网络具有较强的非线性映射能力,预测结果比较理想,可以指导实际工程;早龄期的混凝土强度预测值与实测值之间的误差较大,随着粉煤灰和矿渣的二次水化反应逐渐充分,强度发展趋于规律化,预测误差相应变小.     

钢筋混凝土结构耐久性分析的神经网络法

主要采用神经网络方法和可靠度理论,依据混凝土中钢筋的锈蚀量,对钢筋混凝土构件的可靠指标进行了分析,并运用所得的结果进行了耐久性分析,以期指导结构设计人员科学合理地控制结构耐久性。     

基于小波分析的神经网络在混凝土测强曲线拟合中的应用

将小波母函数嵌入人工神经网络的神经元形成紧致型小波神经网络,将此种网络用于混凝土非破损检测的测强曲线拟合和预测,提升了纯粹的BP神经网络的拟合和预测精度,效果远胜于最小二乘拟合和预测.通过一个算例对小波神经网络的高精准性和非性线逼近能力进行了验证,对实验数据进行了统计分析,结论表明小波神经网络优于BP神经网络.